ลิตร เคลื่อนไหว เฉลี่ย สูตร

ค่าเฉลี่ยเคลื่อนที่ที่ปรับเปลี่ยนได้นำไปสู่ผลลัพธ์ที่ดีขึ้นการย้ายค่าเฉลี่ยเป็นเครื่องมือโปรดของผู้ค้าที่ใช้งานอยู่ อย่างไรก็ตามเมื่อตลาดรวมตัวบ่งชี้นี้จะนำไปสู่การค้า whipsaw จำนวนมากส่งผลให้ชุดที่น่าผิดหวังของการชนะและการสูญเสียขนาดเล็ก นักวิเคราะห์ได้ใช้เวลาหลายทศวรรษในการพยายามปรับปรุงค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย ในบทความนี้เราจะพิจารณาความพยายามเหล่านี้และพบว่าการค้นหาของพวกเขานำไปสู่เครื่องมือการซื้อขายที่มีประโยชน์ ข้อดีและข้อเสียของค่าเฉลี่ยเคลื่อนที่อยู่ที่ Robert Edwards และ John Magee ในฉบับพิมพ์ครั้งแรกของการวิเคราะห์ทางเทคนิคของข้อดีและข้อเสียของการเคลื่อนที่โดยเฉลี่ย แนวโน้มสต็อค เมื่อพวกเขากล่าวว่าและมันก็กลับมาในปี 1941 ที่เรา delightedly ค้นพบ (แม้ว่าหลายคนอื่น ๆ ได้ทำมาก่อน) ว่าโดยค่าเฉลี่ยของข้อมูลสำหรับจำนวนที่ระบุ daysone อาจได้รับมาจัดเรียงของเส้นแนวโน้มอัตโนมัติซึ่งแน่นอนจะตีความการเปลี่ยนแปลงของ แนวโน้มดูเหมือนจะดีเกินจริง เป็นเรื่องที่ดีเกินกว่าที่จะเป็นจริง เอ็ดเวิร์ดและจีได้ทิ้งความฝันของพวกเขาในการซื้อขายจากบังกะโลริมชายหาด แต่ 60 ปีหลังจากที่พวกเขาเขียนคำเหล่านั้นคนอื่น ๆ ยังคงพยายามหาเครื่องมือง่ายๆที่สามารถนำเสนอความมั่งคั่งของตลาดได้อย่างง่ายดาย Simple Moving Averages คำนวณค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ เพิ่มราคาสำหรับช่วงเวลาที่ต้องการและหารด้วยจำนวนงวดที่เลือก การหาค่าเฉลี่ยเคลื่อนที่ห้าวันจะต้องบวกห้าราคาปิดล่าสุดและหารด้วยห้า หากการปิดตัวครั้งล่าสุดอยู่เหนือค่าเฉลี่ยที่เคลื่อนที่สต็อคจะถือว่าอยู่ในแนวโน้ม แนวโน้มขาลงจะถูกกำหนดโดยราคาที่ซื้อขายต่ำกว่าค่าเฉลี่ยเคลื่อนที่ (ดูข้อมูลเพิ่มเติมได้จากคู่มือการใช้งาน Moving Averages ของเรา) คุณสมบัติที่กำหนดแนวโน้มนี้ทำให้สามารถเคลื่อนที่โดยเฉลี่ยเพื่อสร้างสัญญาณการซื้อขายได้ ในการประยุกต์ใช้ที่ง่ายที่สุดผู้ค้าจะซื้อเมื่อราคาเคลื่อนตัวสูงกว่าค่าเฉลี่ยเคลื่อนที่และขายได้เมื่อราคาปิดต่ำกว่าเส้นดังกล่าว วิธีการเช่นนี้มีการประกันที่จะนำผู้ประกอบการค้าที่ด้านขวาของการค้าที่สำคัญทุก อย่างไรก็ตามในขณะที่การปรับให้เรียบข้อมูลค่าเฉลี่ยเคลื่อนที่จะล่าช้าหลังการดำเนินการในตลาดและผู้ประกอบการค้ามักจะให้ผลตอบแทนส่วนใหญ่ในธุรกิจการค้าที่ยิ่งใหญ่ที่สุด ค่าเฉลี่ยเคลื่อนที่ที่มีการแจกแจงนักวิเคราะห์ดูเหมือนว่าจะมีความคิดเกี่ยวกับค่าเฉลี่ยเคลื่อนที่และพยายามใช้เวลาหลายปีในการลดปัญหาที่เกิดจากความล่าช้านี้ หนึ่งในนวัตกรรมเหล่านี้คือค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) วิธีนี้กำหนดให้น้ำหนักที่ค่อนข้างสูงขึ้นกับข้อมูลล่าสุดและส่งผลให้ราคาใกล้เคียงกับการเคลื่อนไหวของราคามากกว่าค่าเฉลี่ยเคลื่อนที่แบบง่ายๆ สูตรคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนา ได้แก่ EMA (Weight Close) ((1-Weight) EMAy) ที่ไหน: น้ำหนักเป็นค่าคงที่ที่ราบเรียบที่นักวิเคราะห์เลือก EMAy เป็นค่าเฉลี่ยเคลื่อนที่แบบเสวนาตั้งแต่วันนี้ค่าการถ่วงน้ำหนักทั่วไปคือ 0.181 ซึ่ง ใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่เฉลี่ย 20 วัน อีกอย่างหนึ่งคือ 0.10 ซึ่งเป็นค่าเฉลี่ยเคลื่อนที่ประมาณ 10 วัน แม้ว่าจะช่วยลดความล่าช้าค่าเฉลี่ยเคลื่อนที่แบบเสวนาไม่สามารถแก้ปัญหาเกี่ยวกับค่าเฉลี่ยเคลื่อนที่ได้ซึ่งหมายความว่าการใช้สัญญาณซื้อขายจะทำให้ธุรกิจการค้าสูญเสียจำนวนมาก ในแนวคิดใหม่ในระบบการค้าทางเทคนิค Welles Wilder