이동 평균

마지막 업데이트: 2022년 6월 14일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
report this ad

이동 평균 (Moving Average) 이란 무엇일까요?

Pixabay

이동 평균 (MA)이란 무엇입니까?

통계에서 이동 평균은 전체 데이터 집합의 여러 하위 집합에 대한 일련의 평균을 만들어 데이터 요소를 분석하는 데 사용되는 계산입니다. 금융에서 이동 평균 (MA)은 기술 분석에 일반적으로 사용되는 주식 지표입니다. 주식의 이동 평균을 계산하는 이유는 지속적으로 업데이트되는 평균 가격을 생성하여 가격 데이터를 평활화하는 데 도움이 됩니다.

이동 평균을 계산하면 지정된 기간 동안 주식 가격에 대한 임의의 단기 변동의 영향이 완화됩니다.

이동 평균 (MA) 이해

이동 평균은 간단한 기술 분석 도구입니다. 이동 평균은 일반적으로 주식의 추세 방향을 식별하거나 지원 및 저항 수준을 결정하기 위해 계산됩니다.

이동 평균의 기간이 길수록 지연이 커집니다. 따라서 200 일 이동 평균은 지난 200 일 동안의 가격을 포함하기 때문에 20 일 이동 평균보다 훨씬 더 많은 지연을 갖습니다. 주식에 대한 50 일 및 200 일 이동 평균 수치는 투자자와 거래자들이 널리 따르며 중요한 거래 신호로 간주됩니다.

이동 평균은 완전히 사용자 정의 가능한 지표이므로 투자자가 평균을 계산할 때 원하는 시간 프레임을 자유롭게 선택할 수 있습니다. 이동 평균에 사용되는 가장 일반적인 기간은 15 일, 20 일, 30 일, 50 일, 100 일 및 200 일입니다. 평균을 생성하는 데 사용되는 시간 범위가 짧을수록 가격 변동에 더 민감해집니다. 시간 범위가 길수록 이동 평균 평균은 덜 민감합니다.

투자자는 거래 목표에 따라 이동 평균을 계산하기 위해 다양한 길이의 다른 기간을 선택할 수 있습니다. 단기 이동 평균은 일반적으로 단기 거래에 사용되는 반면 장기 이동 평균은 장기 투자자에게 더 적합합니다.

이동 평균을 설정할 때 사용할 정확한 시간 프레임이 없습니다. 어떤 것이 가장 적합한 지 알아내는 가장 좋은 방법은 전략에 맞는 기간을 찾을 때까지 다양한 기간을 실험하는 것입니다. 주식 시장의 추세를 예측하는 것은 단순한 과정이 아닙니다. 특정 주식의 미래 움직임을 예측하는 것은 불가능하지만 기술 분석 및 연구를 사용하면 더 나은 예측을 할 수 있습니다.

이동 평균이 상승하면 유가 증권이 상승 추세에 있음을 나타내고 이동 평균이 하락하면 하락 추세에 있음을 나타냅니다. 마찬가지로 상승 모멘텀은 단기 이동 평균이 장기 이동 평균 위로 교차할 때 발생하는 강세 크로스 오버로 확인됩니다. 반대로 하락 모멘텀은 단기 이동 평균이 장기 이동 평균 아래로 교차할 때 발생하는 약세 교차로 확인됩니다.

이동 평균 계산은 그 자체로 유용하지만이 계산은 이동 평균 수렴 발산 (MACD)과 같은 다른 기술적 분석 지표의 기초를 형성할 수도 있습니다.

이동 평균 수렴 발산 (MACD)은 거래자가 두 이동 평균 간의 관계를 모니터링하는 데 사용됩니다. 일반적으로 12 일 지수 이동 평균에서 26 일 지수 이동 평균을 빼서 계산합니다. MACD가 양수이면 단기 평균이 장기 평균 위에 있습니다. 이것은 상승 모멘텀의 표시입니다. 단기 평균이 장기 평균보다 낮으면 모멘텀이 하락하고 있다는 신호입니다. 많은 거래자들은 또한 제로 선 위 또는 아래의 움직임을 지켜 볼 것입니다. 0 위의 움직임은 매수 신호이고, 0 아래의 십자가는 매도 신호입니다.

SMA (단순 이동 평균)라고 하는 가장 단순한 형태의 이동 평균은 주어진 값 집합의 산술 평균을 사용하여 계산됩니다. 즉, 일련의 숫자 (금융 상품의 경우 가격)를 더한 다음 세트의 가격 수로 나눕니다.

