Pasangan forex →

Bagaimana EMA dihitung? (Exponential Moving Average)

Pelajari cara EMA dihitung menggunakan parameter dan kebutuhan data.

Bagaimana EMA dihitung? (Exponential Moving Average)

Jawaban langsung

Exponential Moving Average (EMA) dihitung dengan memperbarui EMA sebelumnya dengan titik data saat ini, menggunakan faktor penghalusan. Dalam bentuk umumnya:

  • Misalkan harga (atau nilai data) pada waktu (t) adalah (x_t).
  • Misalkan EMA pada waktu (t) adalah (EMA_t).
  • Misalkan (\alpha) adalah faktor penghalusan.

Maka:

[EMA_t = \alpha,x_t + (1-\alpha),EMA_{t-1}]

Cara yang banyak digunakan untuk memilih (\alpha) dari “panjang” (n) yang dipilih adalah:

[\alpha = \frac{2}{n+1}]

Untuk memulai rekursi, Anda juga harus memilih nilai awal untuk (EMA_{0}) (atau untuk titik EMA pertama yang Anda hitung), karena rumus tersebut bergantung pada (EMA_{t-1}).

Mekanisme: apa itu EMA dan input apa yang dibutuhkannya

EMA adalah jenis moving average yang memberikan bobot lebih besar pada nilai terbaru daripada nilai yang lebih lama. Berbeda dengan simple moving average yang merata-ratakan jendela berukuran tetap, EMA “mengingat” masa lalu melalui pembaruan rekursif.

Istilah-istilah kunci (dan apa yang terkait dengannya dalam rumus):

  • Deret data (x_t): Ini adalah urutan yang Anda haluskan. Dalam banyak konteks, ini bisa berupa deret harga penutupan, tetapi perhitungannya sendiri hanya mengasumsikan Anda memiliki deret numerik yang diurutkan berdasarkan waktu.
  • Panjang (n): Parameter ini mengontrol seberapa cepat EMA bereaksi terhadap perubahan baru. (n) yang lebih besar umumnya berarti (\alpha) yang lebih kecil dan respons yang lebih lambat; (n) yang lebih kecil berarti (\alpha) yang lebih besar dan respons yang lebih cepat.
  • Faktor penghalusan (\alpha): Ini mengontrol campuran antara nilai saat ini (x_t) dan EMA sebelumnya (EMA_{t-1}).
  • Nilai EMA awal: Karena EMA dihitung langkah demi langkah, nilai EMA pertama yang Anda pilih memengaruhi hasil awal.

Cara kerjanya secara konseptual Setiap langkah menggabungkan:

  • sebagian dari observasi terbaru (x_t), dan
  • sebagian dari EMA sebelumnya (EMA_{t-1}) yang sudah mengandung pengaruh observasi-observasi sebelumnya.

Secara matematis, substitusi berulang menunjukkan bahwa EMA adalah rata-rata tertimbang dari nilai-nilai masa lalu di mana bobot menurun secara eksponensial seiring waktu. Inilah sebabnya EMA bereaksi cepat terhadap perubahan terbaru sambil tetap menghaluskan noise.

Bukti atau contoh: menghitung EMA langkah demi langkah

Di bawah ini adalah contoh kecil dan konkret yang menunjukkan mekanismenya tanpa mengasumsikan data real-time.

Asumsi

  • Pilih panjang (n = 3).
  • Hitung (\alpha = \tfrac{2}{n+1} = \tfrac{2}{4} = 0,5).
  • Gunakan inisialisasi sederhana untuk demonstrasi: tetapkan EMA pertama ke nilai data pertama, (EMA_1 = x_1).
  • Gunakan deret hipotetis (x_1=10,; x_2=12,; x_3=11).

Perhitungan

  1. Inisialisasi:
  • (EMA_1 = x_1 = 10)
  1. Langkah berikutnya ((t=2)):
  • (EMA_2 = \alpha x_2 + (1-\alpha)EMA_1)
  • (EMA_2 = 0,5\cdot 12 + 0,5\cdot 10 = 11)
  1. Langkah berikutnya ((t=3)):
  • (EMA_3 = 0,5\cdot 11 + 0,5\cdot 11 = 11)

Ini mengilustrasikan dua poin praktis:

  • EMA selalu berada di antara nilai saat ini dan EMA sebelumnya ketika (\alpha\in[0,1]).
  • Jika nilai saat ini sama dengan EMA sebelumnya, EMA tetap sama untuk langkah tersebut.

