चलती - औसत - मौसमी सूचकांक

औसत चल रहा है। यह उदाहरण आपको सिखाता है कि Excel में एक समय श्रृंखला की चलती औसत की गणना कैसे की जा सकती है एक चलती औसत का प्रयोग रुझानों को आसानी से पहचानने के लिए चोटियों और घाटियों को आसानी से करने के लिए किया जाता है। सबसे पहले, हम अपने समय की श्रृंखला देखें। डेटा टैब पर, डेटा विश्लेषण पर क्लिक करें। नोट डेटा विश्लेषण बटन नहीं ढूंढ सकता विश्लेषण टूलपैक ऐड-इन को लोड करने के लिए यहां क्लिक करें। चलना औसत चुनें और OK.4 पर क्लिक करें। इनपुट रेंज बॉक्स में क्लिक करें और सीमा B2 M2 चुनें। 5 अंतराल बॉक्स में क्लिक करें और टाइप करें 6.6 आउटपुट रेंज बॉक्स में क्लिक करें और सेल का चयन करें B3.8 इन मानों का ग्राफ़ करें। एक्सप्लैनेशन क्योंकि हम अंतराल को 6 निर्धारित करते हैं, चल औसत औसत पिछले 5 डेटा बिंदुओं का औसत है और वर्तमान डेटा बिंदु, नतीजतन, चोटियों और घाटियों को सुखाया जाता है ग्राफ बढ़ती हुई प्रवृत्ति को दर्शाता है एक्सेल पहले 5 डेटा बिंदुओं के लिए चलती औसत की गणना नहीं कर सकता क्योंकि वहां पर्याप्त पिछले डेटा बिंदु नहीं हैं। दोहराव 2 से 8 अंतराल के लिए दोहराएं और अंतराल 4. सम्मेलन ला अंतराल को रगड़ना, अधिक चोटियों और घाटियों को खत्म कर दिया जाता है छोटे अंतराल, वास्तविक डेटा बिंदुओं के करीब चलती औसत होती है। मौसमी समायोजन और घातीय चौरसाई के स्प्रैडशीट कार्यान्वयन। यह मौसमी समायोजन करने के लिए सीधा है और घातीय लूटने योग्य है एक्सेल का इस्तेमाल करते हुए मॉडल नीचे की स्क्रीन इमेजेस और चार्ट एक स्प्रैडशीट से ली गई हैं, जो स्प्रैडशीट फ़ाइल की एक प्रति प्राप्त करने के लिए, यहां क्लिक करें, गुणक मौसमी समायोजन और रेखीय घातीय चौरसाई को समतल करने के लिए आउटबाउंड मरीन से निम्न त्रैमासिक बिक्री डेटा पर प्रस्तुत किया गया है। रेखीय घातीय चौरसाई के संस्करण का उपयोग यहां प्रदर्शन के प्रयोजनों के लिए किया जाता है ब्राउन का संस्करण, केवल इसलिए कि इसे सूत्रों के एक स्तंभ के साथ लागू किया जा सकता है और अनुकूलन के लिए केवल एक ही चौरसाई स्थिरता है आमतौर पर होल्ट के संस्करण का उपयोग करना बेहतर है उस स्तर और प्रवृत्ति के लिए अलग-अलग चौरसाई स्थिरांक हैं या तो पहली बार डेटा को मौसम रूप से समायोजित किया जाता है Ii फिर अनुमानित रूप से रेखीय घातीय चौरसाई के माध्यम से मौसमी समायोजित डेटा के लिए उत्पन्न होते हैं और अंत में मौसमी समायोजित पूर्वानुमान को मूल श्रृंखला के लिए पूर्वानुमान प्राप्त करने के लिए शोध किया जाता है मौसमी समायोजन प्रक्रिया कॉलम डी में जी के माध्यम से की जाती है मौसमी समायोजन में पहला कदम स्तंभ डी में यहां पर केंद्रित एक केंद्रित चलती औसत की गणना करना है यह दो एक वर्ष