지수 이동 평균은 새로운 정보에 대한 반응을 높이기 위해 최근 가격에 더 많은 가중치를 부여하는 이동 평균의 한 유형입니다. EMA를 계산하려면 먼저 특정 기간 동안 단순 이동 평균 이동 평균 (SMA)을 계산해야 합니다.

단순 이동 평균 (SMA) 대 지수 이동 평균 (EMA)

EMA 계산은 최근 데이터 포인트에 더 중점을 둡니다. 이 때문에 EMA는 가중 평균 계산으로 간주됩니다.

아래 그림에서 각 평균에 사용된 기간 수는 15 개로 동일하지만 EMA는 SMA보다 가격 변동에 더 빠르게 대응합니다. 또한 그림에서 가격이 SMA보다 상승할 때 EMA가 더 높은 가치를 갖는 것을 관찰할 수 있습니다 (가격이 하락할 때 SMA보다 빠르게 하락함). 가격 변동에 대한 이러한 반응은 일부 거래자가 SMA보다 EMA를 선호하는 주된 이유입니다.

이동 평균은 SMA 또는 EMA 유형에 따라 다르게 계산됩니다. 아래에서는 15 일 동안 다음과 같은 종가가 있는 유가 증권의 단순 이동 평균 (SMA)을 살펴봅니다.

  • 1 주차 (5 일) : 20, 22, 24, 25, 23
  • 2 주차 (5 일) : 26, 28, 26, 29, 27
  • 3 주차 (5 일) : 28, 30, 27, 29, 28

10 일 이동 평균은 첫 번째 데이터 포인트로 처음 10 일 동안의 종가를 평균화합니다. 다음 데이터 포인트는 가장 이른 가격을 낮추고 11 일에 가격을 더한 다음 평균을 취합니다.

이동 평균 지표의 예

볼린저 Band® 기술 지표 밴드는 일반적으로 상단 밴드로 이동하면 자산이 과매수되고 있음을 의미하고 하단 밴드로 이동하면 자산이 과매도되고 있음을 나타냅니다. 표준 편차는 변동성의 통계적 척도로 사용되기 때문에 이 지표는 시장 상황에 맞게 조정됩니다.

단순 이동 평균 (Simple Moving Average : SMA) 이란 무엇일까요?

단순 이동 평균 (SMA)이란 무엇입니까? 단순 이동 평균 (SMA)은 선택한 가격 범위 (일반적으로 종가)의 평균을 해당 범위의 기간 수로 계산합니다. 단순 이동 평균 (SMA)의 이해 단순 이동 평균 (SMA)은

인간 디버거의 로그 찍기

1) 시계열 자료, < Y(T) >가 있을 때 예측시점(T)에서 차기시점(T+1)의 예측값, F(T+1)로 나타내고, 예측시점에서 가지고 있는 과거 자료들의 평균을 차기시점의 예측값으로 한다.

2) 평균을 예측의 방법으로 적용시킬 수 있는 시꼐열자료는 추세(trend)도 없고 계절성(seasonality)도 없는 시계열 자료가 적합

3) 단순평균방법에서 사용되는 자료의 수가 많으면 많을수록 안정적(stable)인 평균값이 얻어지기 때문에 평균을 이용할 경우 좋은 예측값 가능

4) 시계열자료가 추세나 계절성이 있을 경우 또는 어느 시점에 급격히 변화하는 모습이 나타낸다면 평균의 방법으로 좋은 예측값 기대 불가

=> 단순평균법은 관측된 모든 시계열자료를 이용해서 새로운 자료가 추가되어도 단순평균값에 크게 영향을 주지 못함, 따라서 가장 많이 영향을 주는 최근 자료의 정보가 예측에 기여하는 기여울이 상대적으로 낮아짐. 이러한 문제점을 보완하기 위해 단순이동평균법, 단순지수평활법등이 주로 사용됨

단순이동평균방법

1) 단순이동평균방법이란 시계열자료가 충분히 확보되어 있을 경우, 일정한 수의 자료들을 평균하여 예측하는 방법이다.

2) 최근 일정기간 동안(m:기간)의 시계열의 단순평균을 구하여 미래를 예측하는 방법이다.

3) 예측시점을 기준으로 과거 일정한 개수의 자료들 평균을 다음 시점의 예측값으로 이동 평균 사용하는 방법이다.

4) 예측시점(T)을 기준으로 과거 몇 개의 자료로써 평균을 얻는 주기(N)이 결정되면, 다음과 같은 방법으로 이동평균(Moving Average:MA)을 얻을 수 있다.

