バイナリーオプション講座

移動平均線の仕組みと傾きと位置関係を使った分析法

移動平均線の仕組みと傾きと位置関係を使った分析法
ということで、4時間足ボリンジャーバンドのチャートを覗いてみます。

もう、ぱっと見でレンジ。バンド幅はスクイーズしてない状態から+2σにタッチしている状態です。とてもじゃないですが、ロングで攻める気にはなれません。朝からショートで攻めて見たくなる場面ですね。

【順張り攻略】インジケーター『移動平均線』でトレンド相場を見極める!

移動平均線のサムネ画像

インジケーターまとめ

今回の記事では順張りトレード攻略におすすめのインジケーターを紹介していきます!

順張りトレードにおける最優先事項は “価格の進む方向性が明確なトレンド相場を見つけること” です✋

順張りトレードとは

故にトレンド相場を選定できること、もっといえば “トレンド相場に適したインジケーター” を選択することが順張り攻略への第一歩となります✨

今回は私が長年愛用している 『移動平均線』 というインジケーターをご紹介します😀

「トレードに使えるインジケーターは星の数ほどある」とも言われますが、私自身 “順張りトレード攻略において『移動平均線』より適したものはない” と考えています!

なぜなら移動平均線の向きやローソク足との位置関係を見るだけで、価格が今上下どちらの方向に進んでいるか 「相場の進んでいる方向性」 を瞬時に把握できるインジケーターだから💡

特に今回は移動平均線をつかった 「トレンド相場の見極め方法」 や 「実践的なエントリーポイントの探し方」 をまるっと解説していくので 「 これから順張りでバイナリーオプションを攻略していきたい! 」 と考えている方は、ぜひお役立てください(*´∀`*)

【基礎&基本】順張りに最適なインジケーター『移動平均線』の特徴

移動平均線

たった1本の線(移動平均線)を表示させることで、順張りトレードする際に知りたい情報である 「 価格の進行方向 」 と 「 価格の勢い 」 を一目で同時に知ることができるのです😊

移動平均線の仕組みと傾きと位置関係を使った分析法

モデルを完全に指定するために必要となるパラメーター数。線形、対数、および指数の傾向では、モデルの自由度は 2 です。多項傾向のモデルの自由度は、1 に多項の程度を足したものになります。たとえば、立方の傾向ではモデルの自由度は 4 になります。これは、立方、平方、線形、および定数項のパラメーターが必要となるためです。

残差の自由度 (DF)

SSE (合計二乗誤差)

誤差は、観察された値とモデルによって予測された値の間の差異です。分散分析表で、この列は実際には特定の行の単純なモデルの SSE と、すべての係数を使用する完全なモデルの SSE の差を示します。また、この 移動平均線の仕組みと傾きと位置関係を使った分析法 SSE は、小さい方のモデルと完全なモデルから予測された値の二乗誤差の合計にも対応します。

MSE (平均二乗誤差)

項 MSE は "平均二乗誤差" を示します。これは、対応する自由度で除算された SSE の数量です。

Y 切片がモデルによって決定する場合、R-2 乗は次の等式を使用して取得されます。

Y 切片が強制的に 0 となる場合、R-2 乗は次の等式を代用して求められます。

後者の場合、等式は必ずしも Excel と一致するとは限りません。この場合、R-2 乗は厳密に定義されておらず、Tableau の動作が Excel ではなく R と一致するためです。

: 移動平均線の仕組みと傾きと位置関係を使った分析法 線形傾向線モデルの R-2 乗値は、CORR 関数の結果の 2 乗に相当します。CORR の構文および例については、Tableau 関数 (アルファベット順) (新しいウィンドウでリンクが開く) 移動平均線の仕組みと傾きと位置関係を使った分析法 を参照してください。

完全なモデルの MSE の平方根です。モデル式の "ランダム誤差" の標準偏差 (ばらつき) の予測。

p 値 (基準値)

上記の自由度を持つ F ランダム変数が、分散分析表のこの行の観測された F を超える確率です。

この表は ANOVA 表とも呼ばれ、傾向線モデルの係数ごとに情報をリストします。この値は、特定の係数を含まないモデルと、すべての係数を含むモデル全体との比較です。