चौड़ा औसत की औसत ले कर किया जा सकता है जो एक दूसरे के सापेक्ष एक अवधि से भर जाता है दो ऑफसेट का एक संयोजन मौसम की संख्या के लिए एक औसत के बजाय औसत की आवश्यकता होती है, जब मौसम की संख्या भी होती है, अगले चरण में अनुपात को बढ़ने के लिए अनुपात की गणना करना है - मूल अवधि को हर अवधि में चलती औसत से विभाजित किया जाता है - जो यहां पर किया जाता है स्तंभ ई यह पैटर्न के प्रवृत्ति चक्र घटक भी कहा जाता है, प्रवृत्ति के रूप में और व्यापार-चक्र प्रभाव के रूप में माना जा सकता है कि यह सब अवशेष पूरे वर्ष के मूल्य के आंकड़ों पर औसत दर्जे का बेशक, महीने-दर-महीनों के परिवर्तन जो मौसम की वजह से नहीं होते हैं कई अन्य कारकों द्वारा निर्धारित किए जा सकते हैं, लेकिन 12 महीने की औसत उन्हें काफी हद तक चिकनी बनाता है अनुमानित मौसमी सूचकांक प्रत्येक सीज़न के लिए उस विशेष सीज़न के लिए पहले सभी अनुपातों की गणना की जाती है, जो एएसईईएफ़एफ़ फार्मूला का उपयोग करके जी 3-जी 6 कोशिकाओं में किया जाता है। औसत अनुपात फिर पुन: सहेज दिए जाते हैं ताकि वे एक सीजन में 100 गुणा की संख्या के बराबर हो, या इस मामले में 400, जो कॉलम एफ के नीचे एच 3-एच 6 कोशिकाओं में किया जाता है, वीएलयूकेयूपी फ़ार्मुलों का उपयोग डेटा तालिका के प्रत्येक पंक्ति में उपयुक्त मौसमी सूचकांक मूल्य को सम्मिलित करने के लिए किया जाता है, वर्ष की चौथी तिमाही के अनुसार यह केन्द्रित चलती है औसतन और मौसमी रूप से समायोजित डेटा इस तरह दिख रहे हैं। नोट करें कि चलती औसत आमतौर पर मौसम समायोजित श्रृंखला का एक चिकना संस्करण जैसा दिखता है, और यह दोनों छोर पर कम है। एक ही एक्सेल फ़ाइल में एक अन्य कार्यपत्रक मौसमी समायोजित डेटा के लिए रैखिक घातीय चौरसाई मॉडल का प्रवर्धन, चौरसाई निरंतर अल्फा के लिए कॉलम जीए मान से शुरुआत पूर्वानुमान कॉलम के ऊपर सेल H9 में दर्ज किया जाता है, और सुविधा के लिए इसे श्रेणी नाम अल्फा निर्दिष्ट किया जाता है नाम सम्मिलित करें कमांड बनाएं लेस मॉडल को मौसम के समायोजित श्रृंखला के पहले वास्तविक मान के बराबर पहले दो पूर्वानुमान सेट करके आरंभ किया जाता है। एलईएस पूर्वानुमान के लिए यहां इस्तेमाल किया गया सूत्र ब्राउन के मॉडल का एकल-समीकरण रिकर्सिव फॉर्म है। यह सूत्र दर्ज किया गया है यहां तीसरी अवधि के सेल में, सेल H15 और वहाँ से प्रतिलिपि नोटिस है कि वर्तमान अवधि के लिए एलईएस पूर्वानुमान दो पूर्ववर्ती टिप्पणियों और दो पूर्ववर्ती पूर्वानुमान त्रुटियों के साथ-साथ अल्फा के मूल्य के संदर्भ में, पंक्ति 15 में सूत्र का अनुमान केवल उन आंकड़ों को संदर्भित करता है जो पंक्ति 14 और पहले के समय में उपलब्ध थे। बेशक, अगर हम रेखीय घातीय चिकनी के बजाय सरल उपयोग करना चाहते थे