5) 위 표처럼 시점(T, T+1, T+2)에서 각각 시점 ( T+1, T+2, T+3)의 예측값 ( F(T+1), F(T+2), F(T+3) )을 얻는데 각 시점에서부터 과거 N개의 자료들을 평균하여 예측하는 방법이다.

6) 주기 N은 시계열의 성격에 따라 다양하게 결정가능하며, 주기가 N인 단순이동평균방법(PMA)을 MA(N)이라 표현한다.

7) 단순이동평균방법도 시계열자료가 추세를 갖고 있을 경우에 부적절하다.

- MA(1)는 현재 시점(T)의 시계열 값으로 다음 시점(T+1)의 시계열 자료를 예측한다는 것

- MA(4)는 분기별 자료에 대해 사용할 수 있는데, 4개의 자료들 평균을 얻으면 분기마다 가지고 있는 계절효과가 제거됨

- 단순이동평균방법처럼 분기별로 나타나는 시계열자료의 평균값을 다음 시점의 예측값으로 한다는 것은 추세나 계절효과를 나타내기에 바람직하지 않음 --> 중심화 이동평균방법으로 시계열자료들의 요소 파악이 가능해짐

9) 많은 자료들의 평균을 내어서 예측값으로 사용한다는 것은 그 기간 동안의 크고 작은 값들이 많이 상쇄되기 때문에 주기를 크게 하면 할수록 시계열자료를 부드럽게 하는 효과가 있음

MA(3), MA(4)의 예시

10) 시점 (T+2)의 예측값은 F(T+1)을 (Y(T+1) - Y(Y-(N-1))) / N만큼 조정한 것이라는 의미이고, 즉 N이 상당히 크다면 F(T+2)이동 평균 는 F(T+1)과 큰 차이를 보이지 않을 것이다.

중심화 이동평균방법

1) 단순이동평균방법에서는 주기가 3인 이동평균을 계산할 때, 시점 1-2-3의 이동평균값이 시점 4의 예측값이 되지만 계절적인 변동이 있을 경우 시점 1-2-3의 이동평균은 계절변동을 상쇄한 것이므로 이동평균값의 위치를 시점 1-2-3의 중심인 시점 2에 위치시는 것이 바람직한데 이를 중심화 이동평균방법이라고 한다.

2) 즉, 주기 N의 이동편균값의 위치를 N기간의 가운데로 이동하는 것이다.

3) N이 짝수인 경우 중심위치를 정할 수 없기 때문에 N/2번째 이동평균값과 N/2+1번째 이동평균값의 평균을 구하여 N/2+1번째 위치에 놓는다.

4) N이 홀수인 경우 이동평균값의 위치를 N/2번째 위치에 놓는다.

ex 이동 평균 > 시점 1~4의 이동평균값과 시점 2~5의 이동평균값의 평균 시점 3에 위치시킴

비교

- 단순이동평균방법의 주기가 3, 5인 경우에서 시계열 자료의 예측결과이다.

=> 주기가 큰 MA(5)가 MA(3)보다는 부드러운 예측값들의 곡선을 나타내고 있음을 볼 수 있고, 두 가지 예측방법의 여러 이동 평균 가지 정확도 값들을 비교해볼 때, 모든 척도 값에서 MA(5)가 MA(3) 보다는 척도가 작기 때문에 좋은 예측방법이라고 볼 수 있다.

- 중심화이동평균방법의 주기가 3, 5인 경우에서 시계열 자료의 예측결과이다.

=> 이동평균의 주기를 5로 했을 때보다 3으로 했을 때 원 시계열자료에 접근되어 있는 예측값들이 얻어짐을 알 수 있고, 또한 중심화시키지 않은 경우보다도 훨씬 예측이 잘 되어 있는 것을 알 수 있다.

선형이동평균방법

1) 앞에 있는 방법들은 시계열자료가 어떤 추세를 보이고 있을 경우 적당한 예측방법이 될 수 없기 때문에 추세가 있는 경우 선형이동평균방법(linear moving average method)을 사용하는 것이 바람직하다.

=> 시점이 2만큼 증가하는 추세가 있는 경우 시계열자료 주기 3의 단순이동평균방법을 적용시켜 예측할 경우 오차가 동일하게 4가 나오고 이는 체계적 오차에 해당된다.

2) 선형이동평균방법은 이동평균값들을 다시 이동평균하여 얻어진 값들로 예측하는 방법이다. 따라서 선형이동평균방법을 반복(또는 이중)이동평균방법이라고 이동 평균 하며 주기가 N인 이동평균값들을 다시 주기 N으로 반복하여 이동평균하는 방법으로서, 그 결과를 MA(N X N)으로 표현한다.

