Menggunakan of moving average in time series

Berapakah rata-rata bergerak Rata-rata pergerakan pertama adalah 4310, yang merupakan nilai pengamatan pertama. (Dalam analisis time series, angka pertama dalam rangkaian rata-rata bergerak tidak dihitung nilainya adalah nilai yang hilang). Rata-rata pergerakan berikutnya adalah rata-rata dari dua pengamatan pertama, (4310 4400) 2 4355. Rata-rata pergerakan ketiga adalah Rata-rata pengamatan 2 dan 3, (4400 4000) 2 4200, dan seterusnya. Jika Anda ingin menggunakan rata-rata bergerak dengan panjang 3, tiga nilai dirata-ratakan, bukan dua. Hak Cipta 2016 Minitab Inc. Semua hak dilindungi. Dengan menggunakan situs ini, Anda menyetujui penggunaan cookies untuk analisis dan konten hasil personalisasi. Bacalah kebijakan kamiPendahuluan untuk ARIMA: model nonseasonal persamaan peramalan ARIMA (p, d, q): Model ARIMA secara teori adalah kelas model paling umum untuk meramalkan deret waktu yang dapat dibuat menjadi 8220stationary8221 dengan membedakan (jika perlu) , Mungkin bersamaan dengan transformasi nonlinier seperti penebangan atau pengosongan (jika perlu). Variabel acak yang merupakan deret waktu bersifat stasioner jika sifat statistiknya konstan sepanjang waktu. Seri stasioner tidak memiliki tren, variasinya berkisar rata-rata memiliki amplitudo konstan, dan bergoyang secara konsisten. Yaitu pola waktu acak jangka pendeknya selalu terlihat sama dalam arti statistik. Kondisi terakhir ini berarti autokorelasinya (korelasi dengan penyimpangannya sendiri dari mean) tetap konstan dari waktu ke waktu, atau ekuivalen, bahwa spektrum kekuatannya tetap konstan seiring berjalannya waktu. Variabel acak dari bentuk ini dapat dilihat (seperti biasa) sebagai kombinasi antara sinyal dan noise, dan sinyal (jika ada) dapat menjadi pola pengembalian cepat atau lambat, atau osilasi sinusoidal, atau alternasi cepat pada tanda , Dan itu juga bisa memiliki komponen musiman. Model ARIMA dapat dilihat sebagai model 8220filter8221 yang mencoba memisahkan sinyal dari noise, dan sinyal tersebut kemudian diekstrapolasikan ke masa depan untuk mendapatkan perkiraan. Persamaan peramalan ARIMA untuk rangkaian waktu stasioner adalah persamaan linier (yaitu regresi-tipe) dimana prediktor terdiri dari kelambatan variabel dependen dan atau lag dari kesalahan perkiraan. Yaitu: Prediksi nilai Y adalah konstanta dan atau jumlah tertimbang dari satu atau lebih nilai Y dan satu angka tertimbang dari satu atau lebih nilai kesalahan terkini. Jika prediktor hanya terdiri dari nilai Y yang tertinggal, itu adalah model autoregresif murni (8220 self-regressed8221), yang hanyalah kasus khusus dari model regresi dan yang dapat dilengkapi dengan perangkat lunak regresi standar. Sebagai contoh, model autoregresif orde pertama (8220AR (1) 8221) untuk Y adalah model regresi sederhana dimana variabel independennya hanya Y yang tertinggal satu periode (LAG (Y, 1) dalam Statgrafik atau YLAG1 dalam RegresIt). Jika beberapa prediktor tertinggal dari kesalahan, model ARIMA TIDAK merupakan model regresi linier, karena tidak ada cara untuk menentukan error8221 8220last periodier178 sebagai variabel independen: kesalahan harus dihitung berdasarkan periode-ke-periode Saat model dipasang pada data. Dari sudut pandang teknis, masalah dengan menggunakan kesalahan tertinggal sebagai prediktor adalah bahwa prediksi model8217 bukanlah fungsi linear dari koefisien. Meskipun mereka adalah fungsi linier dari data masa lalu. Jadi, koefisien pada model ARIMA yang mencakup kesalahan tertinggal harus diestimasi dengan metode optimasi nonlinier (8220 climb-climbing8221) daripada hanya dengan memecahkan sistem persamaan. Akronim ARIMA adalah singkatan Auto-Regressive Integrated Moving Average. Lags dari rangkaian stasioner dalam persamaan peramalan disebut istilah