एनजी, हम इसके बजाय एसईएस फार्मूला का स्थानापन्न कर सकते हैं हम ब्राउन के एलईएस मॉडल के बजाय होल्ट को भी इस्तेमाल कर सकते हैं, जिसके लिए भविष्य में उपयोग किए जाने वाले स्तर और प्रवृत्ति की गणना के लिए सूत्रों के दो और स्तंभों की आवश्यकता होगी। त्रुटियों की गणना अगले कॉलम यहां, वास्तविक मूल्यों से पूर्वानुमान को घटाकर कॉलम जम्मू रूट का मतलब चुकता त्रुटि को त्रुटियों के भिन्नता के वर्गमूल के रूप में गणना की जाती है, साथ ही इसका अर्थ का वर्ग यह गणितीय पहचान से निम्न एमएसई विविधता त्रुटियों की औसत त्रुटि 2 में इस फार्मूले में त्रुटियों के मतलब और विचलन की गणना, पहले दो अवधियों को बाहर रखा गया है क्योंकि मॉडल वास्तव में स्प्रेडशीट पर तीसरी अवधि की पंक्ति 15 तक पूर्वानुमान नहीं लगाता है अल्फा का इष्टतम मूल्य या तो मैन्युअल रूप से अल्फा को बदलकर न्यूनतम आरएमएसई पाया जाता है, या फिर आप सोलवर का उपयोग सटीक न्यूनतम करने के लिए कर सकते हैं। सॉल्वर का मिला हुआ अल्फ़ा का मूल्य यहां दिखाया गया है अल्फा 0 471. यह आमतौर पर एक अच्छा विचार है ओ बदलकर इकाइयों में मॉडल की त्रुटियों की साजिश कीजिए और एक ही सीजन तक अपने स्वयं के सम्बन्धों की गणना और साजिश रचने के लिए यहां मौसमी समायोजित त्रुटियों की एक समय श्रृंखला की साजिश है। त्रुटि स्वयंसंरचना को कोररेल फ़ंक्शन का उपयोग करके गणना करने के लिए गणना की जाती है। त्रुटियों का सहसंबंध एक या एक से अधिक अवधि तक खुद के साथ झुकाया जाता है - विवरण स्प्रेडशीट मॉडल में दिखाए जाते हैं यह पहली पांच गलतियों में त्रुटियों के स्व-सम्बन्धों की एक साजिश है। 1 से 3 के बीच की स्थिति में स्वायत्त संबंध बहुत शून्य के करीब हैं, लेकिन अंतराल 4 पर स्पाइक जिसका मूल्य 0 35 थोड़ा परेशानी है - यह बताता है कि मौसमी समायोजन प्रक्रिया पूरी तरह से सफल नहीं हुई है, हालांकि, यह वास्तव में केवल मामूली रूप से महत्वपूर्ण 95 महत्त्व बैंड है, यह जांच करने के लिए कि क्या autocorrelations शून्य से काफी अलग हैं, मोटे तौर पर प्लस-या-शून्य 2 एसक्यूआरटी एनके, जहां n नमूना आकार है और कश्मीर है अंतराल यहाँ n है 38 और कश्मीर 1 से 5 के बीच बदलता रहता है, इसलिए वर्ग-के- n - minus-k के आसपास 6 है उनमें से सभी, और इसलिए शून्य से विचलन के सांख्यिकीय महत्व का परीक्षण करने की सीमाएं मोटे तौर पर प्लस-या-शून्य 2 6 या 0 33 हैं यदि आप इस एक्सेल मॉडल में हाथ से अल्फ़ा की कीमत भिन्न करते हैं, तो आप पर प्रभाव देख सकते हैं त्रुटियों की समय श्रृंखला और स्वत: पारस्परिक भूखंड, साथ ही रूट-अर्थ स्क्वायर त्रुटि पर, जो नीचे सचित्र होगा। स्प्रैडशीट के निचले भाग में, भविष्यवाणी सूत्र को वास्तविक मूल्यों के पूर्वानुमान के बदले भविष्य में बूट किया जाता है उस बिंदु पर जहां वास्तविक डेटा खत्म होता है - यानी जहां भविष्य शुरू होता है दूसरे शब्दों में, प्रत्येक सेल में जहां भविष्य का डेटा मान होता है, एक सेल संदर्भ सम्मिलित किया जाता है, जो उस अवधि के लिए किए गए पूर्वानुमान को इंगित करता है अन्य सभी फ़ार्मुले बस ऊपर से नीचे की प्रतिलिपि बनाई गई है.