คาดการณ์ว่าตลาดมีแนวโน้มเพียงหนึ่งในสี่ของเวลาเท่านั้น การดำเนินการซื้อขายหลักทรัพย์สูงสุด 75 รายการ จำกัด อยู่ในช่วงแคบ ๆ เมื่อสัญญาณซื้อ - ขายเฉลี่ยเคลื่อนไหวจะถูกสร้างขึ้นซ้ำ ๆ เนื่องจากราคาเคลื่อนตัวสูงขึ้นและต่ำกว่าค่าเฉลี่ยเคลื่อนที่ ในการแก้ไขปัญหานี้นักวิเคราะห์หลายคนได้แนะนำปัจจัยการถ่วงน้ำหนักที่แตกต่างกันของการคำนวณ EMA (สำหรับข้อมูลเพิ่มเติมโปรดดูที่วิธีการเคลื่อนไหวค่าเฉลี่ยที่ใช้ในการซื้อขาย) การปรับค่าเฉลี่ยเคลื่อนที่สำหรับการดำเนินการในตลาดวิธีหนึ่งในการจัดการข้อเสียของค่าเฉลี่ยเคลื่อนที่คือการคูณปัจจัยการถ่วงน้ำหนักโดยใช้อัตราส่วนความผันผวน การทำเช่นนี้ก็หมายความว่าค่าเฉลี่ยเคลื่อนที่จะเพิ่มขึ้นจากราคาปัจจุบันในตลาดที่ผันผวน นี้จะช่วยให้ผู้ชนะในการทำงาน เป็นแนวโน้มมาถึงจุดสิ้นสุดและราคารวม ค่าเฉลี่ยเคลื่อนที่จะขยับขึ้นใกล้กับการดำเนินการของตลาดในปัจจุบันและในทางทฤษฎีอนุญาตให้ผู้ประกอบการค้าสามารถเก็บกำไรได้มากที่สุดในช่วงแนวโน้มนี้ ในทางปฏิบัติอัตราส่วนความผันผวนอาจเป็นตัวบ่งชี้เช่น Bollinger Bandwidth ซึ่งวัดระยะห่างระหว่างแถบ Bollinger Bros เป็นที่รู้จักกันดี (สำหรับข้อมูลเพิ่มเติมเกี่ยวกับตัวบ่งชี้นี้ให้ดูที่ข้อมูลพื้นฐานเกี่ยวกับแถบ Bollinger) Perry Kaufman แนะนำให้เปลี่ยนตัวแปรน้ำหนักในสูตร EMA ด้วยค่าคงที่ตามอัตราส่วนประสิทธิภาพ (ER) ในหนังสือระบบและวิธีการซื้อขายใหม่ ตัวบ่งชี้นี้ถูกออกแบบมาเพื่อวัดความแรงของแนวโน้มที่กำหนดไว้ในช่วงตั้งแต่ -1.0 ถึง 1.0 คำนวณโดยใช้สูตรง่ายๆคือ ER (การเปลี่ยนแปลงราคาทั้งหมดสำหรับช่วงเวลา) (รวมการเปลี่ยนแปลงราคาที่แน่นอนสำหรับแต่ละบาร์) พิจารณาสต็อคที่มีช่วง 5 จุดในแต่ละวันและเมื่อครบ 5 วันได้รับผลรวม จาก 15 คะแนน ซึ่งจะส่งผลให้ค่า ER เท่ากับ 0.67 (การเคลื่อนที่ขึ้นไป 15 จุดหารด้วยระยะรวม 25 จุด) หุ้นนี้ลดลง 15 จุดส่วน ER จะเท่ากับ -0.67 (สำหรับคำแนะนำการซื้อขายเพิ่มเติมจาก Perry Kaufman อ่าน Losing To Win ซึ่งแสดงกลยุทธ์ในการรับมือกับความเสียหายที่เกิดจากการซื้อขาย) หลักการของประสิทธิภาพของแนวโน้มขึ้นอยู่กับการเคลื่อนไหวของทิศทาง (หรือแนวโน้ม) ที่คุณได้รับต่อหน่วยของการเคลื่อนไหวของราคามากกว่า กำหนดช่วงเวลา ER เท่ากับ 1.0 แสดงให้เห็นว่าหุ้นอยู่ในขาขึ้นที่สมบูรณ์แบบ -1.0 หมายถึงขาลงที่สมบูรณ์แบบ ในทางปฏิบัติสุดขั้วไม่ค่อยจะมาถึง เมื่อต้องการใช้ตัวบ่งชี้นี้เพื่อหาค่าเฉลี่ยเคลื่อนที่แบบปรับตัว (AMA) ผู้ค้าจะต้องคำนวณน้ำหนักโดยใช้สูตรต่อไปนี้ค่อนข้างซับซ้อนสูตร: C (ER (SCF SCS)) SCS 2 ที่ไหน: SCF เป็นค่าคงที่เป็นตัวเลขที่เร็วที่สุด EMA ที่อนุญาต (ปกติ 2) SCS เป็นค่าคงที่แบบทวนสำหรับ EMA ที่ช้าที่สุดที่อนุญาต (มักจะ 30) ER เป็นอัตราส่วนประสิทธิภาพที่ระบุไว้ข้างต้นค่า C จะใช้ในสูตร EMA แทนตัวแปรน้ำหนักที่ง่ายกว่า แม้ว่าจะยากที่จะคำนวณด้วยมือ แต่ค่าเฉลี่ยเคลื่อนที่ที่ปรับตัวได้ถูกรวมไว้เป็นตัวเลือกในเกือบทุกชุดซอฟต์แวร์เพื่อการค้า ตัวอย่างค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่ (เส้นสีแดง), ค่าเฉลี่ยเคลื่อนที่เป็นเส้นตรง (เส้นสีน้ำเงิน) และค่าเฉลี่ยเคลื่อนที่ที่ปรับได้ (เส้นสีเขียว) แสดงไว้ในรูปที่ 1 ภาพที่ 1: AMA เป็นสีเขียวและแสดงให้เห็นว่ามีการแผ่แบนที่ใหญ่ที่สุดในการกระทำที่มีขอบเขตอยู่ที่ด้านขวาของแผนภูมินี้ ในกรณีส่วนใหญ่ค่าเฉลี่ยเคลื่อนที่แบบเสี้ยว (exponential moving average) ซึ่งแสดงเป็นเส้นสีน้ำเงินใกล้เคียงกับราคาที่มากที่สุด ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายจะแสดงเป็นเส้นสีแดง