quotautoregressivequot, kelambatan kesalahan perkiraan disebut istilah kuotasi rata-rata quotmoving average, dan deret waktu yang perlu dibedakan untuk dijadikan stasioner disebut versi seri integimental dari seri stasioner. Model random-walk dan random-trend, model autoregresif, dan model pemulusan eksponensial adalah kasus khusus model ARIMA. Model ARIMA nonseasonal diklasifikasikan sebagai model quotARIMA (p, d, q) quot, di mana: p adalah jumlah istilah autoregresif, d adalah jumlah perbedaan nonseasonal yang diperlukan untuk stasioneritas, dan q adalah jumlah kesalahan perkiraan yang tertinggal dalam Persamaan prediksi Persamaan peramalan dibangun sebagai berikut. Pertama, izinkan y menunjukkan perbedaan D dari Y. yang berarti: Perhatikan bahwa perbedaan kedua Y (kasus d2) bukanlah selisih 2 periode yang lalu. Sebaliknya, ini adalah perbedaan pertama-perbedaan-dari-pertama. Yang merupakan analog diskrit turunan kedua, yaitu akselerasi lokal dari seri daripada tren lokalnya. Dalam hal y. Persamaan peramalan umum adalah: Disini parameter rata-rata bergerak (9528217s) didefinisikan sehingga tanda-tanda mereka negatif dalam persamaan, mengikuti konvensi yang diperkenalkan oleh Box dan Jenkins. Beberapa penulis dan perangkat lunak (termasuk bahasa pemrograman R) mendefinisikannya sehingga mereka memiliki tanda plus. Bila nomor aktual dicolokkan ke dalam persamaan, tidak ada ambiguitas, tapi penting untuk mengetahui konvensi mana yang digunakan perangkat lunak Anda saat Anda membaca hasilnya. Seringkali parameter dilambangkan dengan AR (1), AR (2), 8230, dan MA (1), MA (2), 8230 dll. Untuk mengidentifikasi model ARIMA yang sesuai untuk Y. Anda memulai dengan menentukan urutan differencing (D) perlu membuat stasioner seri dan menghilangkan fitur musiman musiman, mungkin bersamaan dengan transformasi yang menstabilkan varians seperti penebangan atau pengapuran. Jika Anda berhenti pada titik ini dan meramalkan bahwa rangkaian yang berbeda adalah konstan, Anda hanya memiliki model acak berjalan atau acak acak. Namun, rangkaian stationarized masih memiliki kesalahan autokorelasi, menunjukkan bahwa beberapa jumlah istilah AR (p 8805 1) dan beberapa istilah MA (q 8805 1) juga diperlukan dalam persamaan peramalan. Proses penentuan nilai p, d, dan q yang terbaik untuk rangkaian waktu tertentu akan dibahas di bagian catatan selanjutnya (yang tautannya berada di bagian atas halaman ini), namun pratinjau beberapa jenis Model ARIMA nonseasonal yang biasa dijumpai diberikan di bawah ini. ARIMA (1,0,0) model autoregresif orde pertama: jika seri stasioner dan autokorelasi, mungkin dapat diprediksi sebagai kelipatan dari nilai sebelumnya, ditambah konstanta. Persamaan peramalan dalam kasus ini adalah 8230 yang Y regresi pada dirinya sendiri tertinggal oleh satu periode. Ini adalah model konstanta 8220ARIMA (1,0,0) constant8221. Jika mean Y adalah nol, maka istilah konstan tidak akan disertakan. Jika koefisien kemiringan 981 1 positif dan kurang dari 1 besarnya (harus kurang dari 1 dalam besaran jika Y adalah stasioner), model tersebut menggambarkan perilaku rata-rata pada nilai periodisasi berikutnya yang diperkirakan akan menjadi 981 1 kali sebagai Jauh dari mean sebagai nilai periode ini. Jika 981 1 negatif, ia memprediksi perilaku rata-rata dengan alternasi tanda, yaitu juga memprediksi bahwa Y akan berada di bawah rata-rata periode berikutnya jika berada di atas rata-rata periode ini. Dalam model autoregresif orde kedua (ARIMA (2,0,0)), akan ada istilah Y t-2 di sebelah kanan juga, dan seterusnya. Bergantung pada tanda dan besaran koefisien, model ARIMA (2,0,0) bisa menggambarkan sistem yang pembalikan rata-rata terjadi dengan mode sinusoidal oscillating, seperti gerak massa pada pegas yang mengalami guncangan acak. . ARIMA (0,1,0) berjalan acak: Jika seri Y tidak