इस बात से कि भविष्य के पूर्वानुमान के लिए सभी त्रुटियों को शून्य माना जाता है इसका मतलब यह नहीं कि वास्तविक त्रुटियां शून्य होंगी, बल्कि यह केवल इस तथ्य को दर्शाता है कि भविष्यवाणी के उद्देश्यों के लिए हम यह सोचते हैं कि भविष्य के आंकड़े औसत पर पूर्वानुमान के बराबर होंगे मौसम के अनुकूल समायोजित डेटा के परिणामस्वरूप एलईएस के पूर्वानुमान इस तरह दिखते हैं। अल्फा के इस विशेष मूल्य के साथ, जो एक अवधि के आगे पूर्वानुमान के लिए उपयुक्त है, अनुमानित प्रवृत्ति थोड़ा ऊपर है, स्थानीय पिछले 2 वर्षों या पिछले अल्पा के अन्य मूल्यों के लिए जो प्रवृत्ति देखी गई थी, एक बहुत अलग प्रवृत्ति प्रक्षेपण प्राप्त किया जा सकता है यह आमतौर पर एक अच्छा विचार है कि अल्फा भिन्न होने पर दीर्घकालिक प्रवृत्ति प्रक्षेपण का क्या होता है, क्योंकि मूल्य यह अल्पकालिक पूर्वानुमान के लिए सबसे अच्छा होगा और अधिक दूर के भविष्य की भविष्यवाणी के लिए जरूरी सबसे अच्छा मूल्य नहीं होगा उदाहरण के लिए, यहां परिणाम प्राप्त किया जाता है, यदि अल्फा का मान मैन्युअल रूप से 0 25 पर सेट है। अनुमानित दीर्घकालिक प्रवृत्ति अब सकारात्मक के बजाय नकारात्मक अल्फा के एक छोटे मूल्य के साथ, मॉडल मौजूदा स्तर और प्रवृत्ति के अपने अनुमान में पुराने डेटा पर और अधिक वजन रख रहा है, और इसके दीर्घकालिक पूर्वानुमान में निम्न रुझान को दर्शाया गया है पिछले 5 वर्षों में अधिक हाल की ऊंचा रुझान की तुलना में यह चार्ट भी स्पष्ट रूप से दिखाता है कि कैसे मॉडल अल्फा के छोटे मूल्य के साथ डेटा में मोड़ बिंदुओं का जवाब देने के लिए धीमा है और इसलिए कई कालों के लिए एक ही संकेत की त्रुटि एक पंक्ति में इसकी 1-कदम-अगली पूर्वानुमान त्रुटियां औसत से अधिक होती हैं, जो 27 4 के बजाय 4 4 के आरएमएसई से पहले प्राप्त की जाती हैं और जोरदार सकारात्मक रूप से स्व-संबंधित हैं। 0 का अंतराल -1 स्व-पारस्परिक संबंध काफी हद तक 0 33 के मान से अधिक है। सांख्यिकीय रूप से महत्वपूर्ण विचलन शून्य से दीर्घकालीन पूर्वानुमानों में अधिक रूढ़िवाद को पेश करने के लिए अल्फा के मूल्य को नीचे क्रेंक करने के विकल्प के रूप में, कुछ समय बाद अनुमानित प्रवृत्ति को समतल करने के लिए एक प्रवृत्ति मृदुकरण कारक को कभी-कभी मॉडल में जोड़ दिया जाता है भविष्यवाणी मॉडल के निर्माण में अंतिम कदम, उचित मौसमी सूचकांकों