ค่าเฉลี่ยเคลื่อนที่สามตัวที่แสดงในภาพมีแนวโน้มที่จะเกิดขึ้นในหลาย ๆ ครั้ง ข้อเสียเปรียบต่อค่าเฉลี่ยเคลื่อนที่เหล่านี้จึงเป็นไปไม่ได้ที่จะกำจัด บทสรุปโรเบิร์ตคอลบีได้ทดสอบเครื่องมือวิเคราะห์ทางเทคนิคหลายร้อยเครื่องมือในสารานุกรมตัวชี้วัดด้านเทคนิคของตลาดสารานุกรม เขาสรุปได้ว่าแม้ว่าค่าเฉลี่ยเคลื่อนที่ที่ปรับตัวได้เป็นแนวคิดใหม่ที่น่าสนใจและมีการอุทธรณ์ทางสติปัญญามากการทดสอบเบื้องต้นของเราไม่ได้แสดงให้เห็นถึงประโยชน์ในทางปฏิบัติอันแท้จริงของวิธีการทำให้เรียบแบบที่ซับซ้อนมากขึ้น ไม่ได้หมายความว่าพ่อค้าควรละเลยแนวคิดนี้ AMA อาจรวมกับตัวบ่งชี้อื่น ๆ เพื่อพัฒนาระบบการซื้อขายที่มีกำไร (สำหรับข้อมูลเพิ่มเติมในหัวข้อนี้อ่านค้นพบ Keltner Channels และ The Chaikin Oscillator) ER สามารถใช้เป็นตัวบ่งชี้แนวโน้มแบบสแตนด์อโลนเพื่อหาโอกาสในการทำกำไรได้มากที่สุด ตัวอย่างเช่นอัตราส่วนข้างต้นต่ำกว่า 0.30 แสดงถึงแนวโน้มขาขึ้นที่แข็งแกร่งและแสดงถึงการซื้อที่มีศักยภาพ อีกทางเลือกหนึ่งเนื่องจากความผันผวนของการเคลื่อนที่ในรอบการผลิตอาจมีการถือเป็นหุ้นที่มีอัตราส่วนประสิทธิภาพต่ำที่สุดเท่าที่จะเป็นไปได้ ข้อ 50 คือข้อตกลงการเจรจาต่อรองและข้อยุติในสนธิสัญญา EU ที่ระบุขั้นตอนที่จะต้องดำเนินการสำหรับประเทศใด ๆ ที่ เบต้าเป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การออกหุ้นไอพีโอมักออกโดย บริษัท ขนาดเล็กและอายุน้อยที่ต้องการตัวบ่งชี้ KAMA - Kaufman Adaptive Moving Average KAMA เป็นคำย่อของ Kaufman Adaptive Moving Average ตัวบ่งชี้การวิเคราะห์ทางเทคนิคนี้ถูกสร้างขึ้นโดยพ่อค้าชาวอเมริกัน Perry Kaufman (เขาเป็นผู้เชี่ยวชาญในการสร้างอัลกอริธึมการค้า) ตัวบ่งชี้ KAMA เป็นของกลุ่มของค่าเฉลี่ยเคลื่อนที่แบบปรับตัว ค่าเฉลี่ยเคลื่อนที่ โดยทั่วไปให้ทำตามราคาและการพัฒนาเป็นระยะเวลาหนึ่ง เช่น. หากผู้ค้าตัดสินใจคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันค่าเฉลี่ยเคลื่อนที่จะคำนวณจาก 10 วันล่าสุดเสมอ บางครั้งน้ำหนักที่มากขึ้นสามารถนำมาใส่ในวันจริงได้เช่นค่าเฉลี่ยถ่วงน้ำหนักที่เคลื่อนที่ได้ แต่สิ่งที่สำคัญคือวันที่ 11 ไม่มีผลต่อการคำนวณเนื่องจากตกอยู่ในช่วงเวลาที่เลือก ค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยไม่เปลี่ยนแปลงค่าเฉลี่ยเคลื่อนที่โดยการปรับตัวสามารถเปลี่ยนแปลงจำนวนวันที่คำนวณได้ เนื่องจากสภาวะการเปลี่ยนแปลงของตลาดค่าเฉลี่ยเคลื่อนที่ที่ปรับให้เหมาะสมปรับตัวตามสถานการณ์ปัจจุบันและปรับตัวเอง Thatrsquos ประโยชน์ที่ใหญ่ที่สุดของพวกเขา เงื่อนไขที่พวกเขาเปลี่ยนแปลงอาจแตกต่างกันไป KAMA เปลี่ยนวันนับจากวันที่คำนวณตามสภาวะตลาดและความผันผวนของตลาด หากราคาปรับตัวขึ้นอย่างต่อเนื่อง (หากไม่มีการเพิ่มขึ้นหรือลดลง) เสียงดังสนั่นของราคาในตลาดต่ำ KAMA จะปฏิบัติตามราคาตลาดอย่างใกล้ชิด หากราคาปรับตัวขึ้นและลง (ขึ้นทันทีที่ราคาตก) ความผันผวนสูงมากและ KAMA จะติดตามกราฟราคาจากระยะไกลมากขึ้น ซึ่งจะช่วยให้พ่อค้าได้รับสัญญาณการซื้อขายที่ผิดพลาดน้อยลงและปรับปรุงระบบการซื้อขายของเขาได้อย่างรวดเร็ว ภาพนี้จะแสดงราคา OHLC และตัวบ่งชี้ KAMA เพื่อให้คุณสามารถดูลักษณะการทำงานได้ (KAMA กำหนดเป็น 6 วันอัลฟาสั้น 0.6 และอัลฟ่าอัลฟ่า 0.06) สูตรสำหรับการคำนวณ KAMA มีลักษณะดังนี้: 1. คำนวณทิศทางของตลาดในช่วงเวลาที่เลือกไว้ (เช่น KAMA 10 วัน) ทิศทางตลาดในช่วง 10 วันที่ผ่านมาสามารถคำนวณได้จาก: ABS (Close 0 ndash Close -9) โดยที่: Close 0 หมายถึงราคาปิดที่เกิดขึ้นจริงมากที่สุดและ Close -9 หมายถึงราคาปิด 