stasioner, model yang paling sederhana untuk model ini adalah model jalan acak, yang dapat dianggap sebagai kasus pembatas model AR (1) dimana autoregresif Koefisien sama dengan 1, yaitu deret dengan reversi mean yang jauh lebih lambat. Persamaan prediksi untuk model ini dapat ditulis sebagai: di mana istilah konstan adalah perubahan periode-ke-periode rata-rata (yaitu drift jangka panjang) di Y. Model ini dapat dipasang sebagai model regresi yang tidak mencegat dimana Perbedaan pertama Y adalah variabel dependen. Karena hanya mencakup perbedaan nonseasonal dan istilah konstan, model ini diklasifikasikan sebagai model quotARIMA (0,1,0) dengan konstan. Model random-walk-without - drift akan menjadi ARIMA (0,1, 0) model tanpa ARIMA konstan (1,1,0) model autoregresif orde satu yang terdesentralisasi: Jika kesalahan model jalan acak diobot dengan autokorelasi, mungkin masalahnya dapat diperbaiki dengan menambahkan satu lag variabel dependen ke persamaan prediksi - - yaitu Dengan mengundurkan diri dari perbedaan pertama Y pada dirinya sendiri yang tertinggal satu periode. Ini akan menghasilkan persamaan prediksi berikut: yang dapat diatur ulang menjadi Ini adalah model autoregresif orde pertama dengan satu urutan perbedaan nonseasonal dan istilah konstan - yaitu. Model ARIMA (1,1,0). ARIMA (0,1,1) tanpa perataan eksponensial sederhana: Strategi lain untuk memperbaiki kesalahan autokorelasi dalam model jalan acak disarankan oleh model pemulusan eksponensial sederhana. Ingatlah bahwa untuk beberapa seri waktu nonstasioner (misalnya yang menunjukkan fluktuasi yang bising di sekitar rata-rata yang bervariasi secara perlahan), model jalan acak tidak berjalan sebaik rata-rata pergerakan nilai masa lalu. Dengan kata lain, daripada mengambil pengamatan terbaru sebagai perkiraan pengamatan berikutnya, lebih baik menggunakan rata-rata beberapa pengamatan terakhir untuk menyaring kebisingan dan memperkirakan secara lebih akurat mean lokal. Model pemulusan eksponensial sederhana menggunakan rata-rata pergerakan rata-rata tertimbang eksponensial untuk mencapai efek ini. Persamaan prediksi untuk model smoothing eksponensial sederhana dapat ditulis dalam sejumlah bentuk ekuivalen matematis. Salah satunya adalah bentuk koreksi yang disebut 8220error correction8221, dimana ramalan sebelumnya disesuaikan dengan kesalahan yang dibuatnya: Karena e t-1 Y t-1 - 374 t-1 menurut definisinya, ini dapat ditulis ulang sebagai : Yang merupakan persamaan peramalan ARIMA (0,1,1) - tanpa perkiraan konstan dengan 952 1 1 - 945. Ini berarti bahwa Anda dapat menyesuaikan smoothing eksponensial sederhana dengan menentukannya sebagai model ARIMA (0,1,1) tanpa Konstan, dan perkiraan koefisien MA (1) sesuai dengan 1-minus-alpha dalam formula SES. Ingatlah bahwa dalam model SES, rata-rata usia data dalam prakiraan 1 periode adalah 1 945. yang berarti bahwa mereka cenderung tertinggal dari tren atau titik balik sekitar 1 945 periode. Dengan demikian, rata-rata usia data dalam prakiraan 1-periode-depan model ARIMA (0,1,1) - tanpa konstan adalah 1 (1 - 952 1). Jadi, misalnya, jika 952 1 0,8, usia rata-rata adalah 5. Karena 952 1 mendekati 1, model ARIMA (0,1,1) - tanpa model konstan menjadi rata-rata bergerak jangka-panjang, dan sebagai 952 1 Pendekatan 0 menjadi model random-walk-without-drift. Apa cara terbaik untuk memperbaiki autokorelasi: menambahkan istilah AR atau menambahkan istilah MA Dalam dua model sebelumnya yang dibahas di atas, masalah kesalahan autokorelasi dalam model jalan acak diperbaiki dengan dua cara yang berbeda: dengan menambahkan nilai lag dari seri yang berbeda Ke persamaan atau menambahkan nilai tertinggal dari kesalahan perkiraan. Pendekatan mana yang terbaik Aturan praktis untuk situasi ini, yang akan dibahas lebih rinci nanti, adalah bahwa autokorelasi