이동평균(Moving Average) - SMA, EMA, LWMA···

하드웨어 신호처리를 하다 나온 이동평균과 관련해서 몇 가지를 정리해 본 것인데, 하드웨어보다는 주식 같은 분야에서 더 많이 쓰이는듯하다.

이동평균(Moving Average)이란 2개 이상의 연속된 데이터 값의 평균을 연속적으로 계산해내는 평균화 방법이다.

전 구간을 대상으로 평균을 산출하는 방법은 적절하지 않으므로, 평균을 산출할 데이터의 구간(지난 2시간의 데이터, 최신 데이터 200개···)을 정한 후, 구간 안의 데이터로만 평균을 낸다.

SMA(Simple Moving Average) - 단순이동평균

주어진 이동 평균 구간에서의 평균을 산출하는 가장 단순한 계산 방법이다.

LWMA(Linearly Weighted Moving Average) - 선형가중이동평균

SMA의 느린 반응속도를 보완할 수 있는 계산방법으로, 최근 데이터일수록 더 큰 가중치를 부여하여 평균을 구하는 방식이다.

예를 들어 10개의 데이터를 대상으로 EMA를 구한다면, 가장 최근의 데이터에는 10을 곱해주고, 그 다음 부터는 9, 8, 7…을 곱해주는 방식이다.

EMA(Exponential Moving Average) - 지수이동평균

LWMA처럼 최신 데이터에 더 높은 가중치를 부여하여 오래된 값의 가중치를 낮추는 방법으로, LWMA보다 더 반응속도가 빠르다.

EMA의 공식은 아래와 같다.

data_t는 t 시점에서의 입력 데이터값이다. α는 (0,1) 에서 정의된 상수로, 가중치, 소멸계수 또는 감소인자라고 부른다. α의 값이 높을수록 과거의 데이터를 적게 반영해 더 민감하게 반응하며, α의 값이 낮을떄는 그 반대이다.

value는 데이터값, i는 시점, n은 이동평균기간을 의미한다.

또한 EMA를 2번 돌린 경우 DEMA(Double EMA)가 되며, 3번 돌릴 경우 TEMA(Triple EMA)가 된다.

청색이 본래 신호, 황색이 EMA, 적색이 DEMA 그래프이다.

Python에서 NumPy 배열의 이동 평균

이동 평균은 특정 간격으로 데이터의 평균을 계산하여 시계열 데이터를 연구하는 데 자주 사용됩니다. 단기 변동을 완화하고 데이터의 추세를 연구하는 데 사용됩니다. 단순 이동 평균은 주가 추세를 연구하는 동안 많이 사용됩니다.

가중 이동 평균은 이전 데이터보다 최근 데이터에 더 중점을 둡니다.

아래 그래프는 이동 평균에 대한 더 나은 이해를 제공합니다.

단순 이동 평균

이 튜토리얼에서는 Python에서 numpy 배열의 이동 평균을 구현하는 방법에 대해 설명합니다.

numpy.convolve 방법을 사용하여 NumPy 배열에 대한 이동 평균 계산

convolve() 함수는 신호 처리에 사용되며 두 배열의 선형 컨볼 루션을 반환 할 수 있습니다. 각 단계에서 수행되는 작업은 배열과 현재 창 사이의 내적을 취하고 그 합계를 취하는 것입니다.

다음 코드는 사용자 정의 함수에서이를 구현합니다.

scipy.convolve 방법을 사용하여 NumPy 배열에 대한 이동 평균 계산

scipy.convolve() 함수도 같은 방식으로 사용할 수 있습니다. 조금 더 빠르다고 가정합니다. numpy 모듈을 사용하여 이동 평균을 계산하는 또 다른 방법은 cumsum() 함수를 사용하는 것입니다. 배열의 누적 합계를 계산합니다. 이것은 이동 평균을 계산하는 매우 간단한 비가 중 방법입니다.

다음 코드는이 함수를 사용하여 이동 평균을 반환합니다.

bottleneck 모듈을 사용하여 이동 평균 계산

bottleneck 모듈은 빠른 numpy 메소드의 컴파일입니다. 이 모듈에는 일부 데이터의 이동 평균을 반환 할 수있는 move_mean() 함수가 있습니다.

시간 창 간격이 4이므로 이동 평균을 계산할 수 없기 때문에 처음에 세 개의 nan 값이 있습니다.

pandas 모듈을 사용하여 이동 평균 계산

시계열 데이터는 대부분 pandas DataFrame과 연관됩니다. 따라서 라이브러리는 이러한 데이터에 대해 서로 다른 계산을 수행 할 수 있도록 잘 갖추어져 있습니다.