9 วันที่ผ่านมาเหตุผลที่เราใช้ ในราคาบัญชี 9 วันที่ผ่านมา (ไม่ใช่ 10 วัน) เนื่องจากวันแรกของการคำนวณเป็น 0 วัน (กล่าวคือแม้ว่าเราจะคำนึงถึงความแตกต่างของราคา 10 วันราคาวันที่ 10 จะถูกทำเครื่องหมายเป็น ปิด -9) หากเราต้องการคำนวณ KAMA 2 วันเราจะพิจารณา Close 0 และ Close -1 2. คำนวณความผันผวนของตลาดในช่วงเวลาที่เลือก ซึ่งสามารถทำได้เช่น sum ABS (Close t ndash Close t-1) โดยที่: Close t คือราคาปิดของทุกๆวันในการคำนวณและ Close t-1 คือ Close ของวันก่อนหน้า (เช่น Close 0 ndash ปิด -1 ปิด -1 ndash ปิด -2 เป็นต้น) ขณะที่เรามีการคำนวณ 10 วันเราได้รับ 9 ค่าที่แตกต่างกันในค่าสัมบูรณ์ (บวก) ความแตกต่างอย่างแท้จริงเหล่านี้สะท้อนถึงความผันผวนหรือความผันผวนของตลาดในช่วงเวลาที่เลือก อัตราส่วนประสิทธิภาพจะแปรผันระหว่าง 0 ถึง 1 และบอกเราว่าเสียงของตลาดมีความผันผวนหรือไม่ อัตราส่วนประสิทธิภาพจะเท่ากับ 1 หากราคาจะเพิ่มขึ้น 10 งวดติดต่อกันหรือลดลง 10 งวดติดต่อกัน อัตราส่วนประสิทธิภาพจะเท่ากับ 0 ถ้าราคายังไม่เปลี่ยนแปลงในระยะเวลา 10 งวดติดต่อกัน นี่เป็นจุดที่ผู้ค้าจำนวนมากทำผิดพลาดขั้นพื้นฐาน (และเกือบทุกเว็บไซต์จะทำผิดพลาดเหมือนกัน) เนื่องจากพิจารณาความแตกต่าง 10 ข้อในการคำนวณ KAMA 10 วันแทนความแตกต่าง 9 ประการ ดีอาจจะดูเหมือนถูกต้องและตรรกะมากขึ้นอย่างรวดเร็วก่อนดังนั้น letrsquos มีลักษณะใกล้ชิดในเรื่องนี้ คุณจำค่าเฉลี่ยเคลื่อนที่เรียบง่ายแบบคลาสสิกที่ได้รับการกล่าวมาแล้ว (ถ้าไม่ลองค้นหาอีกครั้งในข้อความด้านบน) ดังนั้นหากเราต้องการคำนวณค่าเฉลี่ยเคลื่อนที่แบบ 2 วันเราจะพิจารณาเฉพาะราคาล่าสุด 2 ราคาและวันที่ 3 ราคาไม่สำคัญสำหรับเราเลย Letrsquos สมมติว่าราคาสำหรับสามวันสุดท้ายจะมีลักษณะดังนี้ราคา 0 100 ราคา -190 ราคา -2 100 การใช้สูตรค่าเฉลี่ยเคลื่อนที่แบบง่ายเราจะได้รับค่า SMA 2 วันเป็น 95 ซึ่งดูเหมือนถูกต้องไม่เป็นไร , ตอนนี้การคำนวณ KAMA 2 วัน ทิศทางตลาดในช่วง 2 วันที่ผ่านมามีค่าเท่ากับ 10 จุด ความผันผวนของตลาดยังเป็น 10 จุด (100 ndash 90 10) ถ้าคุณคำนวณอัตราส่วนประสิทธิภาพคุณจะได้รับค่าเท่ากับ 1 (หรือ 100) สิ่งที่จริงหมายความว่า 100 การเปลี่ยนแปลงราคาภายในระยะเวลาที่เลือกไว้ได้รับไปในทิศทางเดียวกัน กล่าวอีกนัยหนึ่งว่าอัตราส่วนประสิทธิภาพบอกเราว่าราคาปรับตัวสูงขึ้นหรือไม่ดีตลอดเวลา ที่ถูกต้องหากคุณคำนึงถึงความแตกต่างเพียง 1 สำหรับการคำนวณ KAMA 2 วัน แต่เว็บไซต์ส่วนใหญ่ผู้ค้าหรือ Analytics มองข้ามข้อเท็จจริงนี้และทำงานกับความแตกต่างของราคา 2 อย่าง (ซึ่งหมายความว่ารวมถึงการคำนวณวันที่ 3 ด้วยเช่นกัน) ) ดังนั้นแม้จะมีข้อเท็จจริงที่ว่าเราสนใจเพียงแค่ 2 วัน KAMA และควรทำงานร่วมกับทิศทางที่มีค่าเท่ากับ 10 และความผันผวนเท่ากับ 10 เช่นกันส่วนใหญ่แล้วคนที่ไม่ได้คำนึงถึงเรื่องนี้เล็กน้อย ความแตกต่างจะทำงานกับทิศทางที่เท่ากับ 10 และความผันผวนที่เท่ากับ 20 แล้วพวกเขาได้รับอัตราส่วนประสิทธิภาพเท่ากับ 0.5 ซึ่งหมายความว่าราคาได้เพิ่มขึ้น 50 ครั้งและลดลง 50 ของเวลาเช่นกัน จะเป็นไปได้ในช่วง 3 วันที่ผ่านมา แต่ไม่ใช่สำหรับ 2 วันที่ผ่านมา 3. คำนวณค่า ER (Efficiency ratio) อัตราส่วนประสิทธิภาพในความเป็นจริงคือทิศทางของตลาดหารด้วยความผันผวนของ ความผันผวนของทิศทาง ER 4. คำนวณ SC (Smoothing constant) ค่าคงที่ของ Smoothing ประกอบด้วย ER และสอง ldquoalphasrdquo จาก Exponential moving average ER รู้จักเราแล้ว เราต้องคำนวณ ldquoalphasrdquo ตอนนี้ หนึ่งอัลฟาหมายถึงค่าเฉลี่ยเคลื่อนที่ที่อธิบายอย่างรวดเร็วและค่าเฉลี่ยเคลื่อนที่แบบเสี้ยววินาทีที่สอง