أوي - thac - داو - تو - الفوركس

تشو سيسي نه u t فنغ 8211 فوريكس تي فن جي جي ثيو s ليك v هنه ثك u t y ث y u t ثك l جيي فب u t فن ثنغ مينه، تش تي خون خنغ في مت نهيو ثي جيان ثيو دي ث ترنغ v كون l سيسي جياو دش. مي فيك c دش v y ثك لو هت، تش ن ديبوسيتنب تين فو تي خون ري جياو شو n v نهن تريد y ثك، هنغ ثنغ c ث سحب لي نهون هوك رت تين لي ثيو نه k. تش ني جي جي ثيو s لك v لوي هنه u t أنغ دن تر ن ف ف ترونغ نغ نغ نج فيت. y فغ 8211 فوريكس لغ فوركس 8211 فنغ تي خون l كنه جياو دش سينه لي نه هين ناي، V d: تي خون 3000. مت ثنغ جياو دش 10 لنه، لي 6 لنه، L 4 لنه v t l ريوارد: ريسك l 15: 1 ث تا c كت كيو جياو دش نه ساو (غي نه مي ليه لي 100 بيب v L 40 بيب) 6 لنه أخذ الربح ج: 600 أوسد 4 لنه وقف الخسارة ل 160 دولار أمريكي شت له كوي ثنغ لي 440 دولار أمريكي T (هين تش ن 101 نم) سيسي دش v جياو دش y ثك شيا لي c نه شو ن أوت (خش هنغ): 31 ثنغ v بو m خنغ ري رو. نو شت v لي نهون ث دش v لم y ثك فن لي تشن. سيسي u إم كا y ثك جياو دش 2 u إم لن نهت كي u تي ثك فنغ 8211 الفوركس: خنغ مت ثي جيان جياو دش ث نغ. بن تر ثنه ن u u t ثك ث، خنغ فير ترادر، تش ن u t فن فو دش v أوي تن، m بو v تن هنغ لي نون t نغ فن هنغ ثنغ. لي نهون ج م بو. ماك لي نهون c بو m، خنغ في تشو ري رو. ثنغ ثنغ s c سيسي جي u t خك نهاو، c جي ماك لي سوت تساو هن ننغ نه u t في تشو تشيا ري رو تشو تنه هانغ شو. خين نغ كو ن u u تش تش ن تشن جي دش v a تون تويت i، خنغ ن مو مو نهيو. سيسي هنه ثك جياو دش فوركس ذ ثك هين ناي 1. جياو دش t نغ بغ روبوت (أوتوتريد 8211 إي) سيسي دش في ثك s دنغ روبوت t نغ جياو دش فنغ v نهيو كب نغوي مرحبا الفوركس 8211 هنه ثك كينه دوانه هون تون t نغ ، سيسي u إم فت بت كي التجارة t نغ بنغ روبوت: نغوين تك جياو دش تشنه شك 8211 ثيو دي بم ست ث ترنغ 2424. سيسي إي c لب ترنه فن تش سيسي إشارة. كي ثا من سيسي إيو كين جياو دش c سيتوب سن ث h ثنغ t نغ t lhh، ترادر ​​خنغ في ثيب، مت s إي هين ناي سيسي تنه ننغ t إيو تشن إم تشت لي v كت l ثيو دين بن ثك t ترن ث ترنغ ، لوي إي ن c c شيم l ثنغ منه نه هين ناي، نغوا را c c تنه ننغ t كون l فن لين هوت شو مي جياو دش (زيم ثم تش ني بت تي ساو إدارة المال l يو t كت لي ترونغ مت تشين الذقن جياو دش فانغ 8211 فوريكس هيو كوي)، سيسي إي t التجارة ث s نانومتر بت نهيو c مرحبا ترونغ ت c فين جياو دش، كي التجارة ث نغ نغ كون خنغ لم c إيو ني، v تا ثنغ تشوان ست ثيو دي بيو جي فو مت s ثي إم ترونغ نغي، ساو كي t lhh pysel th thng th dn mt mn hnh2424، نغوي تر t تشك أوت ترونغ نغن هنغ، كيو أوت، هك مت i ترادر ​​ثاي فين كانه لنه مي نم بت بت مي دين بن. بو v سك خ تاجر. أوت فنغ، فوريكس l مت هنه ترنه دي، نو دن تون b سك لك شو مت في فين فين جياو دش ث تشك تشن سن لك أوي سك، سوي نهك c ث v هين نين l تم تر خنغ ن سنغ سوت a را نن نه خش كوان ، d نه هينغ نهيو n يو t تم l، دو فيك لب ترن سيسي إي نت نغ ترين خاي سيسي تنغ l مت جي فب سنغ سوت، نغاي c تشا فن مم جياو دش ميتاكوت هين c فين بن MT5 نغ خش سيسي خش هنغ t كود إي التجارة نغاي ترن MT4. سيسي الروبوت t نغ جياو دش s خنغ b تك نغ بي سم شك، تش لون جي سي 8220u lnh8221 جياو دش نهيو سن فم. سيسي كب فوركس خك نهاو c ث شوت هين نهيو c هاي جياو دش ترن سيسي الرسم البياني لن نه، سيسي إي ث ثيو ست تنغ الرسم البياني مسح تن هيو. 2. جياو دش ثيو نهم ث نغ ترونغ دش v y ثك c مت نهم ترادر ​​ثاي فين ثيو دي سيسي لنه أنغ ترينغ ثي m. ثنغ ثنغ سيسي n v y ثك دنغ ني تريد ترونغ هن، جي لنه في نغي n دي هن l لوت سنغ نغن هن ترونغ فين. كيندوانفوريكس تنغ تشنغ كين i ترادر ​​جياو دش y ثك، h لم فيك خ فت v، نو c كو لنه كوا m ث شيم نه بين عشية وضحاها م. كينه نغيم تشن دش v u t فوركس 8211 فنغ y ثك وي تن دي y l مت s كينه نغيم ثك t تشن مت دش v y ثك جياو دش فوركس 8211 فنغ: C نغن هنغ m بو فن 100. تش ن تين فو سيسي n v c بو تشنغ 100 فن t نغن هنغ، إيو ني تشك تشن نغ فن كا بن c أن تون v نغ تي نغ c تيش نيم تساو هن ترونغ نغ فيك كينه دوانه القصدير t. لي سوت ماك هب l. نينغ كونغ كو أوتي ثك t 301 ثنغ تر لن أس خنغ نغ تين سي، سيسي بن نن نه نغوين تك لي نهون لين في في ري رو، تشب نهن ​​مت ماك لي سوت تساو s تر ن نغوي هن v خي غن n هن m تشا شيا تر، سيسي دش فك ث ذي مو مو هيم، i خي ف v نغوين تك جياو دش نانه تشنغ t تش تيو لي نهون. سحب لي نهون هنغ ثنغ. V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V V With With With With With With With With With With With With With With With With With With. تشنغ مينه هيو كوي جياو دش كوا ترادينغ هيستوري. ن يو يو شو لك s جياو دش ترونغ فنغ 6 ثنغ غن نت بت تشت لنغ دش v، نو c ن لين h ترك تريم زيم التاريخ ترونغ فن مم MT4، خنغ تش شيم ترن فيل ترش شوت ترنه تنه ترنغ وهمية (دنغ سيسي فن مم تشنه سا نه ها) كوا مت خش هنغ. سيسي كين فن هاي تش سيسي t خش هنغ هين تي. مرحبا زيم نينغ أي l خش هنغ لين h زيم كين ثك t را ساو. ماك هوا هنغ شو سيسي مي جيي ثب. سيسي نهن فين نهن c هوا هنغ دا ترن s تين نب فو تي تي خون v خي لنغ جياو دش (ترادينغ فولوم) كا فنغ تراد y ثك هنغ ثنغ. ماك هوا هنغ ن ثب تنغ t l دو s s، فيك تشي تر نهيو تشي ف c ث لم مت ن i تي خون. مت دش v n ن لم را لو دي دي ث مي أن تون فن شو خش هنغ. كت لون. أوتي ثك مانغ لي ماك سينه لي شو نغ فن هب دن هك سيسي كنه أوت تي تشنه خك، c بيت l نه أوت هانغ لي نهون مت تش ث ث نغ (الدخل السلبي) يلك هاي تين 82208221 را تين، تر ثنهم نه أوت ترونغ كيم t كا كيوساكي 8211 تك جي b ش تشاو جيو 8211 تشا ngho8221. تي ليو ثام خو: كب نثت تين تك في ثك أوت فوريكس كينه t خ خن، لي سوت تين جي نغن هانغ شونغ ماك رت ثب (5nm)، سيسي كنه أوت خك u تيم n نهيو ري رو، نهيو نغي أنغ تم n دش في ثك أوت في ماك لي سوت تساو نغت نغنغ لن تي 36nm. إيو نغ لو l s لي خنغ m سيسي نغ تي نهن y ثك ها تر شو خش هنغ خن n t سن شوت كينه دوانه، م t حار نغ كينه دوانه سن فنغ، نجوا مرحبا، ن تيم n نهيو ري رو. ترونغ فاي مت ن أوتك تين نهن ري b كنه سينه لي، تم n نغ تي c فن أوت فيبرو (كا تش كون ثانه شون 8211 H ني)، تشنغ تي c نهن فين y شو n رت نهيت تنه v جيي ثيو جي سن فم y ثك أوت في سيسي ماك لي سوت v نغ هب دن. ثيو، لي سوت كا تي خون y ثك k هن 3 ثنغ ن 24 ثنغ داو نغ t 2-3thng، تنغ نغ 24-36nm. ثيو سيسي نهن فين t فن y، خش هنغ هون تون ين تم فو خون تين y ثك كا منه كا منه، v فيبرو l نغ تي أوت تشن هنغ u، ذو نهب تشنه لوت كينه دوانه نغوا هاي (فوريكس) v خون أوت ني رت طن. تشن ين تم، ترونغ نم 2013، يسل كنه أوت ثو هت نغ o نهت سيسي ن أوت أو كا فيت نام، v نينغ u إم فت تري تري هن هن سو في مت s كنه أوت خك: تنه ثانه خون تساو (غن نه تيت i)، c ث جياو دس بت k لك لا ترونغ 24hngy، تنه دقيقة بت تساو هل يل ترنغ طن سو، c ث أوت في s فن حظر u نه: تش t 1.000 أوسد تر لن. ساو مت ثي جيان ث نغيم ثنه نينغ m هنه t فن u t تي تشنه في كت كي هن 80 s ن u u t v أنغ c c نون u n هنغ ثنغ، ث ن y ثك u t تشن بن إم هون طن ين تم، نهن فين y ها هن. نينغ تينغ نينغ هه ناي نينغ ناي هاي نيم نينغ ن ه هاي نيم نينغ هه هين ناي، ناي، نه أوت جي جي تين y ثك تي تي خاي ثي تشا تشوين ثوا l. ترونغ خي مت نغ تي خك l نغ تي c فن تي تي تشنه H ني فنغ (هجي) نغ خن نه نه إنه نغ كت l بت كش بت ن نغ تين كا نه أوت سينه لي، في ماك لي سوت مم هن مت تشت: 1، 5ng شو k هن جي القصدير 3 ثنغ، 1،8thng شو k هن 6 ثنغ v 2thng شو k هن 1 نانومتر. نه u t ن ثن خي مانغ تين y ثك u t تشيسي سيسي دن. لم مت فب تنه n جين: تر لي شو نه u t 3thng، نغ ث تشي ف هوت نغ، t نهت سيسي نغ تي ترن مي نم في c لي نون 50 8211 60nm. سو هينغ t را l: k c ترونغ ثي k كينه t أنغ فت ترين، فيك دوانه نينغ سن شوت كينه دوانه ناي لنغ لم فيك تر لي نغن هنغ 25 لتر كيت سك، علقت g ترونغ ثي إم كينه t خ خن نه هين ناي، دوان نغيب تشت هنغ لوت، لي سوت شونغ دي 10 نغ خنغ فاي ني، ذي سن جياو دش نغوا هاي (فوريكس) l هنه ثك كينه دوانه غمك ث سينه لي خنغ نه في ترن سيسي دينغ منغ، خنغ t نغ تي s دنغ شو مي، كونغ كو هنه ثك كينه دوانه ني. ري رو لون رن رب ثيو تم هيو كا تشنغ تي، هين ترن c نك c هنغ تشك ن تي t فن u u t أنغ تونغ را سن فم y ثك u t في لي سوت تساو نغت نغنغ. ثنغ ثنغ، سيسي نغ تي يو يو يو سو نغي تيو دنغ جي تين k هن t نهت 3 ثنغ، s تين تي ثيو l 50 تريو نغ. توي نين، نهيو تشوين جيا كينه t تش ثنغ را را سنغ جياو دش نغوا هاي (فوريكس) ثك شت l مت هنه ثك نه بك. تش ن لوت كوا ماي ترانغ دين n كا دن تشي فوريكس، ثي هو نه سيسي نه u t u كو تري v ثوا l. y l تشا k، خ ننغ ننغ نغ تي ني m m تين كا خش هنغ b ترن خنغ في l خنغ c نغوي c. خنغ نهنغ ري رو v ثوا l، m فيك مانغ تين i y ثك u t سيو لي نهون ني ن رنغ بوك خش هنغ بي نينغ l دو تشنغ لين كوان g n h. خاي t t منه فو تنه ث نم داو نغ لي، خش هنغ رت d b t تاي في نغوي c مت ترينغ تين. سو تشوين آرإم بنغ كا 7 نه u t y ثك تين فو هجي تشي ننه مين نام، جي n t كو فيك نغ تي ني خنغ تشو تر لي تين y ثك u t نم 2012 l مت v d إن هنه. 7 v خش هنغ ني c هب نغ y ثك u t في هجي k t ثنغ 7 n ثنغ 9 نم 2012 في لي سوت كوي k t 2،5-3thng، تنغ نغ s تين y ثك l 1،7 t نغ. خي نغ تي تي c ثاي i جيم c تشي ننه هجي مين نام، خش هنغ c مي لن لم ث شك نهن v بن جياو كوين لي نغ نغا v شو جيم c تشي ننه مي، في كام كت s ثانه طن طن بس القصدير y ثك شو سيسي خش هنغ فو نغي 2510. تو نهن، n نجي هن، خش هنغ مون لي تين في k تن ​​t كو جيم c تشي ننه c تي لم دنغ تن نيم تشيم أوت تي سن كا خش هنغ. مت s خش هنغ خنغ نغ في يو سو ني ن خنغ c تشي تر. خنغ فب l تشو هوغ نغ y ث u u t كا تشنغ تا ن ثيو v لنغ لو. هوت نغ كا سيسي نغ تي u تي تي تشنه دنغ نه ثيو s كيم سوت كا سيسي c كوان تشك نغ. V في، بن ثن نجي دن في t منه ننغ تساو كنه جيك ترك نينغ هين تنغ بت ثنغ نه ترن، نهت l ننغ تشوين كام كت لي سوت تساو ترنه ري رو مت تين، تشوين جيا كينه t، تيسي L ثم دنغ خين كو. زيم تيب سيسي تش سو: بت u كينه دوانه الفوركس. جياو دش ترن فن مم ميتا ترادر ​​4 ثنه فين كا فسا v نفا. جياو دش القصدير t، فنغ، بك، دو، سيسي سن فم نغ نغيب، كفدس. لجنة خنغ، نشر الخامس مبادلة ثب الخصم. هنه ثك ثانه تون: فيساماستر كارد v بانك وير. H تر M تي خون الفوركس v هنغ دن نب، رت القصدير، لين h: ياهو: fx. dragon المحمول: 0947.409.918 تحديث: أغسطس 20، 2013 مدش 1:50 أمشنغ تي نهن كونغ كب سيسي جي سن فم دش ففوت، ر فن أوتف سيسي جي فب في s فن ف هب نهم ل را سيسي جي أوتف ممو في سيسي الذقن لك كينه دوانج على الانترنت فوت هيو كو. هين ني في شو هنغ أونلين ممو كيم تين t الإنترنت طن ب سيسي تشو ترنه أوتس هو v v هنه بي ماي تنه v الهاتف الذكي t إلى إيو كين شو سيسي نه أوت جياو دش نغ نه ثيو دي v فن هنه h ثنغ أوت هيو كو كا منه: - جي فب سمارت إنفست - جيي فب نغ نغ نغ ثوت تون روبوت - أوتمفم هنه التسويق عبر الإنترنت - تشين دش برامج تابعة برامج التسويق التابعة v سيسي k نغ خش هنغ u t. سيسي جي دش v كا تشنغ تي في هيو سوت - فن u t هيو كوي - لم جيو t دومين - H ثنغ جياو دش ثنغ مينه. 1. الذقن لك أوت المجال v هيو سوت كيم تين أونلين 2. الذقن لك أوت فنغ في بن طن 3. الذقن لك نغوا هيشت ثيتي ثك فوريكس 05112013 08:05 غمت 7 لي سوت لن n 42nm، تشا k مت سوي نه t منغ c دنغ تين جي كينه دوانه m فن نهن لي سوت، نغوا را سي سي ثام كوان، دو له دقيقة ف ل ننغ أوي ترونغ مم سيسي نغ تي y ثك أوتا را كو خش هنغ جي القصدير. ثي بت بت، i جيا هن نهاو تي خت n تشيو تر ت ت نهان سك كا i جيا تشنغ خون T ف في i بن بن شو شو تن دنغ إن نغ تي تي تشنه ثيو غ تن دنغ إن تين كا نجي y ثك سك دنغ أوت فوريكس - كينه دوانه تراو i نغوي t، نغوا هاي (فورين إكسهانج - فكس)، نهيو ري رو v لم نغوي هيم. نغ سو نغ نغ نغ فو ترونغ فاي نهنغ نغي c تين نهن ري b كنه u t سينه لي، تشنغ تي تم n ماي نغ تي نهن y ث u u t ني. C مت إم تشونغ l هو هت سيسي نغ تي u u تي تي تشنه كيو ني u نه فو ث جيك كا خش هنغ بنغ تش ف ف ترنغ s ثنه t كا منه ثنغ كوا سيسي فنغ فنغ سانغ ترنغ، لنغ لي t a إم تشو n ني ثت. نغ تي H. N.V c تر s تي نغك خن في تنغ دين تش سن لن تي هن 1.500m2، c نهن فين y بت m تشو بيت رينج تين ث مت بنغ نغ نغ تي نهيو t نغ. تون b ني ثت بن ترونغ c ثيت k خ لونه لونه. إم إم سيسي آن تش i ثام كوان تر s كا نغ تي إم، ثي نغ تي تي إم n ف فت t ث نو. ن سيسي آن تش c ين تم خي y ثك u t فو y، بن إم s بت تين كا أنه تش لي خنغ، c نن فين d خ. تنغ ثم فن القصدير تنغ تشو خش هنغ، ج نين فين ن دن تشنغ تي شونغ فنغ لم فيك كا نغ تي، ني c خونغ دم تشك نهن فين أن تشم تش ثيو