positif biasanya paling baik ditangani dengan menambahkan istilah AR ke model dan autokorelasi negatif biasanya paling baik ditangani dengan menambahkan MA istilah. Dalam deret waktu bisnis dan ekonomi, autokorelasi negatif sering muncul sebagai artefak differencing. (Secara umum, differencing mengurangi autokorelasi positif dan bahkan dapat menyebabkan perubahan dari autokorelasi positif ke negatif.) Jadi, model ARIMA (0,1,1), di mana perbedaannya disertai dengan istilah MA, lebih sering digunakan daripada Model ARIMA (1,1,0). ARIMA (0,1,1) dengan perataan eksponensial sederhana konstan dengan pertumbuhan: Dengan menerapkan model SES sebagai model ARIMA, Anda benar-benar mendapatkan fleksibilitas. Pertama, perkiraan koefisien MA (1) dibiarkan negatif. Ini sesuai dengan faktor pemulusan yang lebih besar dari 1 dalam model SES, yang biasanya tidak diizinkan oleh prosedur pemasangan model SES. Kedua, Anda memiliki pilihan untuk memasukkan istilah konstan dalam model ARIMA jika Anda mau, untuk memperkirakan tren nol rata-rata. Model ARIMA (0,1,1) dengan konstanta memiliki persamaan prediksi: Prakiraan satu periode dari model ini secara kualitatif serupa dengan model SES, kecuali bahwa lintasan perkiraan jangka panjang biasanya adalah Garis miring (kemiringannya sama dengan mu) bukan garis horizontal. ARIMA (0,2,1) atau (0,2,2) tanpa pemulusan eksponensial linier konstan: Model pemulusan eksponensial linier adalah model ARIMA yang menggunakan dua perbedaan nonseason dalam hubungannya dengan persyaratan MA. Perbedaan kedua dari seri Y bukan hanya perbedaan antara Y dan dirinya tertinggal dua periode, namun ini adalah perbedaan pertama dari perbedaan pertama - i. Perubahan perubahan Y pada periode t. Jadi, perbedaan kedua Y pada periode t sama dengan (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Perbedaan kedua dari fungsi diskrit sama dengan turunan kedua dari fungsi kontinyu: ia mengukur kuotasi kuadrat atau quotcurvaturequot dalam fungsi pada suatu titik waktu tertentu. Model ARIMA (0,2,2) tanpa konstan memprediksi bahwa perbedaan kedua dari rangkaian sama dengan fungsi linier dari dua kesalahan perkiraan terakhir: yang dapat disusun ulang sebagai: di mana 952 1 dan 952 2 adalah MA (1) dan MA (2) koefisien. Ini adalah model pemulusan eksponensial linear umum. Dasarnya sama dengan model Holt8217s, dan model Brown8217s adalah kasus khusus. Ini menggunakan rata-rata pergerakan tertimbang eksponensial untuk memperkirakan tingkat lokal dan tren lokal dalam rangkaian. Perkiraan jangka panjang dari model ini menyatu dengan garis lurus yang kemiringannya bergantung pada tren rata-rata yang diamati menjelang akhir rangkaian. ARIMA (1,1,2) tanpa perataan eksponensial eksponensial yang terfragmentasi. Model ini diilustrasikan pada slide yang menyertainya pada model ARIMA. Ini mengekstrapolasikan tren lokal di akhir seri namun meratakannya pada cakrawala perkiraan yang lebih panjang untuk memperkenalkan catatan konservatisme, sebuah praktik yang memiliki dukungan empiris. Lihat artikel di quotWhy the Damped Trend karyaquot oleh Gardner dan McKenzie dan artikel quotGolden Rulequot oleh Armstrong dkk. Untuk rinciannya. Umumnya disarankan untuk tetap berpegang pada model di mana setidaknya satu dari p dan q tidak lebih besar dari 1, yaitu jangan mencoba menyesuaikan model seperti ARIMA (2,1,2), karena hal ini cenderung menyebabkan overfitting. Dan isu-isu kuotom-faktorquot yang dibahas secara lebih rinci dalam catatan tentang struktur matematis model ARIMA. Implementasi Spreadsheet: Model ARIMA seperti yang dijelaskan di atas mudah diterapkan pada spreadsheet. Persamaan prediksi adalah persamaan linier yang mengacu pada nilai-nilai masa lalu dari rangkaian waktu asli dan nilai kesalahan masa lalu. Dengan demikian, Anda dapat membuat spreadsheet peramalan