個々の傾向線

この表は、ビューの各傾向線に関する情報を示します。リストを見ると、どのペイン (ある場合) が統計的に最も有意であるかを確認できます。この表には、各傾向線の係数統計もリストされています。行では、各傾向線モデルの係数をそれぞれ説明しています。たとえば、各傾向線に対して 移動平均線の仕組みと傾きと位置関係を使った分析法 2 つの行を必要とする切片のある線形モデルが挙げられます。[線] 列で、各線の p 値と DF はすべての係数行にわたります。[DF] 列は、各線の推定中に使用できる残余の自由度を示します。

StdErr

係数の真の値がゼロである場合に大きなまたはより大きな t 値が観察される確率。つまり、p 値が 0.05 の場合、95% の確率で真の値がゼロではないことがわかります。

傾向線の有意性の評価

ヒントの最初の線は、 "Year of 移動平均線の仕組みと傾きと位置関係を使った分析法 Order Date (注文日の年度)" の値から "Profit (収益)" の値を計算するために使用する方程式を示します。

2 本目の線は R を 2 乗した値であり、データの全分散に対する、モデルによって説明されるデータの分散の割合を示します。詳細については、傾向線モデルの項を参照してください。

3 本目の P 値は、最初の線の方程式が偶然の結果であった可能性を報告しています。p 値が小さいほど、モデルの有意性は高くなります。大抵は、0.05 以下の p 値が十分と判断されます。

モデル全体の有意性

傾向線をビューに追加したら、通常は、モデルの予測の質を示すメジャーであるモデルの適合度が必要となります。さらに、モデルに貢献している各係数の有意性が必要になる場合もあります。これらの数字を表示するには、[傾向モデルの説明] ダイアログ ボックスを開き、ビューを右クリック (Mac では Control を押しながらクリック) して [傾向線] > [傾向モデルの説明] を選択します。

有意性をテストする場合は、p 値が重要となります。p 値が小さいほど、モデルまたは係数の有意性は高くなります。統計的な有意性はあるが、全体的な有意性に貢献しない個別の傾向線または個別の傾向線の項のあるモデルが存在する可能性があります。

[傾向線モデル] で、モデルの p 値 (有意性) を示す線を探します。p 移動平均線の仕組みと傾きと位置関係を使った分析法 値が小さいほど、関連メジャーまたはメジャーの有無に関係なく、説明できないモデル間の分散の相違がランダムに偶然生じる可能性が低くなります。

このモデルの p 値は、モデル全体の適合度と、総平均 (データ ビューのデータの平均) のみで構成されたモデルの適合度の比較です。つまり、それによって係数が一定の線形、多項、指数、または対数であるモデル式の定量的項 f(x) の説明能力を評価します。通常は "95% 信頼度" ルールを適用して有意性を評価します。したがって、上記のように、0.05 以下の p 値が良好と判断されます。

カテゴリ係数の有意性

分散分析表 (ANOVA 表とも呼ばれる) には、モデルの係数として使用される各フィールドがリストされています。各フィールドについて、他の値と共に p 値が表示されます。この場合、p 値は、モデル全体の有意性に対するフィールドの効果を示します。p 値が小さいほど、フィールドがあるモデルとフィールドがないモデルの間の、原因不明の分散の差が無作為に生じた偶然の結果である確率はより低くなります。フィールドごとに表示される値は、そのフィールドを含まないモデルとモデル全体を比較することで得られます。

次の図は、3 つの異なる製品カテゴリの過去 2 年間における四半期売上高のビューの分散分析表を示しています。

ご覧のとおり、 "Category (カテゴリ)" と "Region (地域)" の p 値は両方ともかなり小さな値です。これらの係数は、どちらもこのモデルで統計的に有意です。