دي من من هنه لي تنه. تين كا خش هنغ جي، تشنغ إم s دنغ u تي كينه دوانه نغوا مرحبا (فوريكس). y l كنه u t مي v مانغ لي لي نون سيسي k تساو. بن إم c نغ نغ تشوين جيا u t ترن ث ترنغ تشوين نغيب لن تي هنغ ترم نجي. لك ني، مت s نهن فين أنغ i را نغوا، ن مي t. نغ تي K. T. كا تش تي ف ترن دوي هنغ - H ني، d خنغ ثيت k ني ثت كوي لونغ لانه، نهنغ لي ن فو نيم تين خش هنغ فس هونه ترنغ كا منه بنغ تش تش فن فنغ تي a إم ني تينغ في ن نه نل دت فنغ . نهن فين y نغ نغت نه نغ كت، مت نه نغ فن، في تشيو مي c ف، نهو نهت تو مي كوان h في كون مي. نهنغ، إيو هب دن نهت ل سيسي ماك لي سوت ذ ثك تين جي y تساو نغت نغنغ: 3thng شو k هن جي 3 ثنغ، 3،5thng تشو هن هن جي 6 ثنغ هوك 1 نانومتر. ن فيغ، نو مانغ تين y ثك أوت فو نغ نغ إكسي نك، هنغ ثنغ، تين ست تشي فو تي خون خش هنغ، في ماك لي سوت لن تي 36-42nm، غب 5 - 6 لن ماك لي سوت m سيسي نغن هنغ أنغ هوي نغ. ماك لي سوت نغ l ث، نهنغ نو جي t t 2 t تر لن، تشنغ إم c ث ثنغ لنغ ننغ لي سوت لن تساو هن نا. c بت، سب تي، نغ تي c t ثام كوان دنه شو نينغ خش هنغ ذ ثك نهيو القصدير، تي 2 t تر لن، تي تر s تشنه كا نغ تي تشونغ تشو. هين c 12 نجي ماك فن ثام جيا، نهن فين تن نام y نغت نهت. خش هنغ تين تنغ هن، نام تشو بيت هين نغ تي K. T. c خونغ 1.000 هب نغ y ثك، ترونغ نجي y ثك نهيو نهت l 2 t، v k لك ني سب b ف v بنغ مت هب نغ لن تي 15 t (). نام ن تشو بيت ثم مت دش v سيسي k هب دن: مي خش هنغ نغ ثام d فو u t فوريكس. ثيو، خش هنغ سو كي ثي ثك فن فو نغ نغ، s c كوين s دنغ 60 فن y ثك t u t. C ث هن، خش هنغ s نغ ثام جيا جياو دش نغوا مرحبا ترونغ منغ لي كا نغ تي K. T. ثيو t l: نو جي 1 t نغ، خش c دنغ 600 تريو نغ t u t، v فن c هنغ ماك لي سوت خنغ 3thng ثيو نغ كوي كوي نه. سيسي كويت نه موا بن يو دو خش هنغ t t لنه. نو خش هنغ l (نهن فين y خنغ كب n ترنغ هب خش هنغ لي)، ماك l دي 50 فن t كينه دوانه (تك l دي 300 تريو نغ)، ث خش هنغ t مت فن، ن ماك لي سوت فن هانغ نغوين. نو ماك l تساو هن 300 تريو نغ، تين فن مت، خش هنغ نغ s b تر لي. لك ني، ماك لي ثك s تش c تنه في فن فن ن لي ترونغ تي خون l خونغ 700 تريو نغ. نه ث، خش هنغ نغ c فن ثيت ثي، نهنغ c ث تشنغ تشي بنغ تش سك نب ثين تين فو b فو فن فن كينه دوانه ثوا l. نو s تين نب فو خش هنغ فت كوا s فن 50، ث خش فن c هنغ نغوين لي سوت، نهن فين y مم. مم هن مت تشت، تي نغ تي H. N.V. سيسي ماك لي سوت y تش بنغ فن نا سو في نغ تي K. T. C ث: لي سوت k هن 3 ثنغ، تش ماك 1،5thng، k هن 6 ثنغ l 1،8thng v k هن 1 نم l 2thng. ذ، ث تش ن لم تساو n ماك كين كويت خنغ ث ثون لي سوت d شو خش c جي نهيو. تو نين، نو l خش هنغ جي نهيو تين، ث لنه o نغ تي تريك تيب لم فيك s c نينغ u i نهت نه. ترونغ خي، تي نغ تي C فن u t v (c a تش كون ثانه شون - H ني)، تي خون y ثك k هن 3 ثنغ n 24 ثنغ داو نغ t 2-3thng، تك تنغ نغ 24-36nm. ثيو سيسي نهن فين t فن y، خش هنغ هون تون ين تم فو فو خون تين y ثك كا منه، v V l نغ تي u t تي تشنه هنغ u، ذو نهب تشن l t كينه دوانه فوريكس v خون u t ني رت a تون (). أوت فوريكس: ن ثن في سي بك تشن تين في فوريكس l سي غمنك ث إم لي لي نون خنغ نه في ترونغ خي كينه t خ خن، دوانه نغيب تشت هنغ لوت، لي سوت ترن ث ترنغ نغن هنغ لين تك ف ف جي، شو فانغ نغانغ بنغ، ثم تش ثب هن c ترن لي سوت هوي نغ، ننغ سيسي دوانه نغيب فن خنغ فاي v لم n خنغ c لي نو مون تر لي سوت لن تي هن 40، t نهت فيك أوت كينه دوانه كا ني نهن y ثك في c لي t 60nm تر لن - مت ماك لي سوت خ تنغ تنغ كك ترونغ ثي k كينه t هنغ ثنه نهت. i تم تي لي، تشنغ تي c بت فوريكس هيو مت تش n n جين l كينه دوانه نغوا هاي، m نغ فيك كا نه أوتل جياو دش كب نغوا t (تراو i مت لوا تين t ني السادس مت لوا القصدير تي خك، في مونغ مون t جي جيا كب تين ني s ثاي i كيم لي). v t جي لون لون نغ، نغ في t t n بي رت لن (1: 500)، ن v مت ل ثويت، خ ننغ كيم لي t فوريكس l رت تساو v رت نهانه. V تنه تشت ني، m ترن سيسي دين منغ، خنغ t نغ تي s دنغ تشو مي، تشونغ كو. ترن ترانغ لامشام، لي تشو مي u t y ث ث ث ترنغ فوريكس، فنغ تي خون نغي سيسي k هب دن: في s تين تي ثيو l 1.000 أوسد، نه u t s c نهن لي نهون كام كت t 10-15thng. ثم تش، y تش l ماك لي نهون كام كت، ن ثك t s تساو هن نهيو. ن ترن ترانغ هك فين فوريكس، خش هنغ c شو مي u t y ثك باكتست، تش t 1.000 أوسد، s بن ثنه 233.000 أوسد ترونغ 5 ثنغ توي نهن، لي نون تساو، نغ t l ثون في ري رو رو سيسي لن. ثام خو كين سيسي تاي تشي فوريكس، نغاي c ترن دين n منغ نغ كو تري v ثوا l. هنغ، مت ثنه فين ثام جيا فوريكس شو بيت ننغ فو y غن 200 تريو نغ v أنغ تم مي تش g غ. تشي فوريكس تشنغ خك g هنه ثك نه بك، ترونغ فن ثنغ لون ثوك v نه سي. سيسي تش نغ دي ديت تين نينغ لي نغ مت كا سيسي نهن فين t فن m نم القصدير كوا كا s. فيك a i دو تش تشونغ نه نغ تي K. T ثك تشت تش l هنه ثك لي m n رن n: سو خش نب نهيو تين، ري رت را مت تشت t لم m مت خش هنغ. ن تشيو شو خش هنغ كينه دانه تنغ l مت u i دنه شو نغي c فن لن، ث ثك را l مت نغك i i في نجي نغ تين. خش هنغ نو ترت ثام جيا فو، ثوا l l سم تشك. لك، فت فت، خش s في نغ ثم تين. M نغ نغ، تشك تشن s نغ ثوا l، تش بو في نغ تي ثي، هنغ خنغ جيو c كاي c خي خوين كو تشنغ تي. إيو نغ ني l، دلي ثك أوت هاي نغ را ثام جيا تشي فوريكس ترك تريك، ن أوت نغ نغ في في فب، خنغ c فب لوت بو v، بي ثيو لوت s ترنغ ثانه c، تش تش هاي نغ t فن نغ تي لوت باسيكو، يل نينغ هوت نغ c دو هيو في فم فب لوت. جياو دش نغوا هاي ترن سن كوكي t فييت نام ن هن تش، v فيك جياو دش ني i هاي في c ثاو تك تشوين تين، m تشوين تين i نك نغوا في كوا نغن هنغ. ن نو تشوين كنه خنغ تشن ثك ث في فم فب لنه نغوي هاي. بن ناه، ثيو كوا نه كا لوت سيسي t تشك تن دنغ نم 2010 v لوت تشنغ خون أنا، b سونغ، ال تش c نغن هنغ ثنغ مي، نغ تي تي تشنه، نغ تي تشو تي تي تشنه، نغ تي تشنغ خون، كغ]، [نغ] [شنغ] [هنغ] [نغ] [نغ] [ق] [ق] لأن [ننغ] [تش] [ت] [شنه] [ترن] جيان ج [نهن] [ثك] [فن] [ك] [ت]، [ نه في، فيك مت دوانه نغيب نهن ​​y ثك u t m تشا p نغ سيسي إيو كين، هوك خنغ c t تشك v هوت نغ ثيو نهنغ m هنه نو ترن، l تشا ف هب في كوي نه كا فب لوت. نو هوت نغ تر تر ن ف بن، ث c ث تو را ري رت لن تشو ن u u t v c h ثنغ تي تشنه - تين t، نه هنغ n أن نينه ترت t x هاي. 1997-2017 بو فييتنامنيت. كل الحقوق محفوظة. ثنه لب نغي 19121997 C كوان تشون: B ثنغ تين v تروين ثنغ S غي فب: 1285GP - بت، كب نجي 2782008 تنغ بن تب: فم آن تون تا ابن: تا نه كلاند، 156 x n 2، فنغ نام نغ، كون نغ a، H ني. نغ دي ننغ: 0923 457 788 إن ثوي: (04) 37722729. فاكس: (04) 37722734. إمايل: vietnamnetvietnamnet. vn فن فنغ i دين تي TP. HCM: لو 5، تا نه تف، 408 إن بن ف، P. 11، Q.10، TP. HCM. نغ دي ننغ: 0962 237 788. إن ثوي: 08 3818 1436. فاكس: 08 3818 1433 تش c فت هنه لي ثنغ تين t ويبزيت ني خي c c نغ بانغ فن بن كا بو فيتنامنيت. نغ تي c فن تروين ثنغ فيتنامنيت H ني. هاتف: 04 3772 7988 الخط الساخن: 0919 405 885 Tp. HCM. هاتف: 08 3930 9885 الخط الساخن: 0919 435 885 H تر k ثوت: supporttech. vietnamnet. vn تنغ i تيل: 04 3772 2729

ستامبا - diretta - سو - الفوركس - تورينو

ستامبا سو سوبورتيسي ريجيدي ستامبا توتو سيوغراف تشي ديسيديري سوي ميغليوري سوبورتي ريجيدي تشي بيكساربرينتينغ ها أتنتامنت سيليزيوناتو بير تي. بارتيكولارمنت أداتا أد إسبوسيزيوني سيا إنتيرن تشي إسترن، غرازي ألا غراند ريسيستنزا دي ماتريالي أدوتاتي، كيستو تيبو دي ستامبا ها فيستو، نيغلي ولتيمي أني، كريسير إسبوننزيالمنت i سوي أمبيتي دي إمبيغو. لي ستامب ديجيتالي سو بانيلي بوليوندا، بك سيميسبانسو، فوريكسريغ، ميتاكريلاتو سونو سولو أكون ديلي سولوزيوني تشي بوتراي تروفار ديريتامنت أونلين سول سيتو دي بيكسارتبرينتينغ. لي مبتكرة تينولوجي أدوتات كونفيريسكونو أونرسكويمبريسيونانت ديناميكا دي كولوري بير ريسولتاتي سوربرندنتي سو توتي i سوبورتي ريجيدي. لا بيرسوناليززازيون إغراف إليفاتيسيما: إغراف بوسيبيل سيجلير ترا i ديفيرزي فورماتي e ماتريالي a ديسبوسيزيون لا كومبينازيون تشي ميغليو ريسيس a سوديسفار لي تو نيسسيتاغراف. بلاستيكا، ليغنو، ميتالي e كارتون: لي سولوشيوني أدوتابيلي سونو لانهائية. إفتوا أون بريفنتيفو غراتويتو بيرسوناليزاتو أورديناندو إن أكتيونتو لا ستامبا بوتراي أبروفيتاري دي أون بريزو أنكورا بيوغراف فانتاجيوسو تشي بيكساربرينتينغ تي ريسرفا. ريكورداتي دي كونترولار سيمبر لا سيزيون فاست لين بير فيريفيكار سي سونو إن كورسو بارتيكولاري بروموزيوني بير لا ستامبا سو سوبورتي ريجيدي. E سي سي إن سيركا دي ألتر إنتيرسانتي أوكاسيوني، فيسيتا أنش لا سيزيون فوتوكادري e سوبورتيسي بير بانلي بوبليسيتاري. دوف تروفيراي بروبوست أوغوالمنت إنتيرسانتي، بيرسوناليززابيلي e، كومي سيمبر، سوبر كونفينينتيسي سيغلي ترا لا فاستا غاما دي سوبورتي ريجيدي: ماتريالي بلاستيسي، ساندويتش، بوليوندا، بليكسيغلاسريغ، ألومينيو، كارتون، سوبورتي ليغني. أوتيما كواليتاغراف دي ستامبا هد: لا بروفيسيوناليتاغراف ديل بيوغراف ريسنتي دورستريغ كونفيريسس أونا إمبريسيون ديناميكا دي كولوري بير ريسولتاتي سوربرندنتي سو توتي i supporti. Stampa diretta in alta defitione su forex (بك سميسبانسو). ديفرسي سبيسيوري ديسبونيبيلي ستامبا مونوفاسيال o o بيفاسيال كون e سينزا ساغوماتورا بيريمترال. بوسيبيليت دي فوراتورا إن فاري بوسيزيوني. الفوركس 10MM كونفينينزا سوي فورماتي القياسية نيلو سبيسور 3 س 5 ملم. سي بوسونو فيدير توت لي أوفيوني دي لافورازيون إن فاس دي كونفيغورازيون ديل برودوتو تشي نون إمبليكا l39acquisto. كليكار سولي فوتو بير كونفيغورار إيل برودوتو. كوستو آل مق. (إيفا إسكلوسا) euro13،50 كوستو آل مق. (إيفا إسكلوسا) euro15،20 كوستو آل مق. (إيفا إسكلوسا) euro21،70 كوستو آل مق. (إيفا إسكلوسا) euro16،80 كوستو آل مق. (إيفا إسكلوسا) euro18،60 كوستو آل مق. (إيفا إسكلوسا) euro25،40 كوستو آل مق. (إيفا إسكلوسا) euro26،80 كوستو آل مق. (إيفا إسكلوسا) يورو 34،50 كونتينوتو ديل كاريلو سبيديزيوني فيلوسي النشرة الإخبارية ريسيفي إن أنتيبريما أوفرت e بروموزيوني إنزريسيلي إيل توو إنديريزو البريد الإلكتروني أوميجا ستامبا ديجيتال إنفو وتيلي ائتمانات تيتانكا سبا 2015Stampa أونلين سو سوبورتيسي ريجيدي ندش إيل فوريكسريغ كواندو سي النرد كومونيكازيون بوبليسيتاريا سي النرد فوريكسريغ ليجيرو ، تنوعا، ريسيستنت e نون ديفورمابيل، إيل فوركسريغ إغريف أون ماتريال بلاستيكو إن بك سيميسيبانسو، ترا i بيوغراف إنديكاتي بير ريالزار كارتيلي بروموزيونيالي، إنزيغن بير إسترني، بانيلي دي ريفستيمنتو، كوادري e أوغني تيبو دي ماتريال دي كومونيكازيون. لا الصيغة ديليسلنزا إسبرينزا تينولوجيا. بيكساربرتينغ أوفر ستامبا فوتوغرافيكا سو فوريكسريغ دي كواليتاغراف إليفاتيسيما، غرازي ألا سوا إسبرينزا e ألوتيليززو ديل نوف ماشين دورست، تشي غارانتيسكونو أونا ديناميكا دي كولوري سوربرندنت، سو توتي i سوبورتي بلاستيسي. كواندو سي دايس كومونيكازيون بوبليسيتاريا، سي دايس فوريكسريغ كون لا سوا سوبيرفيسي أوموجينيا e كومباتا e أونوتيما ريسيستنزا أغلي أجينتي أتموسفيريسي e أي راجي ديل سول، إيل فوريكسريغ سي بريستا a أوغني إسيجنزا دي كومونيكازيون، إغراف ريسيستنت (فينو a أني إن إسترني) e ألتامنت personalizzabile. بير رياليزير ماتريالي بروموزيونيالي، egrave una scelta sempre azzeccata. لا ستامبا دي ألتا كواليتاغراف سو سوبورتي بلاستيسي غارانتيتا دا بيكسارتبرينتينغ سي ديكلينا إن أونا غاما دي فورماتي مولتو أمبيا، أنش سو ميسورا، e إن 3 سبيسوري دي فوريكسريغ نداش داي 3 أي 5 ميليمتري. بيرسوناليززازيون إيل بانيلو دي فوريكسريغ بوغريف أفير أوغني ديمنزيون، سيغلير أون تاجليو سكوادراتو o ساجوماتو، e بوغراف إسير بيفاسيال، كون فرونت e ريترو إيدنتيتي o ديفرزي. E كوانتو ألا غرافيكا، نون إسيستونو ليميتي. بريفنتيفو e أكيستو إنزريسشي نيل فور لي كاراتيريستيش تشي ديسيديري e بروسيسي سوبتو آل بريفنتيفو أونلين. بير لاكيستو باستانو بوتشي سيمبليسي باساجي: إن تيمبي رابيدي e كوستي كونتينوتي ريسيفيراي إيل توو بانيلو. تي ريكورديامو تشي: سي إيل فيل نون ريسبيتا لي ريجول دي كونفورميت تي سار ريتشيستو دي كاريكارلو نوفامنت أوغني فولتا تشي كاريتشي أون نوفو فيل لا داتا دي كونسيغنا فين ريكالكولاتا أبليكاندو لا بريفيرنزا سيلتا إن فاس دي بريفنتيفو. I توي فيل ريسيفونو أون كونترولو دي بيس أوتوماتيكو e غراتويتو تشي: - فيريفيكا لي ديمنزيوني - ريليفا i فونت أبيرتي - فيريفيكا i فونت e لي كونفيرت إن تراتشياتي - كونفيرت غلي إيفنتوالي فيل كون كولوري بانتون o رغب آل بروفيلو