ARIMA dengan menyimpan data di kolom A, rumus peramalan pada kolom B, dan kesalahan (data minus prakiraan) di kolom C. Rumus peramalan pada sel biasa di kolom B hanya akan menjadi Ekspresi linier yang mengacu pada nilai pada baris sebelumnya kolom A dan C, dikalikan dengan koefisien AR atau MA yang sesuai yang tersimpan dalam sel di tempat lain pada spreadsheet. Bagaimana Menggunakan A Moving Average Untuk Membeli Saham Moving Average (MA) adalah teknik sederhana Alat analisis yang menghaluskan data harga dengan menciptakan harga rata-rata yang terus diperbarui. Rata-rata diambil selama periode waktu tertentu, seperti 10 hari, 20 menit, 30 minggu, atau periode waktu yang dipilih trader. Ada keuntungan menggunakan rata-rata bergerak dalam trading Anda, juga pilihan pada jenis moving average yang akan digunakan. Strategi rata-rata bergerak juga populer dan dapat disesuaikan dengan kerangka waktu, sesuai dengan investor jangka panjang dan pedagang jangka pendek. (Lihat Empat Indikator Teknik Paling Top yang Perlu Diketahui.) Mengapa Menggunakan Moving Average Rata-rata bergerak dapat membantu mengurangi jumlah kebisingan pada grafik harga. Lihatlah arah rata-rata bergerak untuk mendapatkan ide dasar dari arah mana harga bergerak. Angled naik dan harga bergerak naik (atau baru-baru ini) secara keseluruhan, miring ke bawah dan harga bergerak turun secara keseluruhan, bergerak ke samping dan harganya cenderung dalam kisaran tertentu. Rata-rata bergerak juga bisa bertindak sebagai support atau resistance. Dalam uptrend, moving average 50 hari, 100 hari atau 200 hari dapat bertindak sebagai level support, seperti yang ditunjukkan pada gambar di bawah ini. Ini karena rata-rata bertingkah seperti lantai (support), jadi harga memantul dari situ. Dalam tren turun, rata-rata bergerak bisa bertindak sebagai resistance seperti plafon, harga akan menyentuh dan kemudian mulai turun lagi. Harga tidak selalu menghormati rata-rata bergerak dengan cara ini. Harga bisa berjalan sedikit atau berhenti dan mundur sebelum mencapainya. Sebagai pedoman umum, jika harga di atas rata-rata bergerak trennya sudah habis. Jika harga di bawah rata-rata bergerak tren turun. Moving averages dapat memiliki panjang yang berbeda sekalipun (dibahas segera), jadi orang mungkin mengindikasikan uptrend sementara yang lain mengindikasikan adanya tren turun. Jenis Moving Averages Rata-rata bergerak dapat dihitung dengan cara yang berbeda. Rata-rata pergerakan sederhana lima hari (SMA) hanya menambahkan lima harga penutupan harian terakhir dan membaginya menjadi lima untuk menciptakan rata-rata baru setiap hari. Setiap rata-rata terhubung ke yang berikutnya, menciptakan garis mengalir tunggal. Tipe moving average yang populer lainnya adalah moving average eksponensial (EMA). Perhitungannya lebih kompleks namun pada dasarnya menerapkan bobot lebih terhadap harga terbaru. Plot SMA 50 hari dan EMA 50 hari pada tabel yang sama, dan Anda akan melihat EMA bereaksi lebih cepat terhadap perubahan harga daripada SMA, karena penambahan bobot pada data harga terkini. Charting platform software dan trading melakukan perhitungan, jadi tidak ada matematika manual yang dibutuhkan untuk menggunakan MA. Salah satu jenis MA isnt lebih baik dari yang lain. EMA dapat bekerja lebih baik di pasar saham atau keuangan untuk sementara waktu, dan di lain waktu SMA dapat bekerja lebih baik. Kerangka waktu yang dipilih untuk rata-rata bergerak juga akan memainkan peran penting dalam seberapa efektifnya (terlepas dari jenisnya). Panjang Rata-rata Bergerak Panjang rata-rata bergerak rata-rata adalah 10, 20, 50, 100 dan 200. Panjang ini dapat diterapkan pada kerangka waktu grafik (satu menit, harian, mingguan, dll), tergantung pada cakrawala perdagangan pedagang. Kerangka waktu atau panjang yang Anda pilih untuk