مکدی و اختلاف فاز؛ رابطه EMA سریع و کند در چرخه‌های بازار

آیا مثبت‌بودن MACD یعنی چرخه کوتاه‌مدت از چرخه بلندمدت جلوتر است؟
پاسخ کوتاه این است: خیر، نه لزوماً.
اندیکاتور MACD از اختلاف دو میانگین متحرک نمایی ساخته می‌شود. این دو میانگین نسبت به قیمت سرعت واکنش متفاوتی دارند و در برابر مؤلفه‌های نوسانی، تغییر دامنه و فاز متفاوتی ایجاد می‌کنند.
اما اختلاف مقدار دو میانگین با اختلاف فاز آنها یکسان نیست.

مکدی (MACD) مخفف Moving Average Convergence Divergence به معنی همگرایی و واگرایی میانگین‌های متحرک است. این اندیکاتور از اختلاف دو میانگین متحرک نمایی ساخته می‌شود و تغییرات حرکت قیمت را در دو مقیاس زمانی متفاوت نشان می‌دهد.
MACD معمولاً برای بررسی جهت حرکت، تغییرات مومنتوم، تقاطع‌ها و واگرایی‌ها استفاده می‌شود.
اما از نگاه تحلیل چرخه، سؤال مهم‌تری وجود دارد:
وقتی دو میانگین با سرعت واکنش متفاوت را از یکدیگر کم می‌کنیم، چه بخشی از رفتار قیمت در خروجی باقی می‌ماند؟

فیلتر میان‌گذر (Band-Pass Filter) ابزاری در پردازش سیگنال است که یک محدوده مشخص از فرکانس‌ها را نسبت به فرکانس‌های پایین‌تر و بالاتر بهتر عبور می‌دهد.
در تحلیل چرخه‌های بازار، این ویژگی کمک می‌کند اثر روندهای بسیار آهسته و نوسان‌های بسیار سریع کاهش یابد تا بتوانیم رفتار چرخه‌های یک محدوده زمانی مشخص را بهتر بررسی کنیم.
برای مثال، اگر هدف مطالعه نوسان‌هایی با دوره تقریبی ۱۵ تا ۳۰ کندل باشد، می‌توان فیلتری طراحی کرد که مؤلفه‌های این محدوده را نسبت به چرخه‌های بسیار بلند و بسیار کوتاه برجسته کند.

فیلتر بالاگذر یا High-Pass Filter یکی از ابزارهای مهم پردازش سیگنال است که مؤلفه‌های کم‌فرکانس را تضعیف می‌کند و مؤلفه‌های پرفرکانس را نسبت به آنها بهتر حفظ می‌کند.
در تحلیل بازارهای مالی، از این ویژگی می‌توان برای کاهش اثر حرکت‌های آهسته، حذف یا تضعیف روند و بررسی نوسان‌های سریع‌تر قیمت استفاده کرد.
بااین‌حال، فیلتر بالاگذر به‌تنهایی مشخص نمی‌کند کدام نوسان ناشی از یک چرخه قابل‌تحلیل است و کدام نوسان به نویز یا تغییرات نامنظم بازار مربوط می‌شود.

فیلتر پایین‌گذر یا Low-Pass Filter یکی از مهم‌ترین ابزارهای پردازش سیگنال است که برای حفظ نسبی مؤلفه‌های کم‌فرکانس و تضعیف مؤلفه‌های پرفرکانس طراحی می‌شود.
در بازارهای مالی، این ویژگی معمولاً به شکل کاهش نوسان‌های سریع و نمایش هموارتر حرکت قیمت ظاهر می‌شود.
میانگین‌های متحرک ساده (SMA)، میانگین‌های متحرک نمایی (EMA) و بعضی فیلترهای پیشرفته مانند SuperSmoother از نمونه‌های فیلتر پایین‌گذر هستند.
اما نکته اصلی این است که هموارسازی قیمت با کشف چرخه یا پیش‌بینی جهت آینده بازار یکسان نیست.

