Eksponensiell Bevegelig Gjennomsnitt Metode

Eksponentiell Flytende Gjennomsnitt - EMA. BREAKING DOWN Eksponentiell Moving Average - EMA. De 12 og 26-dagers EMAene er de mest populære kortsiktige gjennomsnittene, og de brukes til å skape indikatorer som den bevegelige gjennomsnittlige konvergensdivergens MACD og prosentvis prisoscillator PPO Generelt brukes 50 og 200 dagers EMAer som signaler for langsiktige trender. Tradere som benytter teknisk analyse, finner glidende gjennomsnitt veldig nyttige og innsiktsfulle når de brukes riktig, men skaper kaos når de brukes feil eller blir feilfortolket. Alle de bevegelige gjennomsnittene som ofte brukes i teknisk analyse, er av sin natur sakte indikatorer. Konklusjonene trukket fra å bruke et glidende gjennomsnitt til et bestemt markedskart bør derfor være å bekrefte et markedskryss eller for å indikere dets styrke. Svært ofte, med tiden et glidende gjennomsnitt indikatorlinjen har endret seg for å gjenspeile et vesentlig trekk i markedet, har det optimale punktet for markedsinngang allerede passert. En EMA tjener til å lette denne dyktigheten mma til en viss grad Fordi EMA-beregningen plasserer mer vekt på de nyeste dataene, klemmer prishandlingen litt strammere og reagerer derfor raskere Dette er ønskelig når en EMA brukes til å utlede et handelsinngangssignal. Interpretering av EMA. Som alle bevegelige gjennomsnittlige indikatorer, de er mye bedre egnet for trending markeder Når markedet er i en sterk og vedvarende opptrinn, vil EMA-indikatorlinjen også vise en uptrend og omvendt for en nedtreden. En årvåken handelsmann vil ikke bare være oppmerksom på retningen av EMA-linjen, men også forholdet mellom forandringshastigheten fra en linje til den neste. For eksempel som prisvirkningen av en sterk opptrend begynner å flate og reversere, vil EMAs endringshastighet fra en linje til den neste begynne å redusere til det tidspunkt at indikatorlinjen flater og endringshastigheten er null. På grunn av den sakte effekten, ved dette punktet eller til og med noen få barer før, bør prishandlingen allerede ha reversert. Det følger derfor at observere Å få en konsistent avtagende endring i EMAs endringsgrad kunne i seg selv brukes som en indikator som ytterligere kunne motvirke dilemmaet som skyldes den forsinkende effekten av å flytte gjennomsnittlig bruk av EMA. EMA er ofte brukt sammen med andre indikatorer for å bekrefte signifikant Markedsbevegelser og å måle deres gyldighet For handelsmenn som handler i dag og fastflyttende markeder, er EMA mer anvendelig. Slike handlere bruker EMAer til å bestemme handelspartnere. For eksempel, hvis en EMA på et daglig diagram viser en sterk oppadgående trend, en intraday trader s strategi kan være å handle kun fra den lange siden på en intradag chart. Eksponentiell utjevning Explained. Copyright Innhold på er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Når folk først møter begrepet eksponentiell utjevning, tror de kanskje det høres ut som et helvete med mye utjevning, uansett utjevning er De begynner å forestille seg en komplisert matematisk beregning som sannsynligvis krever en grad i matematikk t Å forstå, og håper at det er en innebygd Excel-funksjon tilgjengelig hvis de noensinne trenger å gjøre det. Virkeligheten av eksponensiell utjevning er langt mindre dramatisk og langt mindre traumatisk. Sannheten er at eksponensiell utjevning er en veldig enkel beregning som oppnår en heller Enkel oppgave Det har bare et komplisert navn fordi det som teknisk sett skjer som følge av denne enkle beregningen, er faktisk litt komplisert. For å forstå eksponensiell utjevning, hjelper det å starte med det generelle begrepet utjevning og et par andre vanlige metoder som brukes til å oppnå utjevning. Hva er smoothing. Smoothing er en svært vanlig statistisk prosess Faktisk støter vi jevnlig på jevne mellomrom i ulike former i vårt daglige liv. Hver gang du bruker et gjennomsnitt for å beskrive noe, bruker du