द्वारा उन्हें बढ़ाकर एलईएस पूर्वानुमानों को तर्कसंगत बनाने के लिए है, इस प्रकार, स्तंभ I में शोधिक पूर्वानुमान कॉलम एफ में मौसमी सूचकांक और स्तंभ एच में मौसमी रूप से समायोजित एलईएस पूर्वानुमानों का उत्पाद केवल यह मॉडल अपेक्षाकृत आसान है, इस मॉडल द्वारा किए गए एक-कदम-आगे पूर्वानुमान के लिए आत्मविश्वास अंतराल की गणना करना पहले आरएमएसई रूट-माध्य-स्क्वेर्ड त्रुटि की गणना करता है, जो एमएसई का सिर्फ वर्गमूल है और फिर आरएमएसई के दो गुणा जोड़कर और घटाकर मौसमी समायोजित पूर्वानुमान के लिए एक आत्मविश्वास अंतराल की गणना करता है सामान्य तौर पर एक अवधि के आगे पूर्वानुमान के लिए 95 आत्मविश्वास अंतराल बिंदु अनुमान प्लस के बराबर होता है - अनुसदा-दो बार पूर्वानुमान त्रुटियों का अनुमानित मानक विचलन, त्रुटि वितरण मानते हुए लगभग सामान्य है और नमूना का आकार काफी बड़ा है, कहते हैं, 20 या अधिक यहां, त्रुटियों के नमूना मानक विचलन की बजाय RMSE है भविष्य की भविष्यवाणी त्रुटियों के मानक विचलन का सबसे अच्छा अनुमान है क्योंकि यह पूर्वाग्रह के रूप में अच्छी तरह से यादृच्छिक भिन्नताओं को खाते में लेता है। मौसमी समायोजित पूर्वानुमान के लिए आत्मविश्वास सीमाएं तो शोधन हैं उचित मौसमी सूचकांक द्वारा उन्हें गुणा करके पूर्वानुमान के साथ alized, इस मामले में आरएमएसई 27 4 के बराबर है और पहले भविष्य की अवधि के लिए मौसमी समायोजित पूर्वानुमान Dec-93 273 2 है, इसलिए मौसम समायोजित 95 विश्वास अंतराल 273 2-2 27 4 218 4 से 273 2 2 27 4 328 0 इन सीमेंटों को दिसंबर की मौसमी सूचकांक 68 61 के द्वारा गुणा करके हम 18 9 4 के दिसंबर -93 बिंदु पूर्वानुमान के चारों ओर 14 9 8 और 225 0 के निचले और उच्च आत्मविश्वास सीमा प्राप्त करते हैं। भविष्यवाणी के लिए विश्वास की सीमा एक से अधिक अवधि आगे आम तौर पर पूर्वानुमान क्षितिज बढ़ जाती है, स्तर और प्रवृत्ति के साथ ही मौसमी कारकों के बारे में अनिश्चितता के कारण बढ़ जाती है, लेकिन विश्लेषणात्मक तरीकों से सामान्य रूप में उनकी गणना करना मुश्किल है। गणना करने का उपयुक्त तरीका एलईएस पूर्वानुमान के लिए आत्मविश्वास सीमा एआरआईएमए सिद्धांत का उपयोग कर रही है, लेकिन मौसमी सूचकांकों में अनिश्चितता एक और मामला है यदि आप एक से अधिक अवधि के पूर्वानुमान के लिए एक वास्तविक विश्वास अंतराल चाहते हैं, तो सभी स्रोतों को ले जायें एफ त्रुटि को ध्यान में रखते हुए, उदाहरण के लिए प्रायोगिक विधियों का उपयोग करना, 2-कदम आगे पूर्वानुमान के लिए विश्वास अंतराल प्राप्त करने के लिए, आप स्प्रेडशीट पर एक और कॉलम बना सकते हैं, जिससे प्रत्येक अवधि के लिए 2-कदम-पूर्व पूर्वानुमान की गणना कर सकें एक कदम आगे पूर्वानुमान bootstrapping तो 2-कदम आगे पूर्वानुमान त्रुटियों के आरएमएसई की गणना और यह 2-कदम-आगे विश्वास अंतराल के लिए आधार के रूप में उपयोग करें.