ميغليور - فيريفيكا تشي إيل نوميرو دي (4.00) لا فيريفيكا كون أوبيراتور دي توي فيل ريسيفيراي: - كونترولو تشي لا ريسولوزيون نون سيا إنفيريور a 70 دبي - فيريفيكا دي إيفنتوالي بيانكي إن سوفراستامبا e لا لورو كوريزيون - فيريفيكا غرافيكا سوي مارجيناي دي سيكوريزا - فيريفيكا ديلا ديستانزا ديجلي إليمنتي غرافيسي دال بوردو - فيريفيكا ديلورينتامنتو ديل فرونت e ديل ريترو - فيريفيكا ديل بدف بير ريفيست e كاتالهي: ديمنزيون دورسو، فيل كوبرتينا - فيريفيكا ديلا كوريتا إمبوستازيون غرافيكا إن كاسو دي بيغا فريبرينت تي بروتيغ إن كاسو تو o إيل تيو كليانت أبيات كوميسو ديجلي إريلي نيلا كريزيون ديل دوكومنتو e تي كونسينت دي أوتينير أونا ريستامبا إن تيمبي بريفي e سينزا سبيس a ggiuntive. لوبزيون فريربرينت ديف إيسير سيليزيوناتا آل مونتوتو ديل بريفنتيفو e كومبريند أونا سولا ريستامبا بير أوغني لافورازيون. سي إيل برودوتو رايسيفوتو نون تي كونفينس، بوي إنفيارسي أون نوفو فيل كوريتو e نوي لو ريستامبيريمو كون لي ستيس كاراتيريستيش ديل بريسيدنت e سينزا كوستي ولتيروري. بوي أتيفار لا ريستامبا ديريتامنت دالا توا منطقة بيرسونال: هاي تيمبو فينو ألي 18 ديل تيرزو جيورنو لافوراتيفو سوتشيسيفو ألا سوا رازيزيون. مانديريمو أون كوريرير a ريتيراير لا ميرس ديفيتوسا إيل جيورنو دوبو لا توا ريتشيستا (ألو ستيسو إنديريزو a كوي لافيفامو كونسيغناتا) e لا ريستامبيريمو إنترو 72 أور دالا ريزيزيون ديل نوفو فيل. أغيونجي آل كاريلو إيل بروموكود إنزيريتو سوستيتوير لا بروموزيون أتالمنت إن كورسو. سي إيل فالور ديلو سكونتو سوبيريور آل فالور ديلا لافورازيون، ليمبورتو ريسيدويو نون بوتر بي إسير وتيليززاتو بير ألتر لافورازيوني. إيل بروموكود إغراف أون كوديس تشي كونسينت دي أوسوفروير دي إسكلوسيف بروموزيوني. تعال فونسيونا باستا إنسيريرلو نيل كامبو لدكوبروموكوديردكو e كليكار أتيفا بروموكود بير أوتينير إيل نوفو توتيل. I كوديسي سونو وتيليززابيلي منفردا دوبو أفير إفتواتو إيل تسجيل الدخول ألرسكواريا شخصية. سي إيل تو كوديس ريسولتا إينيسيستنت، بروفا a إفيتوار إيل لوجين e إنزيرريلو نوفامنت، أوبور فيريفيكا دي ديسبور دي أون بروموكود فاليدو. إيل بروموكود إغريف كيس سنسيتيف، فار كيندي أتنزيون ألي ميوسكول e مينوسكول. لي ديت دي كونسيغنا سونو فاليد بير لا ماغيور بارت ديل تيريتوريو نازيونال. لي إيزول e لو منطقة بي بعيد بوسونو إسير خدمة في يرجع إلى بي جيورني لافوراتيفي. لسكواريفو دي فيل o كونفيرم دي باغامنتو (كارتا دي كريديتو، بايبال e بونيفيكو) سوتشيفي أللسكورا ريتشيستا بورتيرانو a كونسيغنتي سليتامنتي دي تيمبي دي كونسيغنا. فاي إيل تو بريفنتيفو إن تيمبو ريل e كريا إيل تو أوردين دي برودوتي بيرسوناليزاتي إن بوتشي سيمبليسي باسي. 1. إفيتوا إيل تسجيل الدخول 2. سيجلي إيل برودوتو 3. فاي إيل توه منع الجريمة على الانترنت: - كونفيغورا إيل برودوتو تراميت لي أوفيوني ديسبونيبيلي. - سيجلي لا كومبينازيون داتا دي كونسيغنابريزو تشي بي سوديسفا لي تو إسيجنز. 4. أغيونجي آل كاريلو أونو o بي برودوتي إن بيس ألا كوانتيت دي غرافيتش دا ستامبار 5. بروسدوري ألاكيستو e إنفيا إيل فيلي فيل دي ستامبا ماكس 20 لوفيرازيوني بير أوردين سيغلي إيل سيرفيزيو دي فيريفيكا بروفيسيونال دي فيل a سولي 4.00 إن بي. أون أوبيراتور غرافيكو كونترولر بيرسونالمنت تشي إيل توو فيل سيا كوريتو e تي سيغنالر توتي غلي إيفنتوالي إروري. لا فيريفيكا بروفيسيونال بريفيد: - كونترولو تشي لا ريسولوزيون نون سيا إنفيريور a 70 دبي - فيريفيكا دي إيفنتوالي بيانتشي إن سوفراستامبا e لا لورو كوريزيون - فيريفيكا غرافيكا سوي مارجيني دي سيكوريزا - فيريفيكا ديلا ديستانزا ديجلي إليمنتاري غرافيسي دال بوردو - فيريفيكا ديلسكورينتامنتو ديل فرونت e ديل ريترو - فيريفيكا ديل بدف بير ريفيست e كاتالهي: ريفيرنسيون دورسو، فيل كوبرتينا - فيريفيكا ديلا كوريتا إمبوستازيون غرافيكا في كاسو دي بيغا سو pixartprinting. it بوي باغار تراميت: كارتا دي كريديتو فيسا e ماستركارد بايبال بونيفيكو بانكاريو ريكوردا تشي لوردين فين ديبلاتو دال سيستيما سولو أداة تعريف إنجليزية غير معروفة، باغامنتو، رايسيفوتو. كريا إيل تو أردين e إنفيا إيل فيل دوبو يفر كونفيرماتو i برودوتي نيل كاريلو e إيفر كريتو إيل تو أوردين، بوتراي كاريكار إيل فيل أترافيرسو لابوسيتا منطقة إنفيو فيل. سكاريكا إيل تمبلات e لي إستروزيوني ديل برودوتو كونفيغوراتو بير كارير فيل كوريتي e أوتيميززاتي بير لا ستامبا. إيل تمبلات أون فيل تشي تي أيوتا a كريار e أداتار لا غرافيكا فور فورماتو ديل برودوتو سيلتو. ديف إسير أبيرتو e لافوراتو كون أون سوفتوار دي غرافيكا، ميغليو سي فيتوريال. إيل فيل إستروزيوني كونتين توت لي إنفورمازيوني دا سيغوير بير لا كريزيون دي أون فيل دي ستامبا كوريتو. إنفيا إيل فيل e سيغوي إيل برويسو دي ستامبا. سي إيل فيل كاريكاتو نون ريسبيتا لي ريجول دي كونفورميت، نون إنترا نيل بروسيسو دي ستامبا e سي بو فار بوستيبارار لا داتا دي كونسيغنا. لي سيتوازيوني دي نون كونفورميت ريتشيدونو إيل توو إنتيرفينتو e سونو كومونيكات ألا ميل دي ريفيرميتو ديل تو أكونت بيكسارتبرينتينغ. تي كونسيجليامو دي تينير كونترولاتا لا توا إمايل بير ريستار سيمبر أغيورناتو. لا كونسيغنا ديلا ميرس أفيداتا a: سيغلي لوبزيون باكو أنونيمو بير نون ريفيلار i ريفيرميتي ديل ميتنت. سي ديسيديري تشي ليمبالاجيو e ليتيشيتا دي سبيديزيون ديلوردين نون ريبورتينو ريفيريميتي a بيكسارتبرينتينغ، كونفيرما لوبزيون باكو أنونيمو آل مونتوتو ديلا كومبيلازيون دي داتي دي سبيديزيون ديلوردين. إيل سيرفيزيو غراتويتو فيسواليززا لي سبيس دي سبيديزيون ديل تو أوردينا باجينا كاريلو. إيل سيستيما أغيورنا أوتوماتامنت لامونتير ديل سبيس دي سبيديزيون e دي إمبالاجيو أوغني فولتا تشي أجيونجي أون برودوتو آل كاريلو. I برودوتي إيمبالاتي إن باكي فولومينوسي بوسونو ريتيدير آل كوريير دي أورغانيزاري أون سيرفيزيو دي كونسيغنا سبيسيال e ديترمينار أونو سليتامنتو ديلا داتا دي كونسيغنا. لو كونسيغن بريسو أر o مانيفازازيوني فيريستيش نون سونو جيستيت: بيرتانتو نون بوسيامو أسيكورار لا كونسيغنا o أفترسي ريسبونزابيليت إن كاسو دي مانكاتا كونسيغنا. كونسيجلي بير لا بريبارازيون e لا ستامبا ديل توو فيل بير لا ستامبا ديل غراند فورماتو لا ريسولوزيون أوتيمال دي فيل إن سكالا 1: 1 دي 100 دبي. سي إيل برودوتو بريسنتا أون لاتو سوبيريور أي 5 m. إيل فيل ديفيسير ريالززاتو إن سكالا 1:10 كون ريسولوزيون a 1000 دبي. لا نوسترا فيريفيكا كون أوبيراتور بلوكا i فيل كون ريسولوزيون إنفيريور أي 72 دبي. تي ريكورديامو تشي i فيل دوفرانو إسير إن فورماتو بدف، جبيغ o تيف كون لي سيغنتي كاراتيريستيش: بيس: بيس ألتيزا: ألتزا أوسا إيل تمبلات بير لا كوريتا كريزيون ديل توو فيل. ريكورداتي دي نون إنزيرير i كروسيني دي تاجليو.

مكافئ - ريال سعودي الاتجاه ، المستغل تداول نظام

5 دقيقة استراتيجية سكالبينج الفوركس مع سار مكافئ ومؤشر الاتجاه وهناك استراتيجية الكساد فكس بسيطة تتألف من 3 مؤشرات تتجه. قواعد واضحة: أخذ الربح في 15 نقطة مع وقف الخسارة وضعت فوق أو تحت مؤشر مكافئ سار. المؤشرات: مكافئ سار (0.02 خطوة)، 200 فترة المتوسط ​​المتحرك الأسي (200 إما). ديمونيوك الإطار الزمني المفضل: 5 مين تشارت جدول التداول: لندن، الولايات المتحدة أزواج العملات المفضلة: أزواج مع انتشار منخفض 8211 يوروس، غبوسد، أوسجبي يورووسد 5 مثال على التداول دقيقة قدم لنا اليورو مقابل الدولار الأميركي الرسم البياني أعلاه 2 إدخالات التجارة قصيرة لطيفة في 1.3641 و 1.3606 على التوالي. وأغلق كلا التداولات في أرباح 15 نقطة لكل منهما. السعر يتداول فوق المتوسط ​​المتحرك 200 (صعودا) مكافئ نقاط السهم تظهر تحت السعر (صاعد) يجب أن يكون ديمونيوك أخضر أو ​​تقلب من الأحمر إلى الأخضر (الاتجاه قصير المدى) هذه هي إشارة دخول الشراء. ضع وقف الخسارة الوقائي بمقدار نقطة واحدة تحت نقطة البارات. الهدف السعر: 15 نقطة صفقات الأسعار أدنى من 200 إما (الاتجاه الهابط) مكافئ نقاط سار تظهر فوق السعر (هبوطي) يجب أن يكون ديمونيوك أحمر أو تقلب من الأخضر إلى الأحمر (اتجاه قصير المدى لأسفل) هذه هي إشارة دخول البيع. ضع وقف الخسارة الوقائي بمقدار نقطة واحدة فوق نقطة النقطة الفرعية. السعر المستهدف: 15 نقطة الوظائف ذات الصلة: تحميل الفوركس محلل للمحترفين مجانا اليوم العلامة التجارية الجديدة نظام الفوركس مع إشارات فائقة الدقة وسريعة توليد التكنولوجيا. الفوركس محلل برو يولد إشارات البيع والشراء الحق على الرسم البياني الخاص بك مع دقة الليزر و أبدا يصل إلى ما يصل إلى 200 نقطة كل يوم شراء وبيع إشارات الفوركس كشف المدى اليومي المتقدم البريد الإلكتروني تنبيهات التداول المحمول لا إعادة أو التغاضي نحن دائما احترام خصوصيتك في Dolphintrader. Pro بارابوليك سار هو تعديل مؤشر الاتجاه الشعبي القياسي ل ميتاترادر ​​4 يسمى بارابوليك سار. وعلى النقيض من القطع المكافئ الكلاسيكي، يتم عرض مؤشر برو بارابوليك سار في الجزء السفلي من الخطوط العمودية التي يعتمد لونها على اتجاه الاتجاه. خصائص برو مكافئ سار 8226 منصة: ميتاتريدر 4 8226 أزواج العملات: أي أزواج العملات (الموصى بها الرئيسية) 8226 وقت التداول: الجلسة الأوروبية وبدء الجلسة الأمريكية 8226 الإطار الزمني: أي (موصى به M15 للدورة الأوروبية) 8226 وسيط موصى به: ألباري عندما يكون الاتجاه من السعر مؤشر برو مكافئ سار يعرض السهم على الرسم البياني المقابلة للون والاتجاه، وكذلك يعرض نافذة مع رسالة نصية: كيفية تحميل انقر هنا قد تهمك: تلقي التحديثات مجانا 0 تعليقات: إضافة تعليق إذا كنت مثل هذا المنصب، يرجى ترك تعليقك: بوبولار بوستس و 8220 سوبر تريند Profit8221 هو أداة التداول كاملة مصممة في المقام الأول للتجارة الاتجاهات بنجاح. مقدمة رينكوسكالبسيستم هو نظام التداول التي تستخدم رينكو الرسم البياني كما حركة السوق تحليل الرئيسية ونحن نعلم أن رينكو الحركة فا. خطوة بخطوة لإنشاء إي. فتح ميتاتريدر انقر أيقونة مثل أدناه: ثم سيكون open160 ميتايديتور كما في الصورة أدناه. يتم حاليا اختبار هذا النظام على الطريق ولكن نظرا لكمية التجار الراغبين في أن يكونوا اختبار بيتا قررت نشره. و 8220100 نقطة يومية Scalper8221 هو برنامج العلامة التجارية الجديدة للتجارة سلخ فروة الرأس - أداة التداول كاملة مصممة لتخريب التداول على 1.PSAR سريع نظام المتداول الفوركس الاستفادة من سلخ فروة الرأس الفوركس مع مؤشر مكافئ سار. ويستخدم النظام السريع لسعر صرف العملات الأجنبية (بسار) مؤشر بسار مؤشر الاتجاه البسيط على المدى القصير ومؤشر الاتجاه سيدوس v.2 لتأكيد التجارة. المؤشرات: بارابوليك سار (ستيب: 0.02، ماكسيموم: 0.2)، سيدوس v.2 الإطار الزمني المفضل: 5 دقائق وما فوق جلسات التداول: أزواج العملات المفضلة باليورو والدولار الأمريكي: يوروس، غبوسد، أوسجبي، نزدوسد، أودوس، أوسكاد ، أوسشف، غبجبي، ورجبي مثال: غبوسد 5 مين الرسم البياني كما هو مبين في الرسم البياني أعلاه، أصدر مؤشر الاتجاه سيدوس v.2 3 إشارات (2 بيع، 1 شراء). قامت بارس بتصفية إشارة البيع الأولى (نقاط بسار تحت إشارة البيع الأولى). ويمكن إغلاق اثنين من إشارات التداول المؤكدة الأخرى للحصول على ربح سريع 10-15 نقطة (انقر على الصورة للتكبير). نقاط بسار أقل من السعر (الاتجاه الصاعد على المدى القصير) سيدوس v.2 قضايا شراء إشارة (سهم لأعلى) غ هذا هو دخول الشراء. وقف الخسارة: ضع توقف منخفض الخطورة تحت الدعم الأخير أو أسفل نقاط بسار. شراء استراتيجية الخروج 1: أغلق التداول مقابل 10-15 نقطة. شراء استراتيجية الخروج 2: إغلاق التجارة في خطر إلى مكافأة 1: 1 أو أفضل (ويفضل في 1: 1.5). شراء استراتيجية الخروج 3: تريل توقف الخاص بك 1 نقطة تحت نقاط بسار ارتفاع. نقاط بسار فوق السعر (الاتجاه قصير الأمد لأسفل) سيدوس v.2 يصدر إشارة بيع (السهم لأسفل) غ هذا هو دخول البيع. وقف الخسارة: ضع نقطة اختطار منخفضة فوق المقاومة األخيرة أو أعلى بقع نقطة االختبار. بيع استراتيجية الخروج 1: أغلق التداول ل10-15 نقطة. بيع استراتيجية الخروج 2: إغلاق التجارة في خطر إلى مكافأة 1: 1 أو أفضل (ويفضل في 1: 1.5). بيع استراتيجية الخروج 3: تريل توقف الخاص بك إلى أسفل 1 نقطة فوق نقاط بارس السقوط. الوظائف ذات الصلة: تحميل الفوركس محلل للمحترفين اليوم اليوم العلامة التجارية الجديدة نظام الفوركس مع إشارات فائقة دقيقة وسريعة توليد التكنولوجيا. محلل الفوركس برو يولد إشارات البيع والشراء الحق على الرسم البياني الخاص بك مع دقة الليزر و أبدا يسترد ما يصل إلى 200 نقطة كل يوم شراء وبيع إشارات الفوركس الكشف عن المدى اليومي المتقدم البريد الإلكتروني تنبيهات التداول المحمول لا إعادة أو التخلف نحن نحترم دائما خصوصيتك في دولفينترادر.