et glatt nummer. Hvis du tenk på hvorfor du bruker et gjennomsnitt for å beskrive noe, du vil raskt forstå begrepet utjevning. For eksempel har vi nettopp opplevd den varmeste vinteren på rekord. Hvordan går vi bort? Le å kvantifisere dette Vel, vi begynner med datasett av daglige høye og lave temperaturer for perioden vi kalder Vinter for hvert år i innspilt historie Men det gir oss en mengde tall som hopper rundt ganske mye, det er ikke som hver dag dette vinteren var varmere enn de tilsvarende dagene fra alle de foregående årene Vi trenger et nummer som fjerner alt dette hopper rundt fra dataene, slik at vi lettere kan sammenligne en vinter til den neste. Fjerning av hopping rundt i dataene kalles utjevning, og i dette tilfellet vi kan bare bruke et enkelt gjennomsnitt for å oppnå utjevning. I etterspørselsforespørsel bruker vi utjevning for å fjerne tilfeldig variasjonsstøy fra vår historiske etterspørsel. Dette gjør at vi bedre kan identifisere etterspørselsmønster primært trend og sesongmessighet og etterspørselsnivåer som kan brukes til å estimere fremtiden etterspørsel Støyen i etterspørsel er det samme konseptet som den daglige hoppingen rundt temperaturdataene Ikke overraskende er den vanligste måten folk fjerner støy fra etterspørselshistorien, å bruk et enkelt gjennomsnitt eller mer spesifikt et glidende gjennomsnitt Et glidende gjennomsnitt bruker bare et forhåndsdefinert antall perioder for å beregne gjennomsnittet, og disse periodene flytter når tiden går. For eksempel hvis jeg bruker et 4 måneders glidende gjennomsnitt, og i dag er 1. mai bruker jeg gjennomsnittlig etterspørsel som skjedde i januar, februar, mars og april 1. juni vil jeg bruke etterspørsel fra februar, mars, april og mai. vektet glidende gjennomsnitt. Når du bruker et gjennomsnitt er vi bruker den samme vekten vekten til hver verdi i datasettet. I 4 måneders glidende gjennomsnitt representerte hver måned 25 av det bevegelige gjennomsnittet. Når du bruker etterspørselshistorie for å fremstille fremtidig etterspørsel og spesielt fremtidig trend, er det logisk å komme til den konklusjonen at du vil at nyere historie har større innvirkning på prognosen. Vi kan tilpasse vår gjennomsnittlige beregning for å bruke forskjellige vekter til hver periode for å få de ønskede resultatene. Vi uttrykker disse vektene som prosentandeler, og summen av alle vekter for al l perioder må legge opp til 100 Derfor, hvis vi bestemmer oss for å bruke 35 som vekten for nærmeste periode i vårt 4 måneders veide glidende gjennomsnitt, kan vi trekke 35 fra 100 for å finne at vi har 65 igjen å splitte over den andre 3 perioder For eksempel kan vi ende opp med en veiing på henholdsvis 15, 20, 30 og 35 i de 4 månedene 15 20 30 35 100. Eksponentiell utjevning. Hvis vi går tilbake til konseptet om å bruke en vekt til den siste periode som 35 i det forrige eksempelet og sprer den gjenværende vekten beregnet ved å subtrahere den siste tidsvekten på 35 fra 100 til 65, har vi de grunnleggende byggeblokkene for vår eksponentielle utjevningsberegning. Den kontrollerende inngangen til eksponensiell utjevningsberegning er kjent som utjevningsfaktoren kalles også utjevningskonstanten. Det representerer i hovedsak vektingen som er brukt på den siste periodens etterspørsel. Så, hvor vi brukte 35 som vekten for den siste perioden i vektet glidende gjennomsnittlig beregning vi kunne også velge å bruke 35 som utjevningsfaktor i vår eksponentielle utjevningsberegning for å få en lignende effekt. Forskjellen med eksponensiell utjevningsberegning er at i stedet for å måtte finne ut hvor mye vekt som skal gjelde for hver tidligere periode, utjevningsfaktoren brukes til å automatisk gjøre det. Så her kommer eksponentiell del Hvis vi bruker 35 som utjevningsfaktor, vil vektingen av den siste perioden etterspørselen være 35 Vektingen av neste siste periode s krever perioden før den siste vil være 65 av 35 65 kommer fra å trekke 35 fra 100 Dette