Y = factor 1 * factor 2 * . factorN * f(x) + e

項 Y は応答変数と呼ばれ、予測しようとしている値に対応しています。項 X は 説明変数で、 e (epsilon) はランダム エラーです。式の係数はビューのカテゴリ フィールドに対応します。また、各係数はマトリックスで表されます。 * は特殊なマトリックス乗算演算子で、行数が同じ 2 つのマトリックスを取得して、行数が同じ新しいマトリックスを返します。つまり、式の factor 1 * factor 2 に係数 移動平均線の仕組みと傾きと位置関係を使った分析法 1 と係数 2 のメンバーのすべての組み合わせが組み込まれます。たとえば、係数 1 と係数 2 の両方にメンバーが 3 個ずつある場合、全部で 9 個の変数がこの演算子によってモデル式に組み込まれます。

傾向線の前提

Tableau の傾向線で報告される p 値は、データに関するいくつかの前提に応じて異なります。

1 つ目は、テストを実行した場合、常に平均のモデルは (少なくともおおよそ) 正しいという前提です。

2 つ目は、モデル式で参照される "ランダム誤差" (傾向線モデル タイプを参照) は複数の異なる観測で独立しており、すべてが同じ分布を持つという前提です。応答変数についてカテゴリ間で正確な傾向線に対して大きなばらつきがあった場合、この制限に反します。

日足の内部構造に少しだけ踏み込んでみよう

5sma_day01

例を挙げましょう。下のチャートは、ある日のポンド円の日足がはじまった辺りのものです。


緩やかな上昇トレンドを描いてますね。この日の移動平均線は傾きは緩やかですがやや上向き。現在の価格と移動平均線の乖離の度合いも微妙なところ。判断しづらいかなぁーって感じです。

5sma_day02

じゃあ、しばらく様子を見てると、こんな感じになります。

先ほどのチャートと比べると、移動平均線の傾きが上方向へとハッキリしてきてますね。直近の上値も越えてきてるし、「あー、やっぱ今日は上だったかぁ!」なんて思う人もいたかもしれません。

5sma_day03

でも、その数時間後を見ると・・・

4時間足で5日移動平均線 を表示させる場合、4時間は1日の6分の1だから「5 × 6 = 30」で、4時間足には30SMAを適用させましょう、みたいな計算してるチャート解説ブログなんかを見かけますが、それは大きな間違いです。

ほら、見てみ。(波の動きが比較しやすい様にロウソク足の表示本数を変えてます)


移動平均線と価格との関係性が、「似てる程度」でしかなく、実際にトレードするにおいては、少し無理があるのが分かると思います。

5sma_day04

5sma_day06


あぁ、なんか凄く似てる。

で、この「20MA」という文字を見て、 ハッ! とした方も多いんじゃないでしょうか。

そう、20期間移動平均線といえば、インジケーターを用いたテクニカルでは、王道中の王道。

5sma_day07

5sma_day08

例えば、先の日足チャートの次の日の始まりは、以下の様になります。

  • 5SAMはやや上向き
  • しかし、数日間の流れでの5SMAは小さな波を打ちながらの横ばい
  • 5SMAと価格はやや離れ気味

5sma_day09

ということで、4時間足ボリンジャーバンドのチャートを覗いてみます。

もう、ぱっと見でレンジ。バンド幅はスクイーズしてない状態から+2σにタッチしている状態です。とてもじゃないですが、ロングで攻める気にはなれません。朝からショートで攻めて見たくなる場面ですね。

5sma_day10

ということで、この後、どんな風にチャートは動いたでしょうか?ちなみに上のチャートは、昨日の朝方のチャートで、下がその結果となる、今日の朝のチャートになります。

  • トレンドが出ている時は、日足5SMAの代用である20SMA(ボリンジャーのミドルバンドのことね)付近まで来たらトレンド方向に攻める
  • ボリンジャーバンドが横を向いている時は、2σまで到達もしくはその付近で長ヒゲが出たら逆張りで攻める

5sma_day11


ほら、こんなに明確にエントリーポイントが見えてくるわけです。このタイミングが来るのを「待つ」ことが、とっても大切なんですね。

ただ、僕はここの解説に至るまでに、5日移動平均線によるチャート分析方法から徐々にその理屈を展開させていきました。そして、これらを読みながら練習を繰り返してきた人たちからすれば、ここにきてようやく腑に落ちたんじゃないでしょうか?

関連記事

よかったらシェアしてね!
  • URLをコピーしました!
  • URLをコピーしました!

コメント

コメントする

目次
閉じる