تتحرك يوما متوسط الأسهم في السوق

متوسط ​​التحرك - ما الهبوط المتحرك المتوسط ​​المتحرك - ما كمثال على ذلك، اعتبر الأمن مع أسعار الإغلاق التالية أكثر من 15 يوما: الأسبوع 1 (5 أيام) 20، 22، 24، 25، 23 الأسبوع 2 (5 أيام) 26، 28، 26، 29، 27 الأسبوع 3 (5 أيام) 28، 30، 27، 29، 28 من المتوقع أن يبلغ متوسط ​​سعر الإغلاق خلال 10 أيام أول 10 أيام كنقطة بيانات أولى. نقطة البيانات التالية سوف تسقط أقرب الأسعار، إضافة السعر في يوم 11 واتخاذ المتوسط، وهلم جرا كما هو مبين أدناه. كما لوحظ سابقا، ماس تأخر العمل السعر الحالي لأنها تستند إلى الأسعار الماضية أطول فترة زمنية ل ما، وزيادة الفارق الزمني. وبالتالي فإن درجة الماجستير لمدة 200 يوم سيكون لها درجة أكبر بكثير من التأخر من ما 20 يوما لأنه يحتوي على أسعار لل 200 يوما الماضية. طول ما لاستخدام يعتمد على أهداف التداول، مع ماس أقصر تستخدم للتداول على المدى القصير والطويلة الأجل أكثر ملاءمة للمستثمرين على المدى الطويل. ويتبع المستثمرون والمتداولون على نطاق واسع ما يعادل 200 يوم، حيث يعتبر الفواصل فوق وتحت هذا المتوسط ​​المتحرك إشارات تجارية مهمة. كما تقوم ماس بإرسال إشارات تجارية مهمة من تلقاء نفسها، أو عند تجاوز متوسطين. ارتفاع ما يشير إلى أن الأمن في اتجاه صاعد. في حين أن انخفاض ما يشير إلى أنه في اتجاه هبوطي. وبالمثل، يتم تأكيد الزخم التصاعدي مع كروس صعودي. والذي يحدث عندما يعبر ما على المدى القصير ما فوق ما على المدى الطويل. يتم تأكيد الزخم الهبوطي بكسر هبوطي، والذي يحدث عندما يعبر المدى القصير ما دون المتوسط ​​المتحرك على المدى الطويل. كيفية استخدام متوسط ​​متحرك لشراء الأسهم يعد المتوسط ​​المتحرك (ما) أداة تحليل تقني بسيطة تعمل على تمهيد السعر البيانات عن طريق إنشاء متوسط ​​السعر تحديثها باستمرار. يتم أخذ المتوسط ​​خلال فترة زمنية محددة، مثل 10 أيام أو 20 دقيقة أو 30 أسبوعا أو أي فترة زمنية يختارها المتداول. هناك مزايا لاستخدام المتوسط ​​المتحرك في التداول الخاص بك، وكذلك خيارات على أي نوع من المتوسط ​​المتحرك للاستخدام. كما أن استراتيجيات المتوسط ​​المتحرك تحظى بشعبية كبيرة ويمكن تكييفها مع أي إطار زمني يناسب المستثمرين على المدى الطويل والتجار على المدى القصير. (انظر أهم أربعة مؤشرات فنية يحتاجها تجار الاتجاه). لماذا استخدام المتوسط ​​المتحرك يمكن للمتوسط ​​المتحرك أن يساعد في خفض كمية الضوضاء على الرسم البياني للسعر. انظروا إلى اتجاه المتوسط ​​المتحرك للحصول على فكرة أساسية عن الطريقة التي يتحرك بها السعر. ترتفع فوق والسعر يتحرك صعودا (أو كان مؤخرا) عموما، الزاوية أسفل والسعر يتحرك إلى أسفل بشكل عام، تتحرك جانبية والسعر هو المرجح في مجموعة. ويمكن أيضا أن يكون المتوسط ​​المتحرك بمثابة دعم أو مقاومة. في اتجاه صعودي قد يكون المتوسط ​​المتحرك لمدة 50 يوما أو 100 يوم أو 200 يوم مستوى دعم، كما هو مبين في الشكل أدناه. وذلك لأن متوسط ​​الأفعال مثل الكلمة (الدعم)، وبالتالي فإن السعر مستبعد من الخروج منه. في اتجاه هبوطي قد يكون المتوسط ​​المتحرك بمثابة مقاومة مثل السقف، وسعر يضرب عليه ثم يبدأ في الانخفاض مرة أخرى. لن يحترم السعر دائما المتوسط ​​المتحرك بهذه الطريقة. السعر قد يمر من خلال ذلك قليلا أو توقف وعكس قبل الوصول إليه. وكإرشادات عامة، إذا كان السعر فوق المتوسط ​​المتحرك، فإن هذا الاتجاه آخذ في الارتفاع. إذا كان السعر أدنى من المتوسط ​​المتحرك، فإن الاتجاه ينخفض. المتوسطات المتحركة يمكن أن يكون لها أطوال مختلفة على الرغم من (نوقشت قريبا)، لذلك يمكن للمرء أن يشير إلى اتجاه صعودي بينما يشير آخر إلى اتجاه هبوطي. أنواع المتوسطات المتحركة يمكن حساب المتوسط ​​المتحرك بطرق مختلفة. المتوسط ​​المتحرك البسيط لمدة خمسة أيام (سما) يضيف ببساطة أسعار الإقفال اليومية الخمسة الأخيرة ويقسمها إلى خمسة ليخلق متوسطا جديدا كل يوم. ويرتبط كل متوسط ​​إلى التالي، وخلق خط المتدفقة المفرد. وهناك نوع شعبي آخر من المتوسط ​​المتحرك هو المتوسط ​​المتحرك الأسي (إما). الحساب هو أكثر تعقيدا ولكن أساسا ينطبق أكثر الترجيح لأحدث الأسعار. قم بتعيين سما 50 يوم و 50 يوما إما على نفس الرسم البياني، وستلاحظ أن إما تتفاعل بسرعة أكبر مع تغيرات الأسعار مما تقوم به سما، وذلك بسبب الترجيح الإضافي على بيانات الأسعار الأخيرة. رسم البرامج ومنصات التداول تفعل الحسابات، لذلك لا يلزم الرياضيات اليدوية لاستخدام ما. نوع واحد من ما هو أفضل من آخر. قد تعمل إما على نحو أفضل في الأسهم أو الأسواق المالية لبعض الوقت، وفي أوقات أخرى قد تعمل سما بشكل أفضل. كما أن الإطار الزمني المختار للمتوسط ​​المتحرك سيؤدي دورا مهما في مدى فعاليته (بغض النظر عن النوع). متوسط ​​التحريك الطول المتوسط ​​المتحرك المتوسط ​​هو 10 و 20 و 50 و 100 و 200. ويمكن تطبيق هذه الأطوال على أي إطار زمني للمخطط (دقيقة واحدة، يوميا، أسبوعيا، إلخ)، تبعا لأفق التجار التجاري. ويمكن أن يلعب الإطار الزمني أو الطول الذي تختاره للمتوسط ​​المتحرك، والذي يطلق عليه أيضا فترة النظر إلى الوراء، دورا كبيرا في مدى فعاليته. و ما مع الإطار الزمني القصير سوف تتفاعل أسرع بكثير لتغيرات الأسعار من ما مع نظرة طويلة فترة الظهر. في الشكل أدناه المتوسط ​​المتحرك لمدة 20 يوما عن كثب يتتبع السعر الفعلي من 100 يوم لا. ويمكن أن يكون ال 20 يوما من الفائدة التحليلية للتاجر على المدى القصير لأنه يتبع السعر عن كثب، وبالتالي ينتج تأخيرا أقل من المتوسط ​​المتحرك الأطول أجلا. التأخير هو الوقت الذي يستغرقه المتوسط ​​المتحرك للإشارة إلى انعكاس محتمل. تذكر، كمبدأ توجيهي عام، عندما يكون السعر فوق المتوسط ​​المتحرك يعتبر الاتجاه. لذلك عندما ينخفض ​​السعر دون هذا المتوسط ​​المتحرك فإنه يشير إلى انعكاس محتمل استنادا إلى ذلك ما. وسيوفر المتوسط ​​المتحرك ل 20 يوما إشارات عكس أكثر بكثير من المتوسط ​​المتحرك لمدة 100 يوم. يمكن أن يكون المتوسط ​​المتحرك أي طول، 15، 28، 89، وما إلى ذلك. قد يساعد ضبط المتوسط ​​المتحرك بحيث يوفر إشارات أكثر دقة على البيانات السابقة على إنشاء إشارات مستقبلية أفضل. استراتيجيات التداول - كروسوفرز تعتبر كروسوفرز واحدة من استراتيجيات المتوسط ​​المتحرك الرئيسية. النوع الأول هو كروس أوفر. وقد نوقش ذلك في وقت سابق، وهو عندما يعبر السعر فوق أو فوق المتوسط ​​المتحرك للإشارة إلى تغير محتمل في الاتجاه. وهناك استراتيجية أخرى هي تطبيق متوسطين متحركين على رسم بياني، لفترة أطول وأخرى أقصر. عندما أقصر ما يعبر فوق المدى الطويل ما إشارة شراء كما يشير إلى الاتجاه يتحول up. This يعرف باسم الصليب الذهبي. عندما تعبر ما أقصر خلال المدى الطويل ما إشارة البيع لأنها تشير إلى الاتجاه يتحول إلى أسفل. ويعرف هذا باسم ديديديث الصليب تحسب المتوسطات المتحركة استنادا إلى البيانات التاريخية، وليس هناك شيء عن حساب تنبؤية في الطبيعة. وبالتالي فإن النتائج باستخدام المتوسطات المتحركة يمكن أن تكون عشوائية - في بعض الأحيان يبدو أن السوق لاحترام ما الدعم والإشارات التجارية. وأحيانا أخرى لا يظهر أي احترام. المشكلة الرئيسية هي أنه إذا أصبح العمل السعر متقطع قد يتأرجح السعر ذهابا وإيابا توليد إشارات عكس الاتجاه عكس متعددة. عندما يحدث هذا أفضل جهده لتخطي جانبا أو استخدام مؤشر آخر للمساعدة في توضيح هذا الاتجاه. نفس الشيء يمكن أن يحدث مع عمليات الانتقال ما، حيث الحصول على متشابكة ماساتشوستس لفترة من الوقت اثار متعددة (تروق فقدان) الصفقات. المتوسطات المتحركة تعمل بشكل جيد جدا في ظروف متينة قوية، ولكن في كثير من الأحيان سيئة في ظروف متقلبة أو تتراوح. يمكن ضبط الإطار الزمني يمكن أن تساعد في هذا مؤقتا، على الرغم من أن في وقت ما هذه القضايا من المرجح أن تحدث بغض النظر عن الإطار الزمني المختار ل ما (ق). المتوسط ​​المتحرك يبسط بيانات الأسعار عن طريق تمهيده وخلق خط تدفق واحد. وهذا يمكن أن يجعل اتجاهات عزل أسهل. المتوسطات المتحركة الأسية تتفاعل بشكل أسرع مع تغيرات الأسعار من المتوسط ​​المتحرك البسيط. في بعض الحالات قد يكون هذا جيدا، وفي حالات أخرى قد يسبب إشارات خاطئة. كما أن المتوسطات المتحركة ذات فترة نظر أقل (20 يوما، على سبيل المثال) ستستجيب أيضا أسرع لتغيرات الأسعار مقارنة بالمتوسط ​​الذي يتميز بفترة نظر أطول (200 يوم). يعد تحريك متوسط ​​عمليات الانتقال استراتيجية شائعة لكل من الإدخالات والمخارج. ويمكن أيضا أن تسلط الضوء على مجالات الدعم أو المقاومة المحتملة. على الرغم من أن هذا قد يبدو تنبؤيا، فإن المتوسطات المتحركة تستند دائما إلى البيانات التاريخية وتبين ببساطة متوسط ​​السعر خلال فترة زمنية معينة. ما كسر متوسط ​​ال 50 يوما يعني حقا تشابيل هيل، نك (ماركيتواتش) هل كسر الأسواق في أواخر الأسبوع الماضي متوسطه المتحرك لمدة 50 يوما يعني أن الاتجاه الوسيط هو الآن أسفل كثير من المستثمرين من الناحية الفنية يعتقدون أنه يفعل، مما لا شك فيه أحد الأسباب التي أدت إلى تراجع السوق يوم الجمعة الماضي. ولكني لست متأكدا من أن كسر المتوسط ​​المتحرك لمدة 50 يوما له الأهمية التي يعطيها الفنيون له. في الواقع، فإن التحليل الدقيق لسوق الأوراق المالية في العقود الأخيرة لا يجد أن السوق أداء أفضل بشكل ملحوظ عندما كان فوق المتوسط ​​المتحرك لمدة 50 يوما مما هو عليه في الأسفل. تأخذ الفترة منذ أوائل عام 2000، والحق في الجزء العلوي من فقاعة الإنترنت. كان لدينا سوقين محتملين منذ ذلك الحين، بالطبع، مما يعني أن الفترة الفاصلة هي بالتحديد النوع الذي يمكن أن يكون فيه نظام توقيت السوق مثل المتوسط ​​المتحرك لمدة 50 يوما قادرا على إظهار أشياءه. أرباح الربع الأول من أبل في إلقاء نظرة على أرباح شركة أبل 39 مخيبة للآمال في الربع الأول. ومع ذلك، فإنه لم يضيف قيمة منذ ذلك الحين. النظر في محفظة افتراضية تحولت بين صندوق مؤشر سوق الأسهم الكلي وأذون الخزانة لمدة 90 يوما كلما تجاوز مؤشر سامب 500 فوق أو أقل من المتوسط ​​المتحرك لمدة 50 يوما. ومنذ بداية عام 2000، أنتجت هذه الحافظة الافتراضية عائدا سنويا بلغ 0.2 نقطة مئوية أقل من استراتيجية بسيطة للشراء والاحتفاظ. علما بأن هذه العائدات تأخذ في االعتبار األرباح التي ستحققها المحفظة في حين تستثمر في سوق األسهم والفائدة التي تحصل عليها سندات الخزينة عندما تكون المحفظة خارج السوق. بيد أن هذه العائدات لا تأخذ في الحسبان تكاليف المعاملات. إذا كنت قد أدرجتها في حساباتي، فإن محفظة المتوسط ​​المتحرك قد تخلفت عن شراء وشراء أكثر من ذلك. وبعبارة أخرى، حتى بدون تكاليف المعاملات، تخلفت هذه الحافظة المتوسطة الأجل لمدة 50 يوما السوق منذ عام 2000. ومن المؤكد أن المتوسط ​​المتحرك لمدة 50 يوما لم يكن دائما هذا المؤشر الضعيف في توقيت السوق. ولكن عليك أن تعود عدة عقود قبل أن تجد الفترة التي فازت على استراتيجية شراء وعقد. ففي عقد التسعينات، على سبيل المثال، تخلفت استراتيجية المتوسط ​​المتحرك لمدة 50 يوما عن استراتيجية شراء وشراء بفارق أكبر. 50 يوم المتوسط ​​المتحرك محفظة شراء أمبير القابضة كوبيرايت copy2017 ماركيتواتش، Inc. جميع الحقوق محفوظة. البيانات اليومية المقدمة من قبل سيكس المعلومات المالية ورهنا بشروط الاستخدام. بيانات نهاية اليوم التاريخية والحالية التي تقدمها سيكس فينانسيال إنفورماتيون. تأخرت البيانات اللحظية لكل متطلبات الصرف. سامبدو جونز مؤشرات (سم) من شركة داو جونز أمب، وشركة جميع يقتبس في وقت الصرف المحلي. في الوقت الحقيقي بيانات بيع الماضي المقدمة من نسداق. المزيد من المعلومات حول بورصة ناسداك تداولت الرموز وحالتها المالية الحالية. تأخرت البيانات اللحظية 15 دقيقة لناسداك، و 20 دقيقة للتبادلات الأخرى. سامبدو جونز مؤشرات (سم) من شركة داو جونز أمب، وشركة سيهك يتم توفير البيانات اللحظية من قبل سيكس المعلومات المالية ويتأخر 60 دقيقة على الأقل. كل الاقتباسات هي في الوقت الصرف المحلي. لا توجد نتائج

تتحرك من المتوسط ، فريق العمل المعني بالموارد

كوانتمود النمذجة المالية الكمية أمبير إطار التداول ل R إذا كان هناك مجال واحد من R الذي كان قليلا تفتقر، كان القدرة على تصور البيانات المالية مع أدوات الرسم البياني المالية القياسية. بحكم عدم وجود حزمة أخرى تنفيذ هذا، أخذت كوانتمود المكالمة وأخذت النار في توفير الحل. ما بدأ مع واحد أوهلك الرسم البياني حل نمت إلى منشأة شكلي للغاية وديناميكية الرسم البياني اعتبارا من الإصدار 0.3-4، مع أكثر برودة المقرر 0.4-0 وما بعدها. في الوقت الحالي، دعونا نلقي نظرة على ما هو عليه حاليا: الرسوم البيانية المالية في كوانتمود: تم تصميم معظم وظائف الرسم البياني لاستخدامها بشكل تفاعلي. يجب أن تكون الأمثلة التالية سهلة جدا لتكرارها من سطر الأوامر أو اختيار واجهة المستخدم الرسومية الشخصية. تشغيل من السيناريو يتطلب قليلا من مزيد من الرعاية، ولكن من الممكن الآن أيضا. يتيح الحصول على الرسم البياني تقديم تشارتسيريز تشارتزيريز هي المهمة الرئيسية القيام بكل عمل في كوانتمود. من باب المجاملة as. xts فإنه يمكن التعامل مع أي كائن هو سلسلة الوقت مثل، وهذا يعني R كائنات من فئة شتس. حديقة حيوان . السلاسل الزمنية . انها . تيسي. إرتس. وأكثر من ذلك افتراضيا أي سلسلة أن is. OHLC هو مخطط كسلسلة أوهلك. هناك وسيطة نوع التي تسمح للمستخدم أن تقرر على نمط ليتم تقديمها: التقليدية شريط المخططات، الشموع-الرسوم البيانية، ومعايرة الثقوب المخططات - الشموع رقيقة. احصل عليه :) - وكذلك المخططات الخط. اختيار السيارات الافتراضية يتيح البرنامج يقرر، الشموع حيث ثيد تكون واضحة بوضوح، عيدان الثقاب إذا كان يتم رسم العديد من النقاط، وخطوط إذا كانت سلسلة من طبيعة أوهلك. إذا كنت لا ترغب في تحديد دائما نوع لتجاوز هذا السلوك أنت حر في استخدام وظائف المجمع في القسم التالي، أو الاستفادة من سيتدفولتس من حزمة افتراضيات باردة ومفيدة شريرة (متوفر على كران). حقيقة أن أنا كتبت أنه لا علاقة له مع بلدي تأييد :) غ جيتيمبولز (غس) جولدمان أوهلك من ياهو 1 غس غ تشارتزيريز (غس) غ إشعار نمط عود الثقاب التلقائي غ جيدا تغيير هذا في القسم التالي غ ولكن في الوقت الراهن على ما يرام. غ تحاول وظيفة التخطيط الأساسية ألا تبتعد كثيرا عن أنماط الاستخدام القياسية في R. على الرغم من أنك لن تكون قادرا على استخدام أي من أدوات الرسومات القياسية لعرض الرسوم البيانية. وقد حاول كوانتمودس أوه حتى الحكيم الكاتب إلى توقع تلك الحاجة مع وظائف خاصة للتعويض عن هذا القصور. خطوة سريعة إلى الوراء، لشرح فقط ما يحدث وراء الكواليس داخل تشارتزيريز قد تكون في النظام على الرغم من. يتم إدارة التخطيط من خلال عملية من خطوتين. أولا، يتم فحص البيانات ويتم احتساب القرارات الأساسية حول كيفية رسم أفضل سلسلة. نتيجة هذا هو كائن داخلي - ويشار إلى تشوب (تش الفن أوب جيكت). ثم يتم تمرير هذا الكائن إلى وظيفة الرسم الرئيسي (لا ليتم استدعاؤها مباشرة) ليتم سحبها إلى الشاشة. والغرض من الفصل هو السماح لإضافة المزيد من الرسوم البيانية على غرار ديناميكية مثيرة للإعجاب، وكذلك التعديلات، لتكون طبيعية لإنجاز ممكن. عندما يتم إجراء تغييرات على الرسم البياني الحالي - سواء كان ذلك إضافة المؤشرات الفنية، أو تغيير المعلمات الأصلية، مثل نمط الرسم البياني - يتم تغيير كائن تشوب المخزنة ببساطة ومن ثم إعادة رسم دون الكثير من التلاعب المستخدم شاقة. وكان الهدف هو جعلها تعمل دون جهد المستخدم إضافية - ومن ثم إنهاء ذلك فقط. رسم اختصارات - بارشارت و لينشارت و كاندلشارت. في حين تشارتزيريز هي الوظيفة الأساسية تسمى عند رسم مخطط في كوانتمود - هو بأي حال من الأحوال الطريقة الوحيدة للحصول على شيء ما. هناك وظائف المجمع لكل من الأنواع الرئيسية من الرسوم البيانية المتوفرة حاليا في كوانتمود. وظائف التفاف موجودة لجعل الحياة أسهل قليلا. شريط الرسوم البيانية نمط، على حد سواء هلك و أوهلك أصناف متوفرة مباشرة مع بارتشارت. الشمعدان الرسم البياني يأتي بشكل طبيعي من خلال وظيفة المجمع كاندلشارت، وخطوط عبر اسمه بشكل خفي - كنت تفكر في ذلك - لينشارت. ليس هناك الكثير خاصة حول هذه الوظائف خارج واضح. في الواقع أنها بطانات واحدة أن ندعو ببساطة تشارتزيريز مع تغيرت بشكل مناسب يجادل. لكنها تجعل إضافة لطيفة إلى مستقر. غ أولا بعض القضبان نمط عالية منخفضة إغلاق، موضوع أحادي اللون غ بارتشارت (غس، themewhite. mono، bar. typehlc) غ حول بعض الشموع، وهذه المرة مع اللون غ كاندلشارت (غس، multi. colTRUE، هموهيت) غ غ و الآن خط، مع نظام الألوان الافتراضي غ لينتشارت (غس، line. typeh، تانول) كما ترون، هناك تماما القليل من المرونة لعرض المعلومات الخاصة بك. ما كنت قد لاحظت أيضا هو الحجج المختلفة لكل من المكالمات. حسنا الآن نلقي نظرة على ما يفعل بعض منهم. الحجج الرسمية: الألوان، فرعي، علامات القراد. أفضل مكان للحصول على معلومات كاملة عن الحجج التي تأخذها الوظائف في الوثائق. ولكن الآن نلقي نظرة على بعض الخيارات الشائعة التي قد تتغير. ربما أهم من وجهة نظر قابليتها للاستخدام هو مجموعة فرعية حجة. يأخذ هذا سلسلة xtsISO8601 نمط يستند إلى الوقت ويقيد