tilsvarer 22 75 vekting for den perioden hvis du gjør matematikken. Den neste siste periodens etterspørsel vil være 65 av 65 av 35, som tilsvarer 14 79 Perioden før det blir vektet som 65 av 65 av 65 av 35, som tilsvarer 9 61 osv. Og dette fortsetter gjennom alle dine tidligere perioder helt tilbake til begynnelsen av tiden eller det punktet du startet usin g eksponentiell utjevning for den aktuelle gjenstanden. Du antar sannsynligvis at det ser ut som en masse matematikk, men skjønnheten i eksponensiell utjevningsberegning er det heller enn å måtte beregne på hver tidligere periode hver gang du får en ny periode s etterspørsel, du bruker bare utgangen av eksponensiell utjevningsberegning fra forrige periode til å representere alle tidligere perioder. Er du forvirret ennå Dette vil gi mer mening når vi ser på den faktiske beregningen. Typisk refererer vi til utgangen av eksponensiell utjevningsberegning som neste periode prognose I virkeligheten trenger den endelige prognosen litt mer arbeid, men i denne spesifikke beregningen skal vi referere til det som prognosen. Eksponensiell utjevningsberegning er som følger. Den siste periodens etterspørsel multiplisert med utjevningsfaktor PLUS Den siste perioden s prognose multiplisert med en minus utjevningsfaktoren. D siste periode s etterspørsel S utjevningsfaktoren representert i desimalform slik at 35 ville bli representert som 0 35 F den siste perioden s anslår resultatet av utjevningsberegningen fra forrige periode. OR antar en utjevningsfaktor på 0 35. Det blir ikke mye enklere enn det. Som du kan se alt vi trenger for datainnganger her er den siste perioden s etterspørsel og den siste perioden s prognose Vi bruker utjevningsfaktoren vekting til den siste perioden s etterspørselen på samme måte som vi ville i vektet glidende gjennomsnittlig beregning Vi da bruk gjenværende vekting 1 minus utjevningsfaktoren til den siste perioden s prognose. Siden den siste perioden s prognosen ble opprettet basert på forrige periode s etterspørsel og forrige periode s prognose, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på etterspørselen etter perioden før det og prognosen for perioden før det, som var basert på perioden før det. vel, du kan se ho w alle tidligere periodens etterspørsel er representert i beregningen uten å faktisk gå tilbake og omberegne noe. Og det er det som kjørte den opprinnelige populariteten til eksponensiell utjevning. Det var ikke fordi det gjorde en bedre jobb med utjevning enn vektet glidende gjennomsnitt, det var fordi det var enklere å regne ut i et dataprogram Og fordi du ikke behøvde å tenke på hvilken vekting å gi tidligere perioder eller hvor mange tidligere perioder du vil bruke, som du ville i veiet glidende gjennomsnitt og fordi det bare hørtes kjøligere enn vektet glidende gjennomsnitt . Faktisk kan det hevdes at vektet glidende gjennomsnitt gir større fleksibilitet siden du har mer kontroll over vektingen av tidligere perioder. Virkeligheten er at noen av disse kan gi respektbare resultater, så hvorfor ikke gå med enklere og kjøligere lyding. Eksponensiell utjevning i Excel. Se, hvordan dette egentlig ser ut i et regneark med ekte data. Opphavsrett Innhold på er opphavsrettsbeskyttet og er ikke tilgjengelig for repu blikking. I figur 1A har vi et Excel-regneark med 11 ukers etterspørsel og en eksponensielt jevn prognose beregnet ut fra den etterspørselen jeg har brukt en utjevningsfaktor på 25 0 25 i celle C1 Den nåværende aktive cellen er Cell M4 som inneholder prognosen for uke 12 Du kan se i formellinjen, formelen er L3 C1 L4 1- C1 Så de eneste direkte inngangene til denne beregningen er den forrige perioden s etterspørsel Cell L3, den forrige perioden s varslet Cell L4, og utjevningsfaktoren Cell C1, vist som absolutt cellereferanse C1.Når vi starter en eksponensiell utjevningsberegning, må vi manuelt koble verdien til 1. prognose. Så i Cell B4, i stedet for en formel, skrev vi bare etterspørselen