เราสามารถเรียกพวกเขาว่าอัลฟ่ารวดเร็วและอัลฟ่าช้า Kaufman แนะนำให้ใช้ค่าเฉลี่ยเคลื่อนที่ 2 วันเป็น Fast Alpha และค่าเฉลี่ยเคลื่อนที่ 30 วันเป็น Slow Alpha ค่าเฉลี่ยเคลื่อนที่สองค่านี้มีความรับผิดชอบต่อ KAMA ที่ทำอย่างไรเมื่อตลาดค่อนข้างมากและไม่มีอะไรเกิดขึ้นและเมื่อมีพายุเคลื่อนตัวขึ้นและลง ค่าเฉลี่ยเคลื่อนที่ที่เร็วที่สุดจะรวมอยู่ในการคำนวณ KAMA เมื่อตลาดค่อนข้าง (และเราทำตามราคาที่ใกล้เคียงมาก) และค่าเฉลี่ยเคลื่อนที่ที่ต่ำที่สุดจะรวมอยู่ในการคำนวณเมื่อตลาดมีความผันผวนมาก (เส้นโค้ง KAMA เคลื่อนออกจาก ราคาดังนั้นจึงสามารถปล่อยให้ราคาเพิ่มขึ้นอย่างมากและผู้ค้าไม่ได้รับสัญญาณที่ต่างกันในการซื้อและขายทุกวัน) ดังนั้นถ้าเราเลือกที่จะใช้ Alphas จากค่าเฉลี่ยเคลื่อนที่แบบ Exponential 2 วันและ 30 วันการคำนวณจะมีลักษณะดังนี้ Fast Alpha 2 (21) 0.6667 Slow Alpha 2 (301) 0.0645 เพื่อให้แน่ใจว่าวันที่คำนวณ KAMA จะเป็นไปอย่างสม่ำเสมอ ระยะเวลาระหว่าง 2 ถึง 30 วัน หากใครต้องการใช้ค่าเฉลี่ยเคลื่อนที่นานกว่าค่าเฉลี่ยเคลื่อนที่ 30 วันเขาสามารถคำนวณ Alpha ใหม่ได้เช่น 100 วันอัลฟ่าเท่ากับ 2 (1001) 0.0198 ในกรณีเช่นนี้การคำนวณ KAMA จะขึ้นอยู่กับจำนวนวันระหว่าง 2 ถึง 100 SC (smoothing constant) มีลักษณะดังนี้ SC ER x (อัลฟ่าอัลฟ่าอัลฟาช้า) Slow Alpha 2 ดังนั้นในกรณีนี้ SC จะเท่ากับ: SC ER x (0.6667 ndash 0.0645) 0.0645 และสมการนี้จะยกกำลังสอง แม้ว่า KAMA จะคำนวณเป็นค่าเฉลี่ย 30 วันก็จะยังคงเคลื่อนไหวเล็กน้อยขึ้นและลงเพื่อให้ Kaufman แนะนำให้ทำ ndash เหตุผลที่ไม่เหมาะสมนั่นคือเหตุผลที่ SC ใบเสนอราคาเป็นที่สุดเป็นกำลังสอง 5. คำนวณ KAMA เอง จะมีลักษณะดังนี้: KAMA 0 KAMA -1 SC (ราคา 0 ndash KAMA -1) ถ้าคุณคุ้นเคยกับการคำนวณค่าเฉลี่ยเคลื่อนที่ของเลขยกกำลังคุณจะเห็นว่าเกือบจะเหมือนกัน ความแตกต่างหลักระหว่างค่าเฉลี่ยเคลื่อนที่เฉลี่ยและค่าเฉลี่ยเคลื่อนที่แบบปรับตัว Kaufman อยู่ที่ความจริงที่ว่าในขณะที่ EMA ใช้เวลาในการคำนวณเท่ากับจำนวนวันเสมอ KAMA สามารถเปลี่ยนจำนวนนี้ได้ จำนวนวันที่เปลี่ยนได้รับการยืนยันจากค่าคงที่ของ Smoothing และการเปลี่ยนแปลงอย่างต่อเนื่องของ Smoothing นั้นขึ้นอยู่กับอัตราส่วนของประสิทธิภาพ นี้จะปิดวงกลม เช่น. ทิศทางของตลาดจะเท่ากับ 0 อัตราส่วนประสิทธิภาพจะเท่ากับ 0 ค่าคงที่ของการทรงตัวจะเท่ากับ Slow Alpha (squared) KAMA จะเท่ากับค่าเฉลี่ยเคลื่อนที่ช้าๆที่ได้รับการแต่งตั้ง (Slow Exponential moving average) EMA 30 วัน แต่จะมีความแตกต่างกันเล็กน้อยเนื่องจากสมการ SC มีกำลังสอง) ในทำนองเดียวกันถ้าราคาจะเพิ่มขึ้นทุกฤดูใบไม้ร่วงทุกวันติดต่อกันในการคำนวณทิศทางตลาดและความผันผวนจะเท่ากับอัตราส่วนประสิทธิภาพจะเป็น 1 และค่าคงที่ Smoothing จะเท่ากับค่าเฉลี่ยเคลื่อนที่ Fast Exponential (2 วัน EMA) นั่นคือหลักการพื้นฐานที่ว่า KAMA จะมีความแข็งแกร่งหรือเหมาะสมในสภาวะตลาดต่างๆ (ความผันผวนของตลาด) เป็นเรื่องของความเป็นจริงเราพิจารณา KAMA เป็นหนึ่งในตัวชี้วัดทางเทคนิคที่ยิ่งใหญ่ที่สุดเท่าที่เคยเนื่องจากความสามารถในการปรับตัวได้อย่างมีประสิทธิภาพมากและทำงานได้ดีในหลายตลาด นอกจากนี้คุณสามารถทดสอบกับตัวบ่งชี้และพยายามแทนที่ ER หรือ SC ด้วยค่าจากตัวบ่งชี้ทางเทคนิคอื่น ๆ หรือแม้แต่ใช้ค่าเหล่านี้ในตัวบ่งชี้อื่น ๆ การใช้เพื่อการค้าทางเทคนิค: ตัวบ่งชี้ KAMA เป็นตัวบ่งชี้แนวโน้ม ใกล้เคียงกับค่าเฉลี่ยเคลื่อนที่เช่น HMA (Hulls moving average), ค่าเฉลี่ยเคลื่อนที่ T3, FRAMA (ค่าเฉลี่ยเคลื่อนที่แบบปรับ Fractal), DEMA (ค่าเฉลี่ยเคลื่อนที่ที่เป็นเลขคู่) เป็นต้นตามราคาเพื่อให้คุณสามารถใช้เพื่อระบุแนวโน้มที่โดดเด่น ที่ตลาด. นี้จะต้องกำหนดวันสำหรับ Fast และ Slow Alphas เป็นตัวเลขที่สูงกว่าเช่น ndash เช่น เพื่อครอบคลุมช่วงเวลาระหว่าง 50 ถึง 200 วัน ดังนั้น KAMA จะแข็งแกร่งขึ้นและแสดงให้เห็นถึงการเปลี่ยนแปลงของตลาดหลัก ถ้า Kama เติบโตขึ้นแนวโน้มจะเพิ่มขึ้นเช่นกันและในทางกลับกัน ไม่เหมือนตัวบ่งชี้แนวโน้มเช่นตัวบ่งชี้ ADX หรือ Aroon คุณสามารถคิดได้ว่า KAMA จะไม่แสดงให้เห็นถึงความแข็งแกร่งของเทรนด์เพียงแค่มีแนวโน้มที่โดดเด่นเท่านั้นเอง แต่ที่จะเป็นจริงได้อย่างรวดเร็วก่อน ถ้าคุณเข้าใจการคำนวณ KAMA คุณสามารถหาได้มีมันมีส่วนที่น่าสนใจมากเรียกว่าอัตราส่วนประสิทธิภาพ ER แสดงให้เราเห็นว่าการเปลี่ยนแปลงราคามีขนาดใหญ่แค่ไหนภายในระยะเวลาที่เลือกไว้ กล่าวอีกนัยหนึ่งถ้าค่า ER เท่ากับ 1 หมายความว่าทุกวันราคาในการคำนวณเคลื่อนไหวไปในทิศทางเดียวกัน (ถ้ามีค่าเท่ากับ 0) หมายถึงราคาของวันไม่ขยับ ที่ทั้งหมด (ที่ signalizes ไม่มีแนวโน้มใด ๆ ) ความเป็นไปได้อื่น ๆ ในการซื้อขายกับ KAMA ก็คือการทำตามราคาปิดและค่าข้าม KAMA ราคาปิดจะสูงกว่าค่าของ KAMA เราจึงใช้เวลานาน ราคาปิดจะต่ำกว่า KAMA เราจึงสั้นลง นอกจากนี้เรายังสามารถแลกเปลี่ยน KAMA ได้ นี้จะต้องเตรียมสอง KAMAs ที่แตกต่างกัน หนึ่งที่จะขึ้นอยู่กับ Alphas และ Alphas ที่เร็วขึ้นซึ่งจะใช้ Alphas ที่ลดลงสำหรับการคำนวณของพวกเขา จากนั้นคุณสามารถปฏิบัติตามจุดผ่านแดนของพวกเขา ถ้า KAMA เร็วกว่า KAMA ที่ช้ากว่าเราจะซื้อและในทางกลับกัน เนื่องจากตัวบ่งชี้ KAMA มีประสิทธิภาพและเป็นสากลเราจึงสามารถลองใช้เป็นส่วนหนึ่งของตัวบ่งชี้อื่น ๆ เช่น เพื่อใช้ในแถบ Bollinger แทนค่าเฉลี่ยเคลื่อนที่แบบธรรมดาหรือใช้ค่า MACD แทนค่าเฉลี่ยเคลื่อนที่แบบเสด็จพระราชดำเนิน อย่างที่คุณเห็น KAMA เป็นตัวบ่งชี้พิเศษของการวิเคราะห์ทางเทคนิคซึ่งทำให้เรามีข้อมูลและความเป็นไปได้ที่น่าสนใจมากมายในการใช้งาน เช่นเดียวกับตัวชี้วัดทางเทคนิคเกือบทั้งหมดสิ่งที่ดีที่สุดที่พ่อค้าทุกคนสามารถทำได้คือการทดสอบข้อมูลของตัวเองการตั้งค่าของตนเองและกฎของตัวเองในการค้า น่าประหลาดใจบางครั้งผลลัพธ์ที่ดีที่สุดสามารถทำได้ด้วยการตั้งค่าที่ไม่เหมือนกันและกฎที่ค่อนข้างแปลกในตอนแรกอย่างรวดเร็วยิ่งขึ้นสิ่งอื่น ๆ ที่พ่อค้าสามารถเปลี่ยนแปลงและทดลองกับผลการซื้อขายของเขาได้ดียิ่งขึ้น ลิงก์ต่อไปนี้นำไปสู่ตัวบ่งชี้ทางเทคนิคในไฟล์ Excel สำหรับการดาวน์โหลดค่าเฉลี่ยของ Adaptive Moving Average ของ Kaufman0 (KAMA) ค่าเฉลี่ยของ Adaptive Moving Average ของ Kaufman0 (KAMA) บทนำการพัฒนาโดย Perry Kaufman ค่าเฉลี่ยการปรับตัวแบบ Adaptive Movement Average ของ Kaufman0 (KAMA) เป็นค่าเฉลี่ยเคลื่อนที่ที่ออกแบบมาเพื่อบัญชีสำหรับการตลาด เสียงรบกวนหรือความผันผวน KAMA จะติดตามราคาอย่างใกล้ชิดเมื่อการแกว่งราคาค่อนข้างเล็กและเสียงต่ำ KAMA จะปรับตัวเมื่อการแกว่งตัวของราคาขึ้นและติดตามราคาจากระยะทางที่มากขึ้น ตัวบ่งชี้แนวโน้มนี้สามารถใช้เพื่อระบุแนวโน้มโดยรวมจุดเปลี่ยนเวลาและการเคลื่อนไหวของราคาตัวกรอง การคำนวณมีขั้นตอนหลายขั้นตอนที่จำเป็นในการคำนวณค่าเฉลี่ยการย้ายแบบ Adaptive Movement ของ Kaufman0 Let0 เริ่มต้นครั้งแรกกับการตั้งค่าที่แนะนำโดย Perry Kaufman ซึ่งเป็น KAMA (10,2,30) 10 คือจำนวนงวดสำหรับอัตราส่วนประสิทธิภาพ (ER) 2 คือจำนวนงวดสำหรับค่าคงที่ของ EMA ที่เร็วที่สุด 30 คือจำนวนงวดสำหรับค่าคงที่ของ EMA ที่ช้าที่สุด ก่อนที่จะคำนวณ KAMA เราจำเป็นต้องคำนวณอัตราส่วนประสิทธิภาพ (ER) และ Smoothing Constant (SC) การแบ่งสูตรลงในตัวนักเก็ตขนาดกัดทำให้ง่ายต่อการเข้าใจวิธีการหลังตัวบ่งชี้ โปรดทราบว่า ABS หมายถึง Absolute Value อัตราการใช้กำลังการผลิต (ER) ER อยู่ที่การเปลี่ยนแปลงของราคาโดยปรับค่าความผันผวนรายวัน ในแง่ทางสถิติอัตราส่วนประสิทธิภาพจะบอกให้เราทราบถึงประสิทธิภาพการเปลี่ยนแปลงราคาของเศษส่วน ER มีความผันผวนระหว่าง 1 ถึง 0 แต่สุดขั้วเหล่านี้เป็นข้อยกเว้นไม่ใช่บรรทัดฐาน ER จะเป็น 1 หากราคาเพิ่มขึ้น 10 งวดต่อเนื่องหรือลดลง 10 งวดติดต่อกัน ER จะเป็นศูนย์ถ้าราคาไม่เปลี่ยนแปลงตลอด 10 งวด Smoothing Constant (SC) ค่าคงที่ที่ราบเรียบใช้ค่า ER และค่าความเรียบ 2 ค่าโดยคำนวณจากค่าเฉลี่ยเคลื่อนที่แบบเสวนา ตามที่คุณสังเกตเห็น Smoothing Constant ใช้ค่าคงที่ที่ราบเรียบสำหรับค่าเฉลี่ยเคลื่อนที่แบบเสวนาในสูตร (2301) เป็นค่าคงที่ที่ราบเรียบสำหรับ EMA 30 เฟส Fastest SC คือค่าคงที่ที่ราบเรียบสำหรับ EMA ที่สั้นลง (2 ช่วงเวลา) SC ที่ช้าที่สุดคือค่าคงที่ที่ราบเรียบสำหรับ EMA ที่ค่อยๆ (30 ช่วง) โปรดทราบว่า 2 ในตอนท้ายมีสมการสมการ ด้วยอัตราส่วนประสิทธิภาพ (ER) และ Smoothing Constant (SC) ขณะนี้เราพร้อมแล้วที่จะคำนวณค่าเฉลี่ยการปรับตัวของ Adaptive Movement Kaufman0 (KAMA) เนื่องจากเราต้องการค่าเริ่มต้นเพื่อเริ่มต้นการคำนวณ KAMA แรกเป็นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย การคำนวณต่อไปนี้ขึ้นอยู่กับสูตรด้านล่าง ตัวอย่างการคำนวณภาพด้านล่างแสดงภาพหน้าจอจากกระดาษคำนวณ Excel ที่ใช้ในการคำนวณ KAMA และแผนภูมิ QQQ ที่สอดคล้องกัน การใช้และสัญญาณ Chartists สามารถใช้ KAMA เช่นเดียวกับเทรนด์อื่น ๆ ตามตัวบ่งชี้เช่นค่าเฉลี่ยเคลื่อนที่ Chartists สามารถมองหา crosses ราคาการเปลี่ยนแปลงทิศทางและกรองสัญญาณ อันดับแรกการข้ามด้านบนหรือด้านล่าง KAMA บ่งชี้ถึงการเปลี่ยนแปลงทิศทางในราคา เช่นเดียวกับค่าเฉลี่ยเคลื่อนที่ใด ๆ ระบบครอสโอเวอร์ที่เรียบง่ายจะสร้างสัญญาณจำนวนมากและจำนวนมาก whipsaws Chartists สามารถลด whipsaws โดยใช้ตัวกรองราคาหรือเวลาไปยัง crossovers หนึ่งอาจต้องการราคาที่จะถือข้ามสำหรับจำนวนชุดของวันหรือต้องข้ามเกิน Kama ตามเปอร์เซ็นต์ที่กำหนด ประการที่สองนักชาตินิยมสามารถใช้ทิศทางของ KAMA เพื่อกำหนดแนวโน้มโดยรวมสำหรับการรักษาความปลอดภัย ซึ่งอาจต้องมีการปรับพารามิเตอร์เพื่อให้ตัวบ่งชี้เป็นไปอย่างต่อเนื่อง Chartists สามารถเปลี่ยนพารามิเตอร์กลางซึ่งเป็นค่าคงที่ EMA ที่เร็วที่สุดเพื่อให้ KAMA ราบรื่นและมองหาการเปลี่ยนแปลงทิศทาง มีแนวโน้มอ่อนตัวลงตราบเท่าที่ KAMA ร่วงลงและทำจุดต่ำสุดให้ต่ำลง แนวโน้มจะเพิ่มขึ้นตราบเท่าที่ KAMA กำลังเพิ่มขึ้นและดันระดับสูงขึ้น ตัวอย่าง Kroger ด้านล่างแสดง KAMA (10,5,30) ที่มีแนวโน้มสูงชันตั้งแต่เดือนธันวาคมถึงมีนาคมและแนวโน้มขาขึ้นที่น้อยลงตั้งแต่เดือนพฤษภาคมถึงสิงหาคม และในที่สุดก็สามารถรวมสัญญาณและเทคนิคไว้ได้ Chartists สามารถใช้ KAMA ระยะยาวเพื่อกำหนดแนวโน้มที่ใหญ่กว่าและ KAMA ระยะสั้นสำหรับสัญญาณการซื้อขาย ตัวอย่างเช่น KAMA (10,5,30) สามารถใช้เป็นตัวกรองแนวโน้มและถือว่ารั้นเมื่อเพิ่มขึ้น เมื่อรั้นแล้วนักวิเคราะห์ชาตินิยมอาจมองหาเครื่องหมายข้ามผ่านเมื่อราคาเคลื่อนไปเหนือ KAMA (10,2,30) ตัวอย่างด้านล่างแสดงให้เห็นถึง MMM ที่มี KAMA ระยะยาวที่เพิ่มขึ้นและการปรับตัวในช่วงเดือนธันวาคม, มกราคมและกุมภาพันธ์ KAMA