아래와 같이 rolling() 및 mean() 함수를 사용하여 시계열 데이터의 이동 평균을 계산할 수 있습니다.

먼저 numpy 배열을 시계열 객체로 변환 한 다음 rolling() 함수를 사용하여 롤링 창에서 계산을 수행하고 mean() 함수를 사용하여 이동 평균을 계산합니다.

여기서도 시간 창 간격이 4이기 때문에 이동 평균을 계산할 수 없기 때문에 처음에 세 개의 nan 값이 있습니다.

관련 문장 - Python NumPy

Ezoic

report this ad

이동 평균

시민들이 남산에서 서울시내 아파트 단지의 모습을 구경하고 있다. [사진 출처 = 연합뉴스]

시민들이 남산에서 서울시내 아파트 단지의 모습을 구경하고 있다. [사진 출처 = 연합뉴스]

서울 아파트 평균 전세가격이 하락세로 돌아섰다. 반면 매매에서 전세로 넘어간 수요가 다시 월세로 이전되면서 셋값은 상승세를 이어가고 있다. 이에 사실상 수요자들의 주거비 부담이 커지고 있다는 지적이 나온다.

27일 KB국민은행에 따르면 7월 서울 아파트 평균 전세 보증금은 6억7788만원으로 지난달(6억7792만원)보다 소폭 내렸다. 서울 기준 아파트 평균 전세가가 하락한 것은 지난 2019년 4월 이후 3년 3개월 만이다. 수도권 기준으로도 4억6920만원에서 4억6846만원으로 조정되면서 3년 1개월 만에 하락 전환했다.

한국부동산원 통계를 기준으로도 서울 전세가는 다섯 달 연속 내림세를 나타냈다. 서울 아파트 전세가는 지난 1월 상승 폭이 0.01%로 축소된 후 2월 -0.11%→3월 -0.12%→4월 -0.05%→5월 -0.03%→6월 -0.04% 등 반년 가까이 하락하고 있다.

반면 월세가격은 29개월 연속 오름세를 기록했다. 올해 1월부터 5월까지 1.2% 상승한 것으로 조사됐다. 부동산R114가 최근 1년간 서울 아파트 전·월세전환율(4.1%)을 적용한 환산보증금이 5억9470만원에서 6억189만원으로 719만원(1.2%) 오른 것을 토대로 도출했다.

월세를 찾는 세입자도 증가하고 있다. 올해 상반기 서울에서 체결된 임대차계약 46만4687건 가운데 24만6066건이 월세로 임대차계약서를 작성했다. 전체 거래에서 월세 거래가 차지하는 이동 평균 비중은 53%로 지난해 상반기(42.4%)와 비교해 크게 늘었다.

한국은행의 사상 첫 빅스텝 등 기준금리 인상으로 대출 이자가 증가하고, 집값이 고점이라는 인식이 확산하고 있는 영향으로 풀이된다. 번거롭게 대출을 실행해 높은 수준의 이자를 은행에 내느니 집주인과 상의해 일부분 월세로 돌리는 것이 더 낫다고 판단한 세입자들이 늘어나고 있다. 실제로 온라인 부동산커뮤니티에서는 월 80만원 안팎이었던 주거비가 140만원 수준으로 뛰었다는 호소가 줄을 이었다. 대다수 누리꾼이 집주인과 상의해 보증금을 낮추고 대출 이자보다 저렴한 금액으로 월세를 책정하는 것을 추천하고 있다.

여기에 통상적으로 전세가는 매매가에 연동되기 때문에 집값이 더 낮아질 것이라는 기대감이 커지면서 수요를 위축시키고 있다. 반면 공급은 나날이 증가하고 있다. 아실에 따르면 이날 서울 아파트 전세매물은 3만2053건으로 한 달 전(2만7591건)과 비교해 16.1% 늘었다.

복수의 부동산업계 관계자는 "이 시기가 전통적인 전세 비수기이기는 하지만, 임차인들의 월세 선호 현상이 심화하면서 전세값은 내리고 월세값은 오르고 있는 상황"이며 "세입자들의 주거 부담이 가중될 것이라는 우려가 나오고 있다"고 말했다.

전문가들은 다음 달 계약갱신청구권이 만료되는 세입자들이 신규 임차 수요로 편입되는 만큼 추이를 지켜볼 필요가 있다고 설명했다. 예상했던 전세대란은 일어나지 않을 가능성이 크고, 전세 성수기인 가을철을 맞아 입지가 좋은 단지를 중심으로 수요가 반등할 수 있다고 내다봤다.


0 개 댓글

답장을 남겨주세요