fra samme periode som prognose I Cell C4 har vi vår første eksponensielle utjevningsberegning B3 C1 B4 1- C1 Vi kan da kopiere Cell C4 og lime den inn i Cells D4 til M4 for å fylle resten av våre prognose celler. Du kan nå dobbeltklikke på en prognosecelle å se det er basert på previou s periode s prognose celle og forrige periode s etterspørselscelle Så hver etterfølgende eksponensiell utjevningsberegning arver utgangen fra den forrige eksponensielle utjevningsberegningen. Det er hvordan hver forrige periode s etterspørsel er representert i den siste periodens beregning, selv om denne beregningen ikke Direkte referanse til tidligere perioder Hvis du vil ha lyst, kan du bruke Excel s trace precedents funksjon For å gjøre dette, klikk på Cell M4, deretter på bånd verktøylinjen Excel 2007 eller 2010 klikk på Formulas-fanen, og klikk deretter Trace Precedents Det vil tegne kontaktlinjer til det første nivået av precedenter, men hvis du fortsetter å klikke Trace Precedents, vil det trekke kontaktlinjer til alle tidligere perioder for å vise deg det arvelige forhold. Nå kan vi se hva eksponensiell utjevning gjorde for oss. Figur 1B viser et linjediagram av vår etterspørsel og prognose Du ser hvordan den eksponensielt jevnte prognosen fjerner det meste av ujevnheten som hopper rundt fra den ukentlige etterspørselen, men st Ill klarer å følge det som ser ut til å være en oppadgående trend i etterspørselen. Du vil også merke at den glatte prognosen linje har en tendens til å være lavere enn etterspørselslinjen. Dette er kjent som trendlag og er en bivirkning av utjevningsprosessen. Hver gang du bruker utjevning når en trend er til stede, vil prognosen din ligge bak trenden. Dette gjelder for enhver utjevningsteknikk. Faktisk, hvis vi skulle fortsette dette regnearket og begynne å legge inn lavere etterspørselsnumre som gir en nedadgående trend, ser du etterspørselslinjen slipp, og trenden linjen beveger seg over det før du begynner å følge den nedadgående trenden. Det er derfor jeg tidligere nevnte produksjonen fra eksponensiell utjevningsberegning som vi kaller en prognose, trenger fortsatt litt mer arbeid. Det er mye mer å prognose enn å bare utjevne støtene i etterspørsel Vi må gjøre ytterligere tilpasninger for ting som trendlag, sesongmessighet, kjente hendelser som kan påvirke etterspørselen, osv. Men alt som er utenfor omfanget av denne artikkelen. Du vil sannsynligvis også r un i termer som dobbel eksponensiell utjevning og triple-eksponensiell utjevning Disse vilkårene er litt misvisende siden du ikke re-utjevner etterspørselen flere ganger du kan hvis du vil, men det er ikke poenget her. Disse termer representerer bruk av eksponensiell utjevning på Ytterligere elementer i prognosen Så med enkel eksponensiell utjevning, utjevner du basen etterspørsel, men med dobbel eksponensiell utjevning utjevner du basen etterspørsel pluss trenden, og med trippel eksponensiell utjevning utjevner du basen etterspørsel pluss trenden pluss seasonality. The andre mest brukte spørsmålet om eksponensiell utjevning er hvor får jeg utjevningsfaktoren min? Det er ikke noe magisk svar her, du må teste forskjellige utjevningsfaktorer med dine etterspørseldata for å se hva som gir deg de beste resultatene. Det er beregninger som kan automatisk sette og endre utjevningsfaktoren Disse faller under termen adaptiv utjevning, men du må være forsiktig med dem. Det er enkelt y er ikke et perfekt svar, og du bør ikke blindt implementere noen beregning uten grundig testing og utvikle en grundig forståelse av hva denne beregningen gjør. Du bør også kjøre hva-hvis scenarier for å se hvordan disse beregningene reagerer på etterspørselsendringer som kanskje ikke eksisterer i krev data som du bruker til testing. Dataeksemplet jeg brukte tidligere er et veldig godt eksempel på en situasjon der du virkelig trenger å teste noen andre scenarier. Dette bestemte datautvalget viser en noe konsekvent oppadgående