ระยะยาวปรับตัวลดลงในเดือนเมษายนและมีการปรับตัวลดลงในเดือนพฤษภาคมมิถุนายนและกรกฎาคม SharpCharts KAMA สามารถพบได้เป็นตัวบ่งชี้การซ้อนทับใน SharpCharts workbench การตั้งค่าเริ่มต้นจะปรากฏขึ้นโดยอัตโนมัติในช่องพารามิเตอร์เมื่อได้รับการคัดเลือกแล้วและแผนภูมิสามารถเปลี่ยนพารามิเตอร์เหล่านี้ให้เหมาะกับความต้องการในการวิเคราะห์ของตน พารามิเตอร์แรกสำหรับอัตราส่วนประสิทธิภาพและแผนภูมิควรงดเว้นจากการเพิ่มจำนวนนี้ แทนที่จะใช้ชาตินิยมเพื่อลดความไว นักชาตินิยมที่มองหา KAMA ที่ราบรื่นสำหรับการวิเคราะห์แนวโน้มในระยะยาวสามารถเพิ่มพารามิเตอร์กลางขึ้นได้ แม้ว่าจะมีความแตกต่างกันเพียง 3 แต่ KAMA (10,5,30) มีความนุ่มนวลกว่า Kama (10,2,30) การศึกษาเพิ่มเติมจากผู้สร้างหนังสือด้านล่างมีข้อมูลโดยละเอียดเกี่ยวกับตัวบ่งชี้โปรแกรมอัลกอริทึมและระบบรวมถึงรายละเอียดเกี่ยวกับ KAMA และระบบค่าเฉลี่ยเคลื่อนที่อื่น ๆ ระบบการซื้อขายและวิธีการ Perry KaufmanSo ฉันไม่ได้รับการโพสต์มากเมื่อเร็ว ๆ นี้ขณะที่ฉันได้ทำงานในระบบการซื้อขายอัตโนมัติและหลังจากใช้เวลามากเกินไปในการค้นคว้าสูตรสัญญาณฉันคิดว่าฉันจะโพสต์การใช้งานของสัญญาณต่างๆที่ฉัน กำลังใช้ใน ATS ของฉัน ค่าเฉลี่ย Kaufman Adaptive Moving Average เป็นตัวกรองเฉลี่ยที่มีการเคลื่อนไหวต่ำแฝงต่ำ ในทางเทคนิคมีหางที่ไม่มีที่สิ้นสุด แต่ชั่งน้ำหนักอย่างชาญฉลาดให้น้ำหนักของสัญญาณสำหรับแต่ละแท่งใหม่ขึ้นอยู่กับความทันสมัยทางประวัติศาสตร์ หากข้อมูลที่ผ่านมามีการเปลี่ยนแปลงอย่างรวดเร็วแต่ละแถบใหม่จะมีน้ำหนักเฉลี่ยต่ำมาก แต่ถ้าข้อมูลที่ผ่านมาเสนอทิศทางที่แข็งแกร่ง (ไม่คำนึงถึงขนาด) ค่าเฉลี่ยจะมีน้ำหนักมากขึ้นเป็นอย่างมาก มี aren8217t เว็บไซต์มากเกินไปเกี่ยวกับสูตรที่เกิดขึ้นจริง 8211 ฉันตามการใช้งานของฉันในรหัส MetaStock พบได้ที่นี่ ฉันเริ่มเขียนบทความนี้ใน Windows Live Writer และพบว่าไม่ได้จัดรูปแบบแหล่งที่มาของ Visual Studio8217 ไว้ดังนั้นฉันจะพยายามโพสต์ข้อความนี้จาก Word 2007 Word จะดีกว่าในการจัดรูปแบบ แต่น่าเสียดายกับรูปภาพขณะที่ Live ยอดเยี่ยมมาก ภาพและการจัดการเว็บไซต์ แต่สาหัสด้วยการจัดรูปแบบ นี้เป็นตัวบ่งชี้ที่ชื่นชอบได้อย่างง่ายดายและมีจำนวนมาก tweaking สามารถจริงจะมีความล่าช้าต่ำมาก สิ่งสำคัญในการกำจัดเสียงคือสัญญาณที่มีเสียงดังมากที่สุดเมื่ออนุพันธ์แนวโน้มมีค่าต่ำสุด ความจริงข้อนี้ช่วยให้สามารถใช้แฮ็กที่ฉลาดเพื่อลดแฝงตัวกรองเช่น ATX ที่ถูกกล่าวว่ามักจะเป็นสิ่งสำคัญที่จะใช้ตัวบ่งชี้ได้รับบาดเจ็บเป็นจำนวนมากของตลาดใช้มันประสิทธิภาพการทำงานของมันคือการตอบสนองด้วยตนเองทำนาย 23 Responses to 8220AMA 8211 Kaufman8217s สูตรปรับค่าเฉลี่ยใน C8221 Heya i amm เป็นครั้งแรกที่นี่ ฉันมาข้ามบอร์ดนี้และฉันพบว่าแอมป์ที่มีประโยชน์อย่างแท้จริงมันช่วยให้ฉันพูดมาก ฉันหวังว่าจะได้นำเสนออีกครั้งและช่วยเหลือผู้อื่นเช่นคุณช่วยฉัน บางคนอาจเพิ่มสิ่งจูงใจที่ดีภายในข้อความโฆษณาของตน แต่ทำไมไม่ทำงานในการหมุนเวียนโฆษณาของคุณโอกาสที่จะดึงออกมาจากฝูงชนได้ดี กลยุทธ์การย้อนกลับแบบนี้จะส่งผลต่อการจัดอันดับของคุณในขณะนี้เนื่องจาก Google get8217s มีความชาญฉลาดมากขึ้นในแต่ละวัน แต่ก็เป็นสิ่งสำคัญที่จะต้องทราบว่ามีปัจจัยที่ควรพิจารณาเมื่อจ้าง บริษัท วิธีหนึ่งที่ควรคำนึงถึงนี้คือการลองใช้ pasties เหนือ nipples เพื่อให้มั่นใจว่าคุณจะไม่ได้เปิดเผยตัวเอง จากนั้นชุดเซ็ทเท็นดี้โอเพ่นคัพ 4 ชิ้นของ Sexy Fishnet เป็นกลยุทธ์การยิงที่แน่นอนในการตั้งค่าการแข่งชีพจรคู่ของคุณ8217s แน่นอนคุณไม่สามารถปฏิเสธรูป sexy ที่ลืมไปได้เมื่อใส่ชุดทอง