المؤامرة إلى مجموعة وقت داتا المحدد. هذا لا يقيد البيانات المتاحة وظائف التحليل تشينيكال، يقيد فقط المحتوى رسمها على الشاشة. لهذا السبب من المفيد جدا استخدام أكبر قدر من البيانات المتاحة لديك، ومن ثم توفير وظيفة تشارتزيريز مع المجموعة الفرعية التي ترغب في عرضها. هذه المجموعة الفرعية هي أيضا قابلة للتنفيذ عن طريق مكالمة ل زومشارت. مثال، أو ثلاثة، يجب أن يساعد في توضيح استخدامه. غ سلسلة كاملة غ تشارتسيريز (غس) غ الآن - قليلا ولكن من فرعية غ (ديسمبر 07 إلى الملاحظة الأخيرة في 08) غ كاندلشارت (غس، subet2007-12 :: 2008) غ بناء جملة مختلفة قليلا - بعد حقيقة. غ أيضا تغيير وضع العلامات X - محور غ كاندلشارت (غس، هوميوهيت، تيبيكاندلز) غ ريشارت (main. ticksmonths، سوبسيتيفيرست 16 أسابيع) ثلاثة أشياء من الملاحظة على الرسم البياني الأخير. أولا كان استخدام ريشارت لتعديل الرسم البياني الأصلي. هذا يأخذ معظم الحجج من المكالمات الرسم الأصلي، ويسمح لإجراء تعديلات سريعة على الرسوم البيانية الخاصة بك. سواء كان ذلك تغيير موضوعات الألوان أو سوبستتينغ - أنه يأتي في متناول اليدين جدا. العنصر الثاني المميز هو استخدام بناء الجملة الأول داخل المجموعة الفرعية. وهذا يسمح للتعبير أكثر طبيعية قليلا من ما قد تكون بعد، ولا تتطلب منك أن تعرف أي شيء عن سلسلة التواريخ أو الأوقات. البند الأخير من المذكرة في تلك الصورة الأخيرة هو الوسيطة tag. marks. هذا هو جزء من قائمة مشغلات دالة تشارتزيريز الأصلية، ويتم استخدامه لتعديل وضع التصنيفات داخل المخطط. في كثير من الأحيان تباعد اختيارها تلقائيا - مدفوعا وظيفة شتس أكتيكسبيتيمي يفعل وظيفة جيدة بما فيه الكفاية - قد تجد أنه من المرغوب فيه لتخصيص الإخراج أبعد من ذلك. في هذه الحالة كنا ملحوظ القراد مع بدايات الأشهر. التحليل الفني و تشارتزيريز تحديث وجاهزة للذهاب هي بعض الأدوات الرائعة من حزمة تر من قبل جوش أولريش. متاح على كران. ومن الممكن الآن ببساطة إضافة العشرات من أدوات التحليل الفني للرسم مع أي شيء أكثر من مجرد أمر بسيط. المؤشرات الحالية من حزمة تر، فضلا عن عدد قليل من أصل في حزمة كوانتمود هي: كل من العمل أعلاه يشبه كثيرا وظائف قاعدة تر التي يسمونها. الفرق الأساسي هو أن إضافة عائلة من المكالمات لا تتضمن وسيطة البيانات، حيث أن هذا مشتق من المخطط الحالي. وهناك أمثلة قليلة تسلط الضوء على كيفية بناء المخططات مع المؤشرات المضمنة. غ جيتيمبولز (غس) غولدمان أوهلك من ياهو 1 غس غ إن الوسيطة تا إلى تشارتزيريز هي إحدى الطرق لتحديد مكالمات مؤشر غ التي سيتم تطبيقها على المخطط. غ نول يعني لا رسم أي. غ غارت تشارتسيريز (غس، تانول) غ الآن مع بعض المؤشرات المطبقة غ غارت تشارتسيريز (غس، ثيموهيت، تادفو () أدباندس () أدتشي ()) غ ويمكن تحقيق نفس النتيجة بت غ بشكل تفاعلي أكثر: غ غارت تشارتسيريز ، هيموهيت) رسم الرسم البياني غ أدفو () إضافة حجم غ أدباندز () إضافة بولينجر باند غ غ أدتشي () إضافة مؤشر قناة السلع واحد من أحدث والإضافات الأكثر إثارة لإطلاق كوانتمود مؤخرا يتضمن اثنين من أدوات الرسم الجديدة المصممة لجعل إضافة مخصصة مؤشرات أسرع بكثير مما كان ممكنا في السابق. الأول من هذه هي أدتا. هذا هو امتداد كبير لوظيفة أدتا السابقة، في أنه يسمح الآن للبيانات التعسفية التي سيتم رسمها على الرسوم البيانية. كما هو الحال أساسا المجمع إلى البيانات الخاصة بك، والشرط الوحيد هو أن البيانات لديها نفس عدد من الملاحظات كما الأصلي، أو تكون من شتس الطبقة والتواريخ هي ضمن النطاق الزمني دتس الأصلي وحجم. فمن الممكن أن يكون هذه البيانات الجديدة رسمت في تا الفرعية الخاصة بها (الافتراضي)، أو تراكب على السلسلة الرئيسية. الوظيفة الثانية وربما أكثر إثارة للاهتمام هي نيوتا. هذه هي وظيفة الهيكل العظمي الذي طال انتظاره لإنشاء مؤشرات تا مخصصة ليتم إلحاق أي مخطط. فإنه يأخذ مفهوم الهيكل العظمي خطوة واحدة أبعد من ذلك، وديناميكيا يخلق رمز وظيفة اللازمة لمؤشر جديد، استنادا إلى وظيفة تمريرها إليها. أساسا قليلا من البرمجة على علم الذاتي يجعل إضافة مؤشرات جديدة بديهية تماما وغير مؤلم عمليا. وبالنظر إلى قدراته المتطورة بدلا من ذلك، فإنه على أعتاب التجريبية. لحسن الحظ إذا فشل كل شيء آخر، وما تحصل عليه ليس ما كنت تتوقع، يمكنك دائما تعديل التعليمات البرمجية التي تم إنشاؤها لتناسب احتياجاتك بشكل أفضل. نظرة سريعة على إضافة بيانات المؤشرات المخصصة وإنشاء مؤشر جديد من الصفر. غ جيتسيمبولس (يهو) ياهو أوهلك من ياهو 1 يهو غ أدتا يسمح لك بإضافة المؤشرات الأساسية غ إلى الرسوم البيانية الخاصة بك - حتى لو كانت أرنت جزء غ من كوانتمود. غ غارت تشارتسيريز (يهو، تانول) غ ثم أضف فتح لإغلاق تغيير السعر غ باستخدام كوانتمود وظيفة أوكل غ غتا أدتا (أوكل (يهو)، كولبلو، تيه) غ باستخدام نيوتا فمن الممكن لخلق الخاصة بك غ العامة تا وظيفة --- يتيح استدعاء ذلك أدوبكل غ غ أدوبكل lt - نيوتا (أوكل، كولغرين، تايه) غ غ أدوبكل () المزيد في المستقبل. هناك أكثر من ذلك بكثير ليقوله عن تشارتزيريز و كوانتمودس أدوات التصور الحالية والمستقبلية، ولكن الآن حان الوقت لاستدعائه يوم (أو 30) واختتام هذه المقدمة لرسم في كوانتمود. الإضافات المستقبلية لهذا الموقع والوثائق سوف تشمل المزيد من التفاصيل حول التفاعل مع الرسوم البيانية - الآن وفي الإصدارات القادمة، وخيارات تخطيط جديدة، وغزوة محتملة إلى أدوات وتقنيات التصور الجديدة تماما. ولكن الآن هذا هو كل حصلت إيف. تتم كتابة هذا البرنامج وصيانته من قبل جيفري A. ريان. راجع الترخيص للحصول على تفاصيل حول النسخ والاستخدام. كوبيرايت 2008.IFC - رادارات التتبع في مقدمة الرادار أو رادار اقتناء نايك، انتقل إلى. تم وضع ضوابط هذه الرادارات في فان التحكم رادار، الذي كان يقع جدا بالقرب من فان التحكم في البطارية ونفس الحجم. جون بورتر، مدير سف-88، تقارير أن فان التحكم في البطارية هو 20.5 قدم، 8 أقدام واسعة، 7 أقدام عالية، مع اللسان 6.5 قدم. هذا هو رادار تتبع نايك هرقل. ويمكن أن يكون رادار تتبع القذائف (متر)، أو رادار تتبع الهدف (تر)، أو رادار قياس الهدف (تر). وتختفي التفاصيل تحت درع الرياح، مما يقلل من ضغوط الرياح والبوفيه. ولا تزال مركبة النقل ذات العجلات موجودة عند إزالتها، ويدعم الهوائي ثلاثة أرجل قابلة للتعديل في مثلث. هذا نايك X - الفرقة (حوالي 10 غيغاهرتز) تتبع الهدف أو الصاروخ تتبع هوائي الرادار هو دون شاشة الرياح. الصورة هي من موقع نايكي الذي مؤخرا (2016) خرج من الخدمة في فولغاريا، تن، إيطاليا. وهو الآن جزء من متحف هركيوليز نايك الكبير في ذلك الموقع. أيضا، TM9-5000-18 نايك I سيستمز - تر ترانزميتر و ريسيفر سيركوتري متاح لآخر (أكثر تفصيلا) عرض بعض من هذه المواد. (نايك 1 أجاكس كان سلف نايك هرقل، ولكن نفس المبادئ تنطبق.) من فم 44-1-2 أدا ريفيرنس هاندبوك، 15 يونيو 1984، انظر الصفحة 21 خواتم أبراج هوائي تتبع الأسرع من الصوت تحتاج هوائيات تتبع نايك ودقة تأشير المدقع. نايكي هرقل لديها مجموعة من أكثر من 90 ميلا، وينبغي أن يكون النظام قادرا على توجيه صاروخ إلى مع في 10 أو 12 ياردة من حيث يقول الهدف تتبع الرادار الهدف هو. وهذا يعني أن رادار تتبع الهدف (إعطاء الموقع المستهدف) ورادار تتبع الصواريخ (إعطاء موقع الصاروخ هرقل) يجب مواءمته بعناية (نوقشت أدناه). أيضا، آثار - حرارة الشمس تشويه الهوائي يتصاعد - قوة الرياح يجب تشويه الهوائي يتصاعد أيضا. للمساعدة في إنجاز هذا برج مزدوج يستخدم: - البرج الداخلي يدعم الهوائي - البرج الخارجي يدعم شاشة الرياح وظلال البرج الداخلي الصور أدناه هي من منطقة مؤسسة التمويل الدولية من سف-88، شمال سان فرانسيسكو دعونا نبدأ مع البرج الداخلي، والخرسانة - مع ثلاثة إسقاطات في الأعلى لأقدام الهوائي الثلاثة. الصورة مجاملة من غريغ براون البرج الخارجي ظلال البرج الداخلي الحد من التدفئة التفاضلية على الجانب الشمس من البرج الداخلي. كما أنها تدعم سلم الوصول، وشاشة الرياح، ومنصة العمل والحرس السكك الحديدية. منصات الثلاث ملحوظ 0 هي منصات بدعم من البرج الداخلي، ودعم منصات الهوائي ثلاثة. الدائرة البيضاء الجزئية هي بقايا دعم فقاعة الشاشة الرياح. وتظهر هذه الصورة اثنين من الجمعيات قاعدة منفصلة، ​​المستطيل الخارجي دعم برج الصلب الخارجي، والخرسانة الداخلية جولة دعم برج الخرسانة جولة الداخلية. الصورة مجاملة من غريغ براون تتبع هوائي قاعدة الصور المعدات المستخدمة ل بوريزيتينغ هذا هو مربع التحكم والكابلات المستخدمة للقيام تعديلات توجيه الهوائي غرامة خلال رؤية تتحمل وإجراءات المحاذاة الأخرى هذا هو التلسكوب المستخدمة في رؤية تتحمل وإجراءات المحاذاة الأخرى. وقد تخلت خدمة الحديقة الوطنية مع هذه الوحدة - الموصلات في هوائي تتبع يمكن أن يسمى هذا الجانب موصل هوائي تتبع نايك. ويشمل أيضا اثنين من مقصورات التخزين للمعدات المستخدمة بشكل متكرر. معظم الموصلات تستخدم منخفضة الحالي (إشارة) موصلات، وهنا عينة. الموصل المكشوف هو للكابلات المحورية الثلاثة التي تحمل إشارات التردد المتوسط ​​(60 ميغاهرتز) إلى فان التحكم في الرادار لمزيد من التضخيم. وهي مجموع خطأ خطأ السمت و إرور. تتبع هوائي قاعدة الالكترونيات هذه هي المغناطيسية وغيرها من امدادات الطاقة الجهد العالي، ومكبرات الصوت المستخدمة لدفع الهوائي السمت والارتفاع المحركات. وهي على الجانب الآخر بالنسبة لجانب الموصل. تتبع الهدف مراكز التشغيل هذه هي أجهزة تتبع الهدف أجهزة التحكم، كل مع نطاق وضوابط كما وصفت. بداوا متشابهين جدا لكل من نايك اياكس و نايكي هرقل. في نايك هرقل، وأضاف موقف (الاحتياطية) إضافة، مشرف تتبع، للمساعدة في تنسيق الأنشطة وتشغيل الضوابط المضادة للتشويش. صورة رادار كونترول فان آت فت. متحف عتبة من هارفارد عموم محول نطاق لمكافحة التشويش والضوابط أدناه اليسار، تر الضوابط المغناطيسية أدناه الحق، السمت نطاق الحق من جريج براون هذه الصورة من هيكل A - نطاق الهدف الهدف ارتفاع المسار انسحبت. (جميع الشاسيه A-سكوب متطابقة) هذه الصورة هي مدعوم الهدف تعقب لوحات المفاتيح ومكافحة التشويش الضوابط من النظام الإيطالي، من راميرو كارلي بالولا تتبع المشرف الضوابط كان هذا نايك هرقل فقط - رجل على التوالي وقفت وراء ثلاثة مشغلي تتبع واستخدمت هذا انفصال مكافحة التشويش لوحة التحكم. لقد أظهرت هذا بتفصيل كبير وأنا مفتون تخيل ما يمكن القيام به كل شيء لتفادي إشارات التشويش. تر - متر مغنطرون، نوع وي 5780 المغنطرون هو أنبوب فراغ المتخصصة قادرة على جعل نبضات قوية بشكل مدهش (100s من كيلوواط) من طاقة الميكروويف من نبضات قوية من الجهد العالي (حوالي 30 كيلو فولت) الحالي (حوالي 30 أمبير). تم استخدام نوع الغربي الكهربائية وي 5780 المغنطرون في رادار تتبع نايك الهدف. هذا هو المغناطيسية الانضباطي مع تردد تركز على 10 غيغاهرتز (3 الطول الموجي سم). أرسل جون إلسون هذه الصور من جون: أرغه. لقد كان هذا المغنطرون معي لأكثر من 40 عاما، كان يجلس في مربع في المرآب الحالي لمدة 25 عاما. اخراجها لالتقاط صورة، وأنا قصفت دامن أفترض أنني يمكن أن تلعق مرة أخرى معا للحصول على صورة. هذا هو معدات ضبط خارج - قبالة إلى اليسار هو قليلا موجهة إلى أسفل المحرك، ثم كابل مرن مع داخل آلية التواء، إلى زاوية 90 درجة، إلى محرك دودة. وقد مكن ذلك تر من محاولة تفادي التداخل والتشويش عن طريق تغيير التردد - 10 يتتبع المستقبل تلقائيا تغيرات تردد المغنطرون (أفك). وفيما يلي ورقة بيانات من frank. pocnetsheets20155780.pdf يعرف عرض الحزمة عادة بأنه العرض بين نصف نقاط القدرة من الحزمة الرئيسية لهوائي. ويكيبيديا يعطي صيغة لعرض شعاع مكافئ نموذجي كما: بيمويديندغريس 70 وافيلنغث الهوائيالقطر حيث وافيلنغث والهوائيدياميتر هي في نفس الوحدات. استخدام عوامل - طول الموجة 3 سم - قطر الهوائي (حوالي 5 أقدام) 152 سم يعطي عرض حزمة هوائي نايك حوالي 1.4 درجة عرض حزمة صغيرة (ضيقة) في هوائي تتبع شيء جيد، مما يعطي: - المزيد من طاقة الرادار على الهدف وكسب (مجموعة أفضل) - أفضل تحديد زاوية الهدف - مقاومة أفضل للخروج محور التشويش كان الهوائيات تتبع نايك عرض شعاع من حوالي 1.4 درجة، وهذا هو، فإن معظم قوة الارسال تتركز في حوالي 1.4 درجة واسعة و 1.4 درجة عالية. على الرغم من أن تر (الهدف الهدف الرادار) كان الطول الموجي أقصر، فإنه لم يستخدم لتحديد زاوية. اياكس الرادار تتبع الهدف كان رادار تتبع نايك أجاكس السابق مجموعة فعالة من حوالي 50 ميلا. نظرة عامة هذا الهوائي (الصور الأربعة التالية) هو في متحف الالكترونيات التاريخية بالقرب من فت. ميد، مد. مكان رائع للزيارة. -)) ويستخدم نوع عدسة فريسنل من التركيز مثل هذا. كان التسديد متطابقا مع هوائيات تتبع هرقل لاحقا. كان التسوية بطبيعة الحال صفقة كبيرة. يجب أن يكون لرادارات تتبع الهدف والصاروخ إشارة عمودية مشتركة. يتم استخدام مستويين في الزوايا اليمنى للراحة. كان هذا ساق واحدة من دعم ترايبود لهوائي تتبع. غطاء يغطي 1 بوصة عرافة رئيس الترباس إلى أن تتحول إلى مستوى الهوائي. لقد أعجبت حقا مع نعومة دوران في السمت. لم يكن للاعب أي مسرحية واضحة، ولكن كان من السهل وسلس للتحرك. في عام 2012 سألت كينيث بهر حول هذا الموضوع. وقال إن هذا كان تحمل كايدون وقدمت هذه الصورة. والتي تبين تطور شكل فرينل للهوائي عدسة لوحة معدنية. الفصل 3، معدن لوحة عدسة أنتيناس بول واد. يحتوي هذا على الرسوم البيانية التالية. تم عرض مناقشة العدسات المعدنية تأخير، كما تستخدمها رادار تتبع نايك اياكس في هذا العدد من مجلة بيل النظام التقني. قامت شركة بيل وشركة ويسترن إليكتريك (شركة تابعة) بتصميم وبناء معدات شركة نايك لمؤسسة التمويل الدولية. صورة مجلة الحياة - في الوادي الأحمر - ربما القوات إطلاق معدات نايك أجاكس قبل أخذها إلى بعض الموقع في بعض المدينة. وهناك احتمال آخر هو القوات مرة أخرى لإعادة اطلاق النار السنوي من المعدات المقيمين. هرقل تتبع الهدف الرادار كان رادارات تتبع هرقل نايك الحد الأقصى من 200،000 ياردة، قليلا أكثر من 110 ميلا. (كان هذا الحد الثابت كما كان يعرض تتبع وحجم الكمبيوتر كان هذا الحد.) لمقارنة مثيرة للاهتمام مع سابق (الحرب العالمية الثانية) سر-584، انقر هنا. كان لدى أنظمة نايك هرقل اثنين من رادارات التتبع الهدف التي كانت مشابهة من الخارج. وشملت الاختلافات الداخلية استخدام نطاقات تردد مختلفة. تم استخدام الرادارين بدلا من الرادار المعتاد واحد للمساعدة في مكافحة التشويش العدو. مجموعة متنوعة من الاستراتيجيات جعلت الحياة من التشويش العدو صعبة للغاية. (كان نظام نايك أجاكس هدف واحد تتبع الرادار). نايك هرقل تتبع الرادار الهدف (تر الصورة 33 كيلو بايت) (الصورة الائتمان رولف غوريك) السياج حبل والدعم هناك فقط أثناء الصيانة للحد من الحوادث - إزالتها خلال العمليات العادية. خلال العمليات العادية، شاشة الرياح كروية تحيط الهوائي للحد من قوة الرياح وأخطاء التتبع. عرض الالكترونيات (الصورة الائتمان رولف غوريك) غاستون ديسورنز يريد. (انظر الصورة المرفقة) الصور التالية هي من المسح الضوئي من TM9-1430-253-34 من قبل غوغلبوكس وضعت جميع الأجهزة العملية (والثقيلة) في قاعدة ترايبود. وشمل ذلك إمدادات الطاقة، والمكبرات المغناطيسية لدفع محرك الأقراص. هذا هو الجزء الخلفي من هوائي تر - جعل الضوء على النحو العملي - التوصيل الكهربائي، أي الضوابط، وفولتية زاوية الارتفاع، والطاقة، وقنوات تردد وسيطة. كانت مصنوعة مع قاعدة عن طريق حلقات زلة. وفيما يلي مجموعة من حلقات الانزلاق تربط كهربائيا الأجزاء الدوارة وتستخدم في السمت والأخرى للارتفاع - جهاز إرسال السمت هو مقياس الجهد الجيب التمامي الدقيق الذي يساعد على تحويل الإحداثيات القطبية (الزوايا) إلى الإحداثيات الديكارتية (x، y): -)) على الرغم من أن هناك تعقيدا كبيرا، ونادرا ما كان لدينا مشاكل مع الرادارات (أو ما تبقى من نظام مؤسسة التمويل الدولية نايك). تم تصميمه بشكل جيد للغاية وتصنيعها :-)) كثيرا الكثير من الفرح للحفاظ على التوالي. ولسوء الحظ، فقد تم تفكيك المصمم والشركة المصنعة من قبل الحكومة الغربية - وفي حالات خاصة، مثل خطر الأعاصير أو الظروف القطبية الشمالية، أدرج غطاء وقائي كبير يمكن أن يوفر حماية إضافية. وقد شكلت هذه الأغطية مثل قذائف البطلينوس التي يمكن أن تكون مغلقة في ظروف سيئة حقا. انظر الصور منظر جانبي. عرض ربع و ألاسكا الموقع معلومات الموقع بيتر و سيت القمة. أنا تخمين (يرجى تصحيح لي) أنه إذا تم إغلاق قذائف البطلينوس، ورادارات تتبع لا يمكن استخدامها. من رولف غوريك. مواصفات الرادار تتبع الهدف (تر) تشمل: نبض قصيرة (سب) 0.25 ميكروثانية نبض طويل (لب) 2.5 ميكروثانية رادار استقبال خزائن هناك نوعان من خزائن، جنبا إلى جنب، صور مرآة تقريبا من بعضها البعض، واحدة للرادار تتبع الهدف (تر)، والآخر لرادار تتبع القذائف (متر). ما قبل التحديث، وأنابيب الفراغ الباب الأول على مجلس الوزراء على يسار أجهزة تتبع الهدف لوحات المفاتيح يفتح في تتبع الهدف رادار استقبال كابينر. مجلس الوزراء هو مبين ل هرقل، ولكن اياكس كانت مشابهة جدا. في وقت واحد يمكن أن أقول لكم وظيفة وكيفية ضبط كل شيء هنا - الهيكل على الباب هو اختبار الهيكل، وتستخدم لاختبار الأداء الصحيح من كل شيء في مجلس الوزراء. الباب المغلق على اليسار مشابه جدا لرادار تتبع الصواريخ. ويحتوي كل منها على مكبرات تردد متوسط ​​(مهز 60) (مهز) من أجل المجموع وخطأ الارتفاع وخطأ السمت والتحكم التلقائي في كسب مضخمات إف ووحدة النطاق والدوائر التي تتيح التتبع التلقائي في الارتفاع والسمت والمدى، تحمل موقع الصاري الالكترونيات. ما بعد التحديث، الحالة الصلبة، الترانزستورات جميع المعلومات والصور من السيد راميرو كارلي بالولا إم إرسال لك بعض الصور ذات الصلة إلى بك فان الواقع الواقع في قاعدة تونو، وهذا هو التكوين الأخير المجمدة في عام 2005 (لا مزيد من التعديل المتوقع أو المأذون به) بالنسبة لجميع الدول المشاركة في المؤتمر الوزاري العالمي، كما سبق أن أوضحت البلدان الثلاثة المتبقية كانت إيطاليا-اليونان وتركيا، نهاية 2005 بدأت اليونان التخلص التدريجي من النظام، تليها إيطاليا في عام 2007، بعد أن دخلت وسك في مرحلة التصفية. على حد سواء مترتر سوباسي بدءا من أعلى قائمة البنود هو ما يلي: 1) منارة أفك 2) إذا مكبر للصوت سوم 3) إذا مكبر للصوت أز 4) إذا مكبر للصوت إل 5) فيديو و أغك مكبر للصوت 6) تحويل المؤازرة خطأ أز 7) تحويل إل على بابين إما متر أو تر من أعلى القائمة هي التالية: 1) إذا مولد اختبار (مثل تشاسي القديم) 2) خطأ رصد الجهد (مثل تشاسي القديم) 3) أز خطأ مودولتور 4) خطأ إل المصفاة تر القسم الجانب الأيمن مرشحات لبسب من الأعلى: 1) سوم لب و سب مرشحات 2) أز لب و سب مرشحات 3) إل لب و سب مرشحات متر القسم الأيسر مرشحات سب من أعلى: 1) مجموع 2) أز 3) النسبية لدوائر لوغ لين، لا يزال من أعلى: 1) إذا مكبر للصوت 2) تصفية نبض طويلة 3) لين تسجيل مكبر للصوت مشاكل متعددة المسار العمل حوله موافق - يمكنك الحصول على أكثر من ما سبق من أي كتاب الرادار خطيرة. الآن من أجل التفاصيل العملية المجدية: - ((موجات الرادار هي مجرد موجة موجات منخفضة التردد (فري)، وهذه أخبار جيدة وسيئة، والخبر السار هو أن موجات الرادار تعبر عن الأسطح الموصلة، مثل الطائرات، والأخبار السيئة هو أن موجات الرادار تعكس قبالة السطوح التي ترغب أنها لا، مثل الأرض أو الماء (مع ثوابت عازلة مختلفة بالنسبة للهواء) بينك وبين الطائرة التي تحاول تتبعها، وهنا اثنين من قصص قصة واحدة وقصة أخرى تنطوي على تتبع الصواريخ رادار قفل - على انعكاس صاروخ، وهذا هو تصور للمشكلة ورسم بياني تبين أخطاء تتبع طائرة في ارتفاع غير محدد مع رادار في ارتفاع غير محدد والتردد مع عرض شعاع حوالي 3 مرات نايك 3 سنتيمتر الطول الموجي هذه الطبعة يمتد لحوالي 3 صفحات أخرى حول هذا التأثير. العينة أعلاه هي من طبعة 1980 من مقدمة إلى أنظمة الرادار من قبل ميريل I سكولنيك. في حين تحاول الاتصال المؤلف للحصول على إذن للنشر، (أي اتصال حتى الآن) لقد وجدت أنه على قيد الحياة، لا يزال يلقي المحاضرات والتأليف. وفقا ل radarcon2008.orgbioSkolnik. html. عمل الدكتور ميريل سكولنيك كمدير قسم الرادار في مختبر أبحاث البحرية الأمريكية في واشنطن، D. C من 1965 إلى 1996. ولديه كل أنواع الجوائز. إذا كنت مهتما بجدية في الرادار الحديث (بما في ذلك ليدار) يجب أن تحصل على واحد من كتبه أكثر حداثة. تشير الفقرة أعلاه إلى سبب أن مهمة نايك كانت ضد الطائرات عالية الطيران، وبعض الدوافع لتطوير صواريخ صاروخ موجه مثل هوك، وطرق أكثر تطورا في باتريوت. أخبار جيدة يمكن تفسير المخطط للإشارة إلى أن الخطأ بين رادارين متباعدين عن كثب، مع زوايا منخفضة من الهدف، سيكون له أخطاء مماثلة - أن خطأ متر تتبع الصاروخ في نقطة الاعتراض سيتم تعويضه إلى حد كبير عن طريق الخطأ في تتبع الهدف الرادار تتبع الهدف في نفس نقطة اعتراض. - الخطأين إلى حد كبير إلغاء - أخبار سيئة إذا كان الرادار تتبع الصواريخ يتتبع انعكاس أو صورة - فإنه سوف تفقد مسار الصاروخ، وليس هناك طريقة عملية لاستعادة المسار قبل تدمير الصواريخ الذاتي بعد فقدان إشارة تراكينغكوماند من استعراض منتصف المدة . أخبار جيدة -)) كان يعرف تأثير وتصحيح حتى الحكم لا مشكلة. كان ذلك سهلا عادة في تقارير رولف غوريك الأمريكية من ألمانيا ومن الأمثلة الجيدة على ذلك الإجراء اليومي اكتساب مسل. وبسبب زاوية الرعي المنخفضة عادة لشعاع الهوائي، رصدت آثار المسيرات المتعددة في الارتفاع. باستخدام نايك السعة مونوبولز كان هناك أي علاج. تم تصنيف مسل غير تشغيلية. مجرد تخيل، وتبحث من خلال تلسكوب شنت رؤية بعض الأبقار بدلا من الصواريخ تعقب السيارات ولكن وجهة نظر أو نقطة التوجيه لم يكن نقطة الانعكاس، بدلا من ذلك كان مجموع الطاقة الترددات اللاسلكية المباشرة وغير المباشرة من مسل. وكانت نقطة الانعكاس تتغير مع الموسم والنهار وأحيانا ذهبت على الإطلاق. كانت حالة مثيرة للاهتمام حقا وتعلمت الكثير. لقد انخرطت (مرة أخرى) في تلك القصة السرية. وكانت هذه الحالة ساخنة وحساسة حقا. وتناقش هذه المسألة في بعض الكتب الرادارية. حل زمن الحرب نقل الشاحنات بين متر و مسل، وأنها عملت الرادار تهدف محاذاة بما في ذلك محاذاة رادار التسديد معقدة بشكل معقول. كل الرادار (تتبع تتبع الصواريخ الهدف) يجب أن تكون مستوية بشكل فردي و مسدود. ثم يجب أن تتم محاذاة الرادارات بحيث يقرأ مقاييس الجهد نفسها عند الإشارة إلى كلاهما في نفس الاتجاه. ثم يجب وضع الفرق موقف رادار تتبع الصواريخ من الرادار تتبع الهدف في الكمبيوتر لهذا التصحيح. هذا هو الصاري موقع تتحمل (15 كيلو بايت). وتخرج موجات الرادار إشارة الاختبار من القرن تغذية في وسط X على القمة، والأشياء الجانبية 4 من X على القمة هي أهداف بصرية للتلسكوبات على الرادارات (تر، تر، و متر). مزيد من التفاصيل هنا تم استخدام كليسترون منعكس قليلا، مثل هذا، لتوليد نبض صدى عبر القرن تغذية إلى هوائي التتبع يجري تسديد. ويمكن أيضا فحص حساسية مستقبل الرادار عن طريق تخفيف ناتج هذا الأنبوب. الأنبوب هو حوالي 3 بوصات، 8 سم، من قاعدة أنبوب إلى الأعلى. دبوس طويل تحت القاعدة هو هيكل الانتاج المحوري تغذية دليل الموجة. هذا هو الصاري موقع تتحمل (34 كيلو بايت) يجري تخفيض. عندما تكون في مكان، القطب الطويل الرأسي. صورة من رولف نايك صفحات by goerigkonlinehome. de. ويمكن تنظيمها في شكل القائمة في الخطوات الرئيسية التالية: الاستواء الفردي (جميع رادارات التتبع) كانت الأداة التي تشير إلى المستوى عبارة عن نسخة صدمات من مستوى المهندسين بريسيسيون مثبتة على الجزء الدوار للهوائي. تم فحص محاذاة الصك عن طريق تسوية الهوائي ثم تدوير الهوائي 180 درجة والتأكد من أن الصك لا يزال يشير إلى المستوى. إن لم يكن، قمت بإعادة ضبط مستوى حتى أشار نفس الخطأ إلى الأمام والخلف. ثم إعادة توجيه الهوائي وفحصها مرة أخرى. (كان هذا التعديل مستقرا تماما). وكان مستوى الهوائي غير مستقر عموما. (انظر جميع الرادارات تتبع) تشغيل تتحمل البصر اختبار الصاري مذبذب - عندما مربع التحكم الصاري اختبار الحواس نبضات X - باند، - أنها سوف تولد نبضات الصدى على نفس التردد من القرن تغذية قفل على مذبذب المسار في مجموعة التلقائي تلسكوب في جبل، موقف 1، مراقبة الهدف تعيين تلسكوب في جبل، موقف 2، مراقبة الهدف ضبط تلسكوب (وليس الرادار) للحصول على مشهد تتحمل الصحيح اغلاق تتحمل البصر اختبار الصاري مذبذب الهدف الصواريخ وتلسكوب تتبع الهدف في بعضها البعض مرمى ضبط محاذاة الجهد تأكد من أن تعقب موقف الرادار تتبع الصواريخ كان في الكمبيوتر تعديل التسوية كان الأكثر اضطرابا في العديد من المواقع الجديدة. انها سوف الانجراف قليلا جدا (تتطلب ريليفلينغ عدة مرات في اليوم) حتى منصات ملموسة استقرت في الأرض. ثم لن تكون هناك حاجة إلى التعديلات أكثر من مرة في اليوم. وهذا أسفر عن دقة البصر تتحمل بين رادار تتبع الصواريخ ورادارات تتبع الهدف من حوالي 1.5 بوصة في ألف ياردة (على افتراض أن الصاري موقع تتحمل كان على بعد حوالي 250 ياردة من الرادارات ). في 110 ميل (200،000 ياردة) التي من شأنها أن تكون حوالي 300 بوصة أو بناء على أمر من 25 قدما. هناك العديد من مصادر الخطأ في النظام - بطبيعة الحال - ولكن النظام واسيس مثيرة للاهتمام. وفي القياس الزاوي، كان خطأ التسديد حوالي 0.0025 درجة، أو حوالي 10 أركسيكوند. الحجم الزاوي للنجمة في تليسكوب قوي على الأرض حوالي 1 أركسيكوندس بسبب مشاكل في الغلاف الجوي. لمقارنة مثيرة للاهتمام مع سابق (الحرب العالمية الثانية) سر-584، انقر هنا. فرانك E. رابانج يشير إلى أن هناك شيك أن يدل على أن جميع التعديلات تعمل حقا. . كان الاختبار الرئيسي (الذي كان يجب أن يتم كل 6 ساعات، عندما كان في 30 سوا) اختبار التتبع في وقت واحد. في هذا الاختبار تم تعيين متر إلى وضع المسار الجلد وكل من تر (و تر) و متر مقفل على نفس الهدف. ويمكن أن يقرأ بكو فرق الجهد في مواقف الرادارات المعنية في بك فان. Readings were made for both TTR and TRR in the difference pulse modes. It was the decision of the BCO to accept the system or not. Radar Range Determination Radar waves (and light and other electromagnetic waves) travel through air almost as fast as in a vacuum. Fortunately for engineers and users, air pressure, humidity, and other atmospheric variables do not affect the speed of travel very much. To make matters even easier for the Nike problem, any variations that do occur are largely canceled out at the end of the flight, as both the radar beams are traveling through very similar air conditions. Errors due to refractive effects due to differences in air pressure along the beams cancel out. So a common crystal oscillator was used to calibrate the range systems of both the missile and target radars. This adjustment was fortunately very stable, rarely needed tweaking unless a component was changed. There is a circuit called a phantastron that has a remarkably linear pulse delay time from a voltage input. The Range Operator (or range tracking servo system) operates a linear potentiometer which provides the range voltage for: Elevation potentiometers, see Height Determination below Azimuth potentiometers, see Radar Azimuth Determination below Range gate for displays and for servo gating This diagram came as a shock when I was looking through technical manuals in 2015. I had never seen it in trainning nor on site. It must have been discussed on one of the days I was on KP. (The Army had a bad habit of making their slave wage students take their turns doing KP (Kitchen Police, washing pots and pans, mopping the mess hall. ) during technical trainning. The Air Force is much more enlightened, hiring civilians to do kitchen chores instead of techie students.) Good thing the range units didnt fail on our site, would have taken me some time to fix things, or call in ordnance. (There were two range units, one for the Target Tracking, The other for the missile tracking.) Maybe Lopresti or Sizlak (the other two IFC techies) didnt have KP on their sequence. Radar Height Determination Digital - post-modernization - from Ramiro Carli Ballola Note: during the post 1975 modernizations, including replacing many analog components with digital components, the elevation trig potentiometers were replaced by digital angle resolvers. Here is an explanation of a digital angle resolver. The output was sent to a little digital computer in the RC van where the height was computed from the digitalslantrange times the sin of this angle and the groundrange determined from the cosine of this angle. Gathering the details, and educating me (Ed Thelen) is an on-going effort (November 2015) by Ramiro Ballola :-)) Please be patient, these were major philosophical, data flow, and processing changes. going back to the RAEMOD, with the change of the potentiometers in the antennas, in the exploded view photo included at nr 26 you should see fisically the optical resolver inside the TTR azimuth encoder assembly, they were the same on the elevation and equally the same for TTRMTRTRR Inside the functional schematic photo you should see a little part of the RSPU Angle encoder section and you should read the input from synchro and resolver from the antenna and the first data conversion, to be sent to the Coordinate Converter Section (via PCS), than to the TDP (Track data processor) and to the Digital computer in the BC Van Ed Thelen here - The above two diagrams provide fascinating hints of the digitized (azimuth and elevation) angle data sent by the antenna circuitry to the RC van to help provide X, Y, and Z information of the radar target. Ramiro is continuing to collect photos, diagrams, and information. from Ramiro Nov 19, 2015 Ed, if you remember after boresight check before the Orientation, one check was mandatory to be performed and it was the KDP (Known Datum Point) to define the TTR (considered as System center) azimuth position respect to the North Geographic, this value recorded inside the TTR RSPU, together with the Orientation Elevation position and the Range zero check value SP and LP, was the reference you recall to intialize the system. Of course in the MTR RSPU the azimuth reference value was the Orientation value. Ed Thelen here - None of the above, except boresighting - done daily -. and determination of north - done once on Ajax sites -, is unfamiliar to this Ajax techie. I (and this description) have a long way to go - we had no RSPU to initialize - Radar Azimuth (horizontal direction) Determination Digital - post-modernization Note: during the post 1975 modernizations, including replacing many analog components with digital components, the azimuth trig potentiometers were replaced by a digital angle resolver. Here is an explanation of a digital angle resolver. The output was sent to a little digital computer in the RC van where the groundrange and angle were used to compute the E-W and N-S ground values. height was computed from the digitalslantrange times the sin of this angle. Tracking Radar Physical Support One of the many keys to precision tracking between the target and missile tracking radars is the fact that (small) identical errors of tracking by both the target and missile tracking radars cancel out. Example, if both the target and missile tracking radars say that their respective tracks are both 100 yards higher than absolute height, the actual miss distance (if every thing else was perfect) would be 0 yards. Very Interesting and Useful This way, errors due to radar wave (like light wave) refraction in the atmosphere cancel out if both radars are tracking the same point in space (in this discussion we ignore the slightly different paths due to the slightly different physical location of the two radars. The Nike Ajax system assumed that wind buffeting of the two tracking radars would be sufficiently similar so that accurate enough tracking could be accomplished. Since the Nike Hercules had an effective range more than 3 times the Ajax, and a real range more than 4 times the Ajax, errors due to wind buffeting and similar errors could be 3 or 4 times larger, and possibly render Hercules ineffective (too inacurate) at longer ranges. Bubbble surrounds each tracking antenna To counter the wind buffeting, the tracking radars were enclosed in an air inflated fabric bubble. This greatly reduced the wind forces on the tracking antennas. Even if the wind gust shifted the bubble a few inches, the air f orces on the antennas would be greatly reduced during the shift of the bubble. The bubble also protected the antenna from much of the differential heating due to the sun heating (expanding) one side of the mount and antenna relative to the other side (shady side) of the mount and antenna. Although both tracking antennas would likely be illuminated by the sun the same way, vertical alignment was usually made by one person at slightly different times (an error source) and one was never confident that