मॉविंग औसत उनका उपयोग कैसे करें। कुछ प्राथमिक कार्यों में से कुछ चलती औसत प्रवृत्तियों की पहचान करना और प्रतिद्वंद्वियों की परिसंपत्ति की गति की ताकत को मापना है और संभावित परिसंपत्तियों का निर्धारण करना है जहां किसी परिसंपत्ति को समर्थन या प्रतिरोध मिल जाएगा। इस खंड में हम देखेंगे कि विभिन्न समय की अवधि गति को कैसे मॉनिटर कर सकती है और कैसे औसत चलती फायदेमंद हो सकता है स्टॉप-लॉसन की स्थापना में, इसके अलावा, हम चलने वाली औसत की कुछ क्षमताओं और सीमाओं को संबोधित करेंगे, जो कि उन्हें व्यापारिक रूटीन ट्रेंड पहचानने वाले रुझान के भाग के रूप में उपयोग करते समय विचार करना चाहिए। मूविंग एवरेज की एनक्शन, जिसका उपयोग ज्यादातर व्यापारियों द्वारा किया जाता है जो इस प्रवृत्ति को बनाने की कोशिश करते हैं, उनका मित्र मूविंग एवरेज घटिया संकेतक हैं, जिसका मतलब है कि वे नए रुझानों की भविष्यवाणी नहीं करते हैं, लेकिन एक बार स्थापित होने के बाद रुझान की पुष्टि करें जैसा कि आप चित्रा 1 में देख सकते हैं, एक स्टॉक को एक अपट्रेंड में माना जाता है जब कीमत एक चलती औसत से ऊपर होती है और औसतन उछाल ऊपर की तरफ है, इसके विपरीत, एक व्यापारी एक डाउनथ्रेंड की पुष्टि करने के लिए नीचे की कीमत का उपयोग करेगा, कई व्यापारियों में केवल एक लंबी स्थिति रखने पर विचार किया जाएगा एक परिसंपत्ति जब कीमत एक चलती औसत से ऊपर कारोबार कर रही है यह सरल नियम यह सुनिश्चित करने में मदद कर सकता है कि यह रुझान व्यापारियों के पक्ष में काम करता है। मज़ेदार कई शुरुआती व्यापारी पूछते हैं कि गति को कैसे मापना संभव है और इस तरह की उपलब्धि से निपटने के लिए चलती औसत कैसे उपयोग किया जा सकता है साधारण उत्तर औसत बनाने के लिए उपयोग किए जाने वाले समयावधि पर करीब ध्यान देना है, क्योंकि प्रत्येक समय अवधि में विभिन्न प्रकार की गति में बहुमूल्य अंतर्दृष्टि प्रदान की जा सकती है सामान्य तौर पर, अल्पावधि मेम नॉटम चलती औसत को देखते हुए देखा जा सकता है जो 20 दिनों या उससे कम समय की अवधि पर ध्यान केंद्रित करता है 20 से 100 दिनों की अवधि के साथ बनाए जाने वाली चलती औसत को देखते हुए आम तौर पर मध्यम-अवधि की गति का एक अच्छा उपाय माना जाता है अंत में, कोई भी चलती है गणना में 100 दिनों या उससे अधिक का उपयोग करने वाले औसत का इस्तेमाल दीर्घकालिक गति के एक उपाय के रूप में किया जा सकता है सामान्य ज्ञान आपको यह बताएगा कि 15 दिन की चलती औसत 200-दिन चलती औसत की तुलना में अल्पकालिक गति का अधिक उचित उपाय है। । संपत्ति के गति की शक्ति और दिशा निर्धारित करने के लिए सर्वोत्तम तरीकों