فیلتر در تحلیل چرخه ابزاری ریاضی است که برای تغییر سهم مؤلفه‌های مختلف یک سری زمانی به کار می‌رود. در بازارهای مالی، فیلترها می‌توانند نوسان‌های سریع را تضعیف کنند، حرکت‌های آهسته‌تر را برجسته سازند یا توجه تحلیلگر را به محدوده مشخصی از فرکانس‌ها معطوف کنند.
میانگین‌های متحرک از شناخته‌شده‌ترین نمونه‌های فیلتر در تحلیل تکنیکال هستند. اما کاربرد پردازش سیگنال بسیار گسترده‌تر از هموارسازی ساده قیمت است.

میانگین‌های متحرک کوتاه‌مدت و بلندمدت دو روش متفاوت برای مشاهده رفتار قیمت در مقیاس‌های زمانی مختلف هستند. میانگین کوتاه به تغییرات جدید حساس‌تر است؛ درحالی‌که میانگین بلند، نوسان‌های بیشتری را هموار می‌کند و تصویر آهسته‌تری از حرکت قیمت ارائه می‌دهد.
مقایسه این دو میانگین به تحلیلگر کمک می‌کند رابطه حرکت‌های کوتاه‌مدت با ساختار هموارتر بازار را بررسی کند.
اما یک پرسش مهم وجود دارد:
آیا اختلاف میانگین کوتاه و بلند واقعاً اختلاف فاز چرخه‌های بازار را نشان می‌دهد؟

تأخیر میانگین‌های متحرک یکی از مهم‌ترین ویژگی‌های این ابزارها در تحلیل تکنیکال و تحلیل چرخه‌ای بازار است. میانگین متحرک با استفاده از داده‌های قیمت، نوسان‌ها را هموار می‌کند؛ اما در این فرایند ممکن است تغییرات بازار دیرتر در خروجی آن منعکس شوند.
به‌طور معمول،میانگین متحرک کوتاه‌مدت نسبت به تغییرات جدید حساس‌تر است و میانگین بلندمدت رفتار هموارتری دارد.
بااین‌حال،برای تحلیل علمی این موضوع باید میان سه مفهوم تفاوت بگذاریم:
تأخیر واکنش به تغییرات قیمت
تأخیر فازی یک مؤلفه نوسانی
تأخیر گروهی یک فیلتر

میانگین متحرک ساده یا Simple Moving Average (SMA) یکی از شناخته‌شده‌ترین ابزارهای تحلیل تکنیکال و پردازش سری‌های زمانی است. این ابزار با محاسبه میانگین تعداد مشخصی از قیمت‌های متوالی، نموداری هموارتر از قیمت خام تولید می‌کند.
ویژگی اصلی SMA این است که تمام داده‌های داخل پنجره محاسباتی وزن یکسانی دارند.
اما در تحلیل چرخه‌ای، اهمیت SMA فراتر از هموارسازی نمودار است. این میانگین بر دامنه و فاز مؤلفه‌های نوسانی اثر می‌گذارد و می‌تواند در بررسی رفتار قیمت نسبت به یک مرجع متحرک استفاده شود.

میانگین متحرک (Moving Average) با ترکیب داده‌های گذشته،برخی نوسان‌های سریع قیمت را تضعیف می‌کند و خروجی هموارتری می‌سازد.اما این ابزار نمی‌تواند به‌طور قطعی تشخیص دهد کدام حرکت نویز است و کدام حرکت اطلاعات واقعی بازار را نشان می‌دهد.
از دید پردازش سیگنال،میانگین‌های متحرک استاندارد مانندSMA وEMA نوعی فیلتر پایین‌گذر هستند؛ یعنی معمولاً مؤلفه‌های کم‌فرکانس را بیشتر حفظ می‌کنند و مؤلفه‌های پرفرکانس را تضعیف می‌کنند.
برای درک دقیق این رفتار باید تفاوت میان نویز، فرکانس،دامنه و دوره چرخه را بشناسیم.