everything was identical anyway. Wind Force and Sun Heating on Tower Mount Ideally, the radars could be located on high ground, well above surrounding trees, buildings. However, in flater areas, towers had to be used to get the tracking radars high enough. The wind also supplies forces and torques on radar towers. The forces and especially the torques shift the top of the tower in space, and shift its angle with the vertical. The shift in space (inches) is much much smaller than other errors, but the shift in angle from vertical could result in much more severe errors. To provide improved resistance to angle errors due to torque in the tower, the tower was actually a double tower. The outer tower was buffeted by the wind, and also the differential expansion due to the sun light heating it. The platform at the top of the outer tower also supported the bubble that protected the antenna from the wind. The inner tower supported the antenna. The inner tower was largely isolated from the wind and the sun which resulted in much more stablity. Image of tower showing: - outer tower platform - bubble base - foot pad from inner tower Simultaneous Tracking Test (the proof) Did all of the above boresighting adjustments and alignments REALLY yield a system that could get a missile within kill distance of the target There is a way to check Have BOTH the target tracking radars and the missile tracking radar track the same target (aircraft). If both radars say the aircraft is in the same place . the tracking system is correctly aligned. الفترة. No guess work, no theory, no it oughta, the tracking system IS correctly aligned . Assuming the computer works, the missile takes commands, etc. that NIKE system is capable of guiding the missile to the target However, you remember that the Missile Tracking Radar (MTR) tracks a beacon in the missile, not the skin of the missile. So, (FOR THIS TEST) the MTR is set to: a mode to track the MTR radar reflection from a target, not the missile beacon remove the delay of the beacon (a fixed delay between receiving the MTR radar signal and the firing of the beacon) from the MTR range system The above two changes permit MTR to track the aircraft just the same as the TTR system. An aircraft flies about, and the computer voltages representing N-S, E-W, UP-DOWN for the MTR and the TTR are compared. They ideally should be identical. Placing a sensitive volt meter between say the target radar N-S and the missile radar N-S should ideally yield zero at all times while tracking the same aircraft. In practice they rarely are completely identical due to at least the following error sources. different parts of the aircraft reflect (glint) differently at different angles different pointing servo gains and damping actual level errors actual boresight and alignment errors errors in the range, elevation, azimuth potentiometers errors in components in the computer a wide variety of mechanical errors such as binding, looseness. In spite of the above long list of possible error sources, people at NIKE sites had to and did prove - frequently - that the tracking system errors were very few yards at ranges in excess of 50 miles. Unbelievable but true Simulated Tracking (and jamming) using the T-1 System Tracking aircraft with a NIKE system is trivial if the aircraft is not using jamming . With no jamming, you can easily teach your junior high school kid to be a good NIKE radar operator in an afternoon. A group of afternoon trained junior high kids could do all the NIKE aircraft radar tracking operations necessary to shoot down a non-jamming aircraft. The airforces of the world spend a great deal of time and money to try to defeat radar - and many interesting jamming methods have been developed and are used. How do you train NIKE people to track aircraft that are using Electronic CounterMeasures - ECM (jamming) How do you maintain and enhance this difficult skill Using friendly aircraft for this training and skill maintenance has many disadvantages, including: The friendly air force is unlikely to wish to fly aircraft for hours per day around the various sites to assist in trainning and honing the friendly anti-aircraft forces. Occasional tests may be OK, but almost every day The friendly air force may not wish to turn on their latest and greatest ECM (jamming) equipment for analysis by non-friendly agents. I presume these, and other, reasons led to the development of the ANMPQ-T1 Electronic Warfare Simulator (developed by ITT Baltimore, MD ) which was housed in one very large trailer. The operators in the T-1 trailer could exercise the radar operators in both the Battery Control (BC) van (acquisition operators and battery commander) and the Radar Control (RC) van (Target Tracking operators (azimuth, elevation, range) and Missile Tracking operator. with many types and quantities of interesting ECM (jamming) problems. Jammingspoofing slides from the archives of Association of Old Crows aoc. adobeconnectjammingtechniques5-1-14recordinglauncherfalsefcsContenttruepbModenormal (The introductory part, relative to the pulsed, non-coherent techniques used in Nike) With the Improved Nike Hercules, the jammerspoofer had to fool two different frequency radars in range. Note the attempt to both: a) obscurehide the target b) fool the range operatorsystem to track a fake target Also note: this does not include mechanical jamming, such as chaff, corner reflectors, decoys. This is where ECM was for Nike Ajax and modern techniques are much more interesting. For more details on the T-1 unit, see Lesson 8. Target Simulation - 1.2 megabytes There is a T1 manual on-line at T1 ANMPQ-T1 (another site)(.zip -.pdf files)(10 files totaling 6 Mbytes) For a more general discussion of jamming, go here. LOPARHIPAR target video and ECM was created using sync and preknock signals from the radar. Antenna rotation was slaved to the radar by a device called a flying spot scanner and video was triggered using a system called an antenna pattern generator which simulated not only the main antenna lobe but side lobes as well. By changing the position of the main lobe, the target could be moved in azimuth at will and the ECM would also be positioned along the main lobe. TTR and MTR video was generated much the same as the IF test pulse except that the TTR was given sum, azimuth and elevation signals and long and short pulse. Azimuth and elevation signals were controlled through servos which were slaved to the antenna and range simulation was done by delaying the video from sync. The system could generate 6 independent targets with 4 types of Electronic jamming on 4 different carriers in addition to Acq and track chaff and angle deception. Army Navy Mobile Radar Signal Simulator. I worked on them for about 10 years, a great training device. Simulated up to 6 targets, ECM, and ground clutter. The Chaff cabinet was a bitch to maintain. The T1 also had a reusable missile. The T1 was heat sensitive and the IF strips had to be retuned as the trailer got warmer. The Simulations were injected at the RC BC Vans not at the radars. First, let me say something about analyzing the ECMECCM situation for Nike or any other system. That is somewhat akin to painting a moving train. Technology advances tend to make the advantage shift between ECM and ECCM. So, Im not surprised that some point in time the SSKP was as low as 85. However, I have watched as Air Force planes tried to break Hercules System lock after the TRR was added to the system and they could not do that. I have even read letters from Air Force organizations requesting that Nike not track their planes using their ECCM, because it tended to undermine the confidence of their pilots in their ECM equipment. I dont know the time period that the simulations were done. Ability to do meaningful simulations developed as technology did, so the sophistication (accuracy) of the simulation could be called into question. Second, all simulations involve some approximations and assumptions. Thus, simulations have to go through a validation process to determine the accuracy of the simulation. I have never heard of any meaningful simulations involving the Nike Hercules systems. That doesnt mean there werent any, just that if the 20 or so years working with and around Nike, I would have expected to see something about it. آمل أن يساعد هذا. If you have comments or suggestions, Send e-mail to Ed Thelen Updated November 18, 2015Using R for Time Series Analysis Time Series Analysis This booklet itells you how to use the R statistical software to carry out some simple analyses that are common in analysing time series data. This booklet assumes that the reader has some basic knowledge of time series analysis, and the principal focus of the booklet is not to explain time series analysis, but rather to explain how to carry out these analyses using R. If you are new to time series analysis, and want to learn more about any of the concepts presented here, I would highly recommend the Open University book 8220Time series8221 (product code M24902), available from from the Open University Shop . In this booklet, I will be using time series data sets that have been kindly made available by Rob Hyndman in his Time Series Data Library at robjhyndmanTSDL . If you like this booklet, you may also like to check out my booklet on using R for biomedical statistics, a-little-book-of-r-for-biomedical-statistics. readthedocs. org. and my booklet on using R for multivariate analysis, little-book-of-r-for-multivariate-analysis. readthedocs. org . Reading Time Series Data The first thing that you will want to do to analyse your time series data will be to read it into R, and to plot the time series. You can read data into R using the scan() function, which assumes that your data for successive time points is in a simple text file with one column. For example, the file robjhyndmantsdldatamisckings. dat contains data on the age of death of successive kings of England, starting with William the Conqueror (original source: Hipel and Mcleod, 1994). The data set looks like this: Only the first few lines of the file have been shown. The first three lines contain some comment on the data, and we want to ignore this when we read the data into R. We can use this by using the 8220skip8221 parameter of the scan() function, which specifies how many lines at the top of the file to ignore. To read the file into R, ignoring the first three lines, we type: In this case the age of death of 42 successive kings of England has been read into the variable 8216kings8217. Once you have read the time series data into R, the next step is to store the data in a time series object in R, so that you can use R8217s many functions for analysing time series data. To store the data in a time series object, we use the ts() function in R. For example, to store the data in the variable 8216kings8217 as a time series object in R, we type: Sometimes the time series data set that you have may have been collected at regular intervals that were less than one year, for example, monthly or quarterly. In this case, you can specify the number of times that data was collected per year by using the 8216frequency8217 parameter in the ts() function. For monthly time series data, you set frequency12, while for quarterly time series data, you set frequency4. You can also specify the first year that the data was collected, and the first interval in that year by using the 8216start8217 parameter in the ts() function. For example, if the first data point corresponds to the second quarter of 1986, you would set startc(1986,2). An example is a data set of the number of births per month in New York city, from January 1946 to December 1959 (originally collected by Newton). This data is available in the file robjhyndmantsdldatadatanybirths. dat We can read the data into R, and store it as a time series object, by typing: Similarly, the file robjhyndmantsdldatadatafancy. dat contains monthly sales for a souvenir shop at a beach resort town in Queensland, Australia, for January 1987-December 1993 (original data from Wheelwright and Hyndman, 1998). We can read the data into R by typing: Plotting Time Series Once you have read a time series into R, the next step is usually to make a plot of the time series data, which you can do with the plot. ts() function in R. For example, to plot the time series of the age of death of 42 successive kings of England, we type: We can see from the time plot that this time series could probably be described using an additive model, since the random fluctuations in the data are roughly constant in size over time. Likewise, to plot the time series of the number of births per month in New York city, we type: We can see from this time series that there seems to be seasonal variation in the number of births per month: there is a peak every summer, and a trough every winter. Again, it seems that this time series could probably be described using an additive model, as the seasonal fluctuations are roughly constant in size over time and do not seem to depend on the level of the time series, and the random fluctuations also seem to be roughly constant in size over time. Similarly, to plot the time series of the monthly sales for the souvenir shop at a beach resort town in Queensland, Australia, we type: In this case, it appears that an additive model is not appropriate for describing this time series, since the size of the seasonal fluctuations and random fluctuations seem to increase with the level of the time series. Thus, we may need to transform the time series in order to get a transformed time series that can be described using an additive model. For example, we can transform the time series by calculating the natural log of the original data: Here we can see that the size of the seasonal fluctuations and random fluctuations in the log-transformed time series seem to be roughly constant over time, and do not depend on the level of the time series. Thus, the log-transformed time series can probably be described using an additive model. Decomposing Time Series Decomposing a time series means separating it into its constituent components, which are usually a trend component and an irregular component, and if it is a seasonal time series, a seasonal component. Decomposing Non-Seasonal Data A non-seasonal time series consists