में से एक चार्ट पर तीन चलती औसत डालना है और फिर एक दूसरे के संबंध में कैसे वे ढेर हो जाते हैं, इस पर करीब ध्यान दें कि सामान्यतः उपयोग की जाने वाली तीन चलती औसत अल्पावधि, मध्यम अवधि और लंबी अवधि के मूल्य आंदोलनों का प्रतिनिधित्व करने के प्रयास में अलग-अलग समय सीमाएं, चित्रा 2 में, मजबूत ऊपरी गति को देखा जाता है, जब कम-अवधि की औसत लंबी अवधि की औसत से ऊपर स्थित होती है और दो औसत घ होते हैं इसके विपरीत, जब दीर्घकालिक औसत लंबी अवधि के औसत के नीचे स्थित होते हैं, तो गति नीचे की दिशा में होती है। समर्थन चलती औसत का एक अन्य आम उपयोग संभावित मूल्य का निर्धारण करने में है यह औसत चलती औसत से निपटने में काफी अनुभव नहीं करता यह ध्यान देने के लिए कि परिसंपत्ति की गिरती कीमत अक्सर एक महत्वपूर्ण स्तर के रूप में एक ही स्तर पर निरंतर दिशा बदल जाएगी और उदाहरण के लिए, चित्रा 3 में आप यह देख सकते हैं कि 200 दिन की चलती औसत स्टॉक के बाद की कीमत में वृद्धि करने में सक्षम था यह अपने उच्च पास से गिर गया 32 कई व्यापारियों ने प्रमुख चलती औसतों के बाउंस को बंद करने की आशा की है और अपेक्षित कदम की पुष्टि के रूप में अन्य तकनीकी संकेतकों का उपयोग करेगा। प्रतिसंभव एक बार संपत्ति की कीमत एक प्रभावशाली स्तर के समर्थन से नीचे गिरती है, जैसे कि 200 - दिन की बढ़ती औसत, यह एक असामान्य बाधा है जो निवेशकों को उस औसत से अधिक कीमत वापस करने से रोकता है, के रूप में औसत अधिनियम को देखने के लिए असामान्य नहीं है जैसा कि आप नीचे दिए गए चार्ट से देख सकते हैं अक्सर व्यापारियों द्वारा मुनाफे लेने के लिए या किसी भी मौजूदा लंबे पदों को बंद करने के लिए संकेत के रूप में विरोध किया जाता है। कई लघु विक्रेता भी इन अंकों के प्रवेश अंक के रूप में उपयोग करेंगे, क्योंकि कीमत अक्सर प्रतिरोध को बाउंस करती है और इसके चाल को कम जारी है यदि आप एक निवेशक हैं जो एक परिसंपत्ति में लंबी स्थिति रखता है जो कि प्रमुख चलती औसत से नीचे कारोबार कर रहा है, ये आपके स्तर पर बारीकी से देखने के लिए आपके सर्वोत्तम हित में हो सकता है क्योंकि वे आपके निवेश के मूल्य को बहुत प्रभावित कर सकते हैं। बंद-हानि औसत उन्हें जोखिम के प्रबंधन के लिए एक महान उपकरण बनाते हैं स्टॉप-लॉस ऑर्डर सेट करने के लिए सामरिक स्थानों की पहचान करने की औसत चलने की क्षमता व्यापारियों को किसी भी बड़े बढ़ने से पहले स्थिति खोने में कटौती की अनुमति देता है जैसा कि आप चित्रा 5 में देख सकते हैं, स्टॉक में स्थिति और प्रभावशाली औसत से नीचे उनके स्टॉप-लॉसन ऑर्डर्स को खुद को बहुत ज्यादा पैसा बचा सकते हैं स्टॉप-लॉसन ऑर्डर सेट करने के लिए मूवमेंट एवरेज का उपयोग किसी भी सफल ट्रे के लिए महत्वपूर्ण है डिंग रणनीति