Apa yang dapat mengubah hasil

Bahkan dengan (n) yang sama dan rumus yang sama untuk (\alpha), hasil dapat berbeda jika:

  • Anda menginisialisasi EMA secara berbeda (misalnya, menggunakan simple moving average pertama alih-alih (x_1)),
  • deret data Anda memiliki titik yang hilang (Anda harus memutuskan cara menangani celah),
  • Anda menggunakan konvensi yang berbeda untuk memetakan panjang (n) ke (\alpha) (beberapa sistem menggunakan pemetaan yang setara tetapi tidak identik).

Keterbatasan dan mode kegagalan: apa yang dapat dan tidak dapat dikatakan EMA kepada Anda

EMA adalah mekanisme penghalusan, bukan mesin prediksi.

Keterbatasan material

  1. Keterlambatan (lag) sudah melekat Karena EMA sebagian bergantung pada nilai masa lalu melalui (EMA_{t-1}), EMA bereaksi terhadap perubahan dengan penundaan. EMA yang lebih cepat ((n) lebih kecil, (\alpha) lebih besar) mengurangi keterlambatan tetapi dapat meningkatkan sensitivitas terhadap noise.

  2. Nilai awal bergantung pada inisialisasi EMA memerlukan nilai awal. “Jalur” EMA di dekat awal sampel Anda bergantung pada pilihan tersebut. Jika Anda membandingkan EMA antar sistem, hasilnya mungkin berbeda di awal hanya karena konvensi inisialisasi yang berbeda.

  3. Perubahan non-stasioner dan pergeseran rezim Dalam data yang karakteristik statistiknya berubah seiring waktu (misalnya, volatilitas meningkat), faktor penghalusan yang sama mungkin tidak lagi menghasilkan efek penghalusan yang sama. EMA akan tetap menghitung dengan benar, tetapi interpretasinya dapat berubah.

  4. Kualitas data input itu penting Jika deret (x_t) tidak konsisten (outlier, nilai yang hilang, atau definisi “harga” yang berbeda seperti harga penutupan vs. bidang lain), EMA mencerminkan definisi tersebut. EMA tidak dapat mengoreksi input yang buruk atau tidak konsisten.

Cara memverifikasi perhitungan secara independen

Untuk memverifikasi perhitungan EMA sendiri, Anda hanya perlu:

  • deret input yang sama (x_t),
  • panjang (n) yang sama yang dipilih (atau (\alpha) persis yang digunakan), dan
  • konvensi nilai EMA awal yang sama.

Kemudian Anda dapat menghitung ulang (EMA_t) untuk beberapa (t) berturut-turut menggunakan: [EMA_t = \alpha,x_t + (1-\alpha),EMA_{t-1}] Jika hasil Anda berbeda, penyebab paling umum adalah pemetaan (\alpha) yang tidak cocok, inisialisasi yang berbeda, atau penanganan observasi yang hilang/tambahan yang berbeda.

Verifikasi dan pertanyaan berikutnya

Jika tujuan Anda adalah menafsirkan keluaran EMA, langkah utama berikutnya adalah memahami bagaimana EMA berbeda dari moving average lainnya dan apa yang dilakukan perubahan pengaturan (terutama panjang) terhadap responsivitas. Anda dapat mulai dengan membandingkan EMA dengan rumus moving average lainnya, lalu memeriksa bagaimana faktor penghalusan memengaruhi seberapa cepat EMA mengikuti nilai-nilai baru.

Untuk perbandingan yang lebih mendalam dan efek pengaturan, lihat:

  • tautan internal: /forex-indicators/moving-averages/ema/how-does-ema-differ-from-related-forex-concepts/
  • tautan internal: /forex-indicators/moving-averages/ema/how-do-settings-change-ema/
Perdagangan forex dan CFD memiliki risiko besar. Informasi FoxiForex bersifat edukatif dan bukan nasihat keuangan pribadi. Penempatan bersponsor diberi label dengan jelas.