rata-rata bergerak, juga disebut masa belakang, dapat memainkan peran besar dalam seberapa efektifnya. MA dengan kerangka waktu singkat akan bereaksi lebih cepat terhadap perubahan harga daripada MA dengan jangka waktu pengembalian yang panjang. Pada gambar di bawah rata-rata pergerakan 20 hari lebih dekat melacak harga sebenarnya daripada 100 hari. 20 hari mungkin bermanfaat analitis bagi trader jangka pendek karena mengikuti harga lebih dekat, dan karena itu menghasilkan lebih sedikit lag daripada moving average jangka panjang. Lag adalah waktu yang dibutuhkan untuk moving average untuk menandakan pembalikan potensial. Ingat, sebagai pedoman umum, bila harga di atas rata-rata bergerak, trennya akan dianggap naik. Jadi ketika harga turun di bawah rata-rata bergerak itu menandakan pembalikan potensial berdasarkan MA tersebut. Rata-rata pergerakan 20 hari akan menghasilkan lebih banyak sinyal pembalikan daripada rata-rata pergerakan 100 hari. Rata-rata bergerak bisa panjang, 15, 28, 89, dll. Menyesuaikan rata-rata bergerak sehingga memberikan sinyal yang lebih akurat mengenai data historis dapat membantu menciptakan sinyal masa depan yang lebih baik. Strategi Perdagangan - Crossover Crossover adalah salah satu strategi rata-rata bergerak utama. Tipe pertama adalah crossover harga. Ini telah dibahas sebelumnya, dan saat harga melintasi di atas atau di bawah rata-rata bergerak untuk memberi sinyal perubahan potensial dalam tren. Strategi lainnya adalah menerapkan dua moving averages ke chart, satu lagi dan satu lebih pendek. Bila MA yang lebih pendek menyilang di atas MA jangka panjang dengan sinyal beli karena mengindikasikan tren sedang bergeser ke atas. Ini dikenal sebagai salib emas. Bila MA yang lebih pendek menyilang di bawah MA jangka panjang dengan sinyal sell karena mengindikasikan trend sedang bergeser turun. Ini dikenal sebagai deaddeath cross Moving averages dihitung berdasarkan data historis, dan tidak ada perhitungan yang bersifat prediktif. Oleh karena itu hasil menggunakan moving averages dapat acak - kadang-kadang pasar nampaknya menghormati dukungan MA dan sinyal perdagangan. Dan lain kali hal itu tidak menunjukkan rasa hormat. Salah satu masalah utama adalah bahwa jika aksi harga menjadi berombak harga mungkin berayun maju mundur menghasilkan sinyal reversaltrade beberapa tren. Bila ini terjadi yang terbaik untuk minggir atau memanfaatkan indikator lain untuk membantu memperjelas tren. Hal yang sama dapat terjadi dengan perpindahan MA, di mana MA mengalami kesulitan untuk periode tertentu yang memicu banyak (menyukai kehilangan) perdagangan. Moving averages bekerja dengan baik dalam kondisi tren yang kuat, namun seringkali dalam kondisi berombak atau kurang. Menyesuaikan jangka waktu dapat membantu sementara ini, walaupun pada beberapa titik isu-isu ini kemungkinan akan terjadi terlepas dari kerangka waktu yang dipilih untuk MA (s). Rata-rata bergerak menyederhanakan data harga dengan meratakannya dan menciptakan satu garis yang mengalir. Hal ini dapat membuat tren mengisolasi lebih mudah. Rata-rata pergerakan eksponensial bereaksi lebih cepat terhadap perubahan harga daripada rata-rata pergerakan sederhana. Dalam beberapa kasus ini mungkin bagus, dan pada orang lain hal itu dapat menyebabkan sinyal palsu. Moving averages dengan jangka waktu peninjauan kembali yang lebih pendek (20 hari, misalnya) juga akan merespon perubahan harga lebih cepat daripada rata-rata dengan jangka waktu tampilan lebih lama (200 hari). Melewati crossover rata-rata adalah strategi populer untuk entri dan keluar. MA juga bisa menyoroti area yang berpotensi mendapat support atau resistance. Meskipun ini mungkin tampak prediktif, rata-rata bergerak selalu didasarkan pada data historis dan hanya menunjukkan harga rata-rata selama periode waktu tertentu.