of a trend component and an irregular component. Decomposing the time series involves trying to separate the time series into these components, that is, estimating the the trend component and the irregular component. To estimate the trend component of a non-seasonal time series that can be described using an additive model, it is common to use a smoothing method, such as calculating the simple moving average of the time series. The SMA() function in the 8220TTR8221 R package can be used to smooth time series data using a simple moving average. To use this function, we first need to install the 8220TTR8221 R package (for instructions on how to install an R package, see How to install an R package ). Once you have installed the 8220TTR8221 R package, you can load the 8220TTR8221 R package by typing: You can then use the 8220SMA()8221 function to smooth time series data. To use the SMA() function, you need to specify the order (span) of the simple moving average, using the parameter 8220n8221. For example, to calculate a simple moving average of order 5, we set n5 in the SMA() function. For example, as discussed above, the time series of the age of death of 42 successive kings of England appears is non-seasonal, and can probably be described using an additive model, since the random fluctuations in the data are roughly constant in size over time: Thus, we can try to estimate the trend component of this time series by smoothing using a simple moving average. To smooth the time series using a simple moving average of order 3, and plot the smoothed time series data, we type: There still appears to be quite a lot of random fluctuations in the time series smoothed using a simple moving average of order 3. Thus, to estimate the trend component more accurately, we might want to try smoothing the data with a simple moving average of a higher order. This takes a little bit of trial-and-error, to find the right amount of smoothing. For example, we can try using a simple moving average of order 8: The data smoothed with a simple moving average of order 8 gives a clearer picture of the trend component, and we can see that the age of death of the English kings seems to have decreased from about 55 years old to about 38 years old during the reign of the first 20 kings, and then increased after that to about 73 years old by the end of the reign of the 40th king in the time series. Decomposing Seasonal Data A seasonal time series consists of a trend component, a seasonal component and an irregular component. Decomposing the time series means separating the time series into these three components: that is, estimating these three components. To estimate the trend component and seasonal component of a seasonal time series that can be described using an additive model, we can use the 8220decompose()8221 function in R. This function estimates the trend, seasonal, and irregular components of a time series that can be described using an additive model. The function 8220decompose()8221 returns a list object as its result, where the estimates of the seasonal component, trend component and irregular component are stored in named elements of that list objects, called 8220seasonal8221, 8220trend8221, and 8220random8221 respectively. For example, as discussed above, the time series of the number of births per month in New York city is seasonal with a peak every summer and trough every winter, and can probably be described using an additive model since the seasonal and random fluctuations seem to be roughly constant in size over time: To estimate the trend, seasonal and irregular components of this time series, we type: The estimated values of the seasonal, trend and irregular components are now stored in variables birthstimeseriescomponentsseasonal, birthstimeseriescomponentstrend and birthstimeseriescomponentsrandom. For example, we can print out the estimated values of the seasonal component by typing: The estimated seasonal factors are given for the months January-December, and are the same for each year. The largest seasonal factor is for July (about 1.46), and the lowest is for February (about -2.08), indicating that there seems to be a peak in births in July and a trough in births in February each year. We can plot the estimated trend, seasonal, and irregular components of the time series by using the 8220plot()8221 function, for example: The plot above shows the original time series (top), the estimated trend component (second from top), the estimated seasonal component (third from top), and the estimated irregular component (bottom). We see that the estimated trend component shows a small decrease from about 24 in 1947 to about 22 in 1948, followed by a steady increase from then on to about 27 in 1959. Seasonally Adjusting If you have a seasonal time series that can be described using an additive model, you can seasonally adjust the time series by estimating the seasonal component, and subtracting the estimated seasonal component from the original time series. We can do this using the estimate of the seasonal component calculated by the 8220decompose()8221 function. For example, to seasonally adjust the time series of the number of births per month in New York city, we can estimate the seasonal component using 8220decompose()8221, and then subtract the seasonal component from the original time series: We can then plot the seasonally adjusted time series using the 8220plot()8221 function, by typing: You can see that the seasonal variation has been removed from the seasonally adjusted time series. The seasonally adjusted time series now just contains the trend component and an irregular component. Forecasts using Exponential Smoothing Exponential smoothing can be used to make short-term forecasts for time series data. Simple Exponential Smoothing If you have a time series that can be described using an additive model with constant level and no seasonality, you can use simple exponential smoothing to make short-term forecasts. The simple exponential smoothing method provides a way of estimating the level at the current time point. Smoothing is controlled by the parameter alpha for the estimate of the level at the current time point. The value of alpha lies between 0 and 1. Values of alpha that are close to 0 mean that little weight is placed on the most recent observations when making forecasts of future values. For example, the file robjhyndmantsdldatahurstprecip1.dat contains total annual rainfall in inches for London, from 1813-1912 (original data from Hipel and McLeod, 1994). We can read the data into R and plot it by typing: You can see from the plot that there is roughly constant level (the mean stays constant at about 25 inches). The random fluctuations in the time series seem to be roughly constant in size over time, so it is probably appropriate to describe the data using an additive model. Thus, we can make forecasts using simple exponential smoothing. To make forecasts using simple exponential smoothing in R, we can fit a simple exponential smoothing predictive model using the 8220HoltWinters()8221 function in R. To use HoltWinters() for simple exponential smoothing, we need to set the parameters betaFALSE and gammaFALSE in the HoltWinters() function (the beta and gamma parameters are used for Holt8217s exponential smoothing, or Holt-Winters exponential smoothing, as described below). The HoltWinters() function returns a list variable, that contains several named elements. For example, to use simple exponential smoothing to make forecasts for the time series of annual rainfall in London, we type: The output of HoltWinters() tells us that the estimated value of the alpha parameter is about 0.024. This is very close to zero, telling us that the forecasts are based on both recent and less recent observations (although somewhat more weight is placed on recent observations). By default, HoltWinters() just makes forecasts for the same time period covered by our original time series. In this case, our original time series included rainfall for London from 1813-1912, so the forecasts are also for 1813-1912. In the example above, we have stored the output of the HoltWinters() function in the list variable 8220rainseriesforecasts8221. The forecasts made by HoltWinters() are stored in a named element of this list variable called 8220fitted8221, so we can get their values by typing: We can plot the original time series against the forecasts by typing: The plot shows the original time series in black, and the forecasts as a red line. The time series of forecasts is much smoother than the time series of the original data here. As a measure of the accuracy of the forecasts, we can calculate the sum of squared errors for the in-sample forecast errors, that is, the forecast errors for the time period covered by our original time series. The sum-of-squared-errors is stored in a named element of the list variable 8220rainseriesforecasts8221 called 8220SSE8221, so we can get its value by typing: That is, here the sum-of-squared-errors is 1828.855. It is common in simple exponential smoothing to use the first value in the time series as the initial value for the level. For example, in the time series for rainfall in London, the first value is 23.56 (inches) for rainfall in 1813. You can specify the initial value for the level in the HoltWinters() function by using the 8220l. start8221 parameter. For example, to make forecasts with the initial value of the level set to 23.56, we type: As explained above, by default HoltWinters() just makes forecasts for the time period covered by the original data, which is 1813-1912 for the rainfall time series. We can make forecasts for further time points by using the 8220forecast. HoltWinters()8221 function in the R 8220forecast8221 package. To use the forecast. HoltWinters() function, we first need to install the 8220forecast8221 R package (for instructions on how to install an R package, see How to install an R package ). Once you have installed the 8220forecast8221 R package, you can load the 8220forecast8221 R package by typing: When using the forecast. HoltWinters() function, as its first argument (input), you pass it the predictive model that you have already fitted using the HoltWinters() function. For example, in the case of the rainfall time series, we stored the predictive model made using HoltWinters() in the variable 8220rainseriesforecasts8221. You specify how many further time points you want to make forecasts for by using the 8220h8221 parameter in forecast. HoltWinters(). For example, to make a forecast of rainfall for the years 1814-1820 (8 more years) using forecast. HoltWinters(), we type: The forecast. HoltWinters() function gives you the forecast for a year, a 80 prediction interval for the forecast, and a 95 prediction interval for the forecast. For example, the forecasted rainfall for 1920 is about 24.68 inches, with a 95 prediction interval of (16.24, 33.11). To plot the predictions made by forecast. HoltWinters(), we can use the 8220plot. forecast()8221 function: Here the forecasts for 1913-1920 are plotted as a blue line, the 80 prediction interval as an orange shaded area, and the 95 prediction interval as a yellow shaded area. The 8216forecast errors8217 are calculated as the observed values minus predicted values, for each time point. We can only calculate the forecast errors for the time period covered by our original time series, which is 1813-1912 for the rainfall data. As mentioned above, one measure of the accuracy of the predictive model is the sum-of-squared-errors (SSE) for the in-sample forecast errors. The in-sample forecast errors are stored in the named element 8220residuals8221 of the list variable returned by forecast. HoltWinters(). If the predictive model cannot be improved upon, there should be no correlations between forecast errors for successive predictions. In other words, if there are correlations between forecast errors for successive predictions, it is likely that the simple exponential smoothing forecasts could be improved upon by another forecasting technique. To figure out whether this is the case, we can obtain a correlogram of the in-sample forecast errors for lags 1-20. We can calculate a correlogram of the forecast errors using the 8220acf()8221 function in R. To specify the maximum lag that we want to look at, we use the 8220lag. max8221 parameter in acf(). For example, to calculate a correlogram of the in-sample forecast errors for the London rainfall data for lags 1-20, we type: You can see from the sample correlogram that the autocorrelation at lag 3 is just touching the significance bounds. To test whether there is significant evidence for non-zero correlations at lags 1-20, we can carry out a Ljung-Box test. This can be done in R using the 8220Box. test()8221, function. The maximum lag that we want to look at is specified using the 8220lag8221 parameter in the Box. test() function. For example, to test whether there are non-zero autocorrelations at lags 1-20, for the in-sample forecast errors for London rainfall data, we type: Here the Ljung-Box test statistic is 17.4, and the p-value is 0.6, so there is little evidence of non-zero autocorrelations in the in-sample forecast errors at lags 1-20. To be sure that the predictive model cannot be improved upon, it is also a good idea to check whether the forecast errors are normally distributed with mean zero and constant variance. To check whether the forecast errors have constant variance, we can make a time plot of the in-sample forecast errors: The plot shows that the in-sample forecast errors seem to have roughly constant variance over time, although the size of the fluctuations in the start of the time series (1820-1830) may be slightly less than that at later dates (eg. 1840-1850). To check whether the forecast errors are normally distributed with mean zero, we can plot a histogram of the forecast errors, with an overlaid normal curve that has mean zero and the same standard deviation as the distribution of forecast errors. To do this, we can define an R function 8220plotForecastErrors()8221, below: You will have to copy the function above into R in order to use it. You can then use plotForecastErrors() to plot a histogram (with overlaid normal curve) of the forecast errors for the rainfall predictions: The plot shows that the