trend. Mange store selskaper med svært kostbar prognoseprogramvare fikk i store problemer i den ikke så fjerne fortiden da deres programvareinnstillinger som var tweaked for en voksende økonomi, reagerte ikke bra når økonomien begynte å stagnere eller krympe. Slike ting skjer når du ikke forstår hva dine beregninger programvare faktisk gjør Hvis de forsto deres prognose system, de ville ha kjent de trengte å hoppe inn og endre noe når det wer e plutselige dramatiske endringer i deres virksomhet. Så der du har det grunnleggende eksponensiell utjevning forklart Vil du vite mer om bruk av eksponensiell utjevning i en faktisk prognose, sjekk ut boken Inventory Management Explained. Copyright Innhold på er opphavsrettsbeskyttet og er ikke tilgjengelig for republisering. Dave Piasecki er eier operatør av Inventory Operations Consulting LLC et konsulentfirma som tilbyr tjenester relatert til lagerstyring, materialhåndtering og lageroperasjoner. Han har over 25 års erfaring i driftsadministrasjon og kan nås gjennom sitt nettsted, hvor han opprettholder Ytterligere relevant informasjon. My Business. Simple Vs Eksponentielle Moving Gjennomsnitt. Gjennomgående gjennomsnitt er mer enn studien av en sekvens av tall i etterfølgende rekkefølge Tidlige utøvere av tidsserier analyse var faktisk mer opptatt av individuelle tidsserier tall enn de var med interpolering av den data Interpolering i form av sannsynlighetsteorier og analyse, kom mye senere, da mønstre ble utviklet og korrelasjoner oppdaget. Når det ble forstått, ble ulike formede kurver og linjer trukket langs tidsseriene i et forsøk på å forutsi hvor datapunktene kunne gå. Disse anses nå grunnleggende metoder som for tiden brukes av teknisk analyse handelsfolk Kartlegging analyse kan spores tilbake til 18th Century Japan, men hvordan og når flytte gjennomsnitt ble først brukt til markedsprisene er fortsatt et mysterium Det er generelt forstått at enkle glidende gjennomsnitt SMA ble brukt lenge før eksponentielle glidende gjennomsnitt EMA, fordi EMAs er bygget på SMA-rammeverket og SMA-kontinuumet ble lettere forstått for plotting og sporing. Ønsker du litt bakgrunnsavlesning. Sjekk ut Flytte gjennomsnitt. Hva er de. Enkelte bevegelige gjennomsnittlige SMA Enkle glidende gjennomsnitt ble den foretrukne metoden for å spore markedspriser fordi de er raske til å beregne og lett å forstå Tidlige markedsutøvere opererte uten bruk av soph isticated chart metrics i bruk i dag, så de var hovedsakelig avhengige av markedsprisene som deres eneste guider. De kalkulerte markedsprisene for hånd og graste disse prisene for å angi trender og markedsretning. Denne prosessen var ganske kjedelig, men viste seg å være ganske lønnsom med bekreftelse av videre studier. For å beregne et 10-dagers enkelt glidende gjennomsnitt, legger du bare til sluttkursene de siste 10 dagene og deler med 10. 20-dagers glidende gjennomsnitt beregnes ved å legge sluttkursene over en 20-dagers periode og divide med 20, og så videre. Denne formelen er ikke bare basert på sluttkurs, men produktet er et middel av priser - en delmengde Flytende gjennomsnitt kalles flytting fordi gruppen av priser som brukes i beregningen beveger seg i henhold til punktet på diagrammet. Dette betyr gamle dager blir tapt til fordel for nye sluttkursdager, så en ny beregning er alltid nødvendig som tilsvarer tidsrammen for gjennomsnittlig sysselsatt. Så en 10-dagers gjennomsnitt blir omregnet ved å legge til den nye dagen og slippe den tiende dagen , og den niende dagen blir tapt på den andre dagen. For mer om hvordan diagrammer brukes i valutahandelen, sjekk ut våre kartbaser. Walkthrough. Exponential Moving Average EMA Det eksponentielle glidende gjennomsnittet har blitt raffinert og mer vanlig siden 1960-tallet, takket være Tidligere utøvere eksperimenterer med datamaskinen Den nye EMA vil fokusere mer på de nyeste prisene enn på en lang rekke datapunkter, da det enkle glidende gjennomsnittet er nødvendig. Den nåværende EMA-prisen nåværende - tidligere EMA X-multiplikator tidligere EMA. Den viktigste faktoren er utjevning konstant at 2 1 N hvor N antall dager. En 10-dagers EMA 2 10 1 18 8. Dette betyr en 10-års EMA vekter den siste prisen 18 8, en 20-dagers EMA 9 52 og 50- dag EMA 3 92 vekt på den siste dagen EMA arbeider ved å veie forskjellen mellom den nåværende periodens pris og den tidligere EMA, og legge resultatet til forrige EMA Jo kortere perioden jo mer vekt ble brukt til den siste prisen. Fitting Lines Av t Hese beregninger, poeng er plottet, avslørende en passende linje Monteringslinjene over eller under markedsprisen betyr at alle bevegelige gjennomsnitt er forsinkende indikatorer og brukes primært til følgende trender De fungerer ikke bra med utvalgsmarkeder og overbelastningsperioder fordi monteringslinjene unnlater å indikere en trend på grunn av mangel på tilsynelatende høyere høyder eller lavere nedturer. Tilpasningslinjer har en tendens til å forbli konstant uten ledetråd. En stigende feste linje under markedet betyr lang, mens en fallende feste linje over markedet betyr en kort For en fullstendig veiledning, les vår Moving Average Tutorial. Formålet med å bruke et enkelt glidende gjennomsnitt er å se og måle trender ved å utjevne dataene ved hjelp av flere grupper av priser. En trend er spottet og ekstrapolert til en prognose. Forutsetningen er at Tidligere trendbevegelser vil fortsette For det enkle glidende gjennomsnittet, kan en langsiktig trend bli funnet og fulgt mye lettere enn en EMA, med rimelig forutsetning ption at feste linjen vil holde sterkere enn en EMA linje på grunn av lengre fokus på gjennomsnittlige priser. En EMA brukes til å fange kortere trendbevegelser på grunn av fokus på de siste prisene. Med denne metoden skulle en EMA redusere eventuelle lags i det enkle glidende gjennomsnittet, vil festebåndet kramme prisene nærmere enn et enkelt bevegelige gjennomsnittsproblem. Problemet med EMA er dette. Det er utsatt for prisbrudd, spesielt under raske markeder og volatilitetsperioder. EMA fungerer bra til prisene bryter sammen linje. høyere volatilitetsmarkeder, kan du vurdere å øke lengden på den bevegelige gjennomsnittlige termen. En kan også bytte fra en EMA til en SMA, siden SMA glatter ut dataene mye bedre enn en EMA på grunn av fokus på langsiktige midler. Trend - Følgende indikatorer Som forsinkende indikatorer tjener bevegelige gjennomsnitt som støtte - og motstandslinjer Hvis prisene går under en 10-dagers monteringslinje i en oppadgående trend, er sjansene gode at den oppadgående trenden kan avta, eller i det minste m arket kan konsolidere Hvis prisene går over et 10-dagers glidende gjennomsnitt i en nedtrend, kan trenden bli avtagende eller konsolidere. I disse tilfellene skal du bruke et 10- og 20-dagers glidende gjennomsnitt sammen og vente på 10-dagers linje å krysse over eller under 20-dagers linjen Dette bestemmer neste kortsiktige retning for priser. For lengre siktperioder, se 100- og 200-dagers glidende gjennomsnitt for langsiktig retning For eksempel ved hjelp av 100- og 200-dagers bevegelse gjennomsnitt, hvis 100-dagers glidende gjennomsnitt krysser under 200-dagers gjennomsnittet, kalles det dødskrysset og er veldig bearish for priser. Et 100-dagers glidende gjennomsnitt som krysser over et 200-dagers glidende gjennomsnitt kalles det gyldne krysset og er veldig bullish for priser Det spiller ingen rolle om en SMA eller en EMA blir brukt, fordi begge er trend-følger indikatorer Det er bare på kort sikt at SMA har små avvik fra motparten, EMA. Conclusion Moving average er Grunnlaget for diagram - og tidsserieanalyse Enkel flytting gjennomsnitt og de mer komplekse eksponentielle glidende gjennomsnittene bidrar til å visualisere trenden ved å utjevne prisbevegelser. Teknisk analyse blir noen ganger referert til som en kunst i stedet for en vitenskap, som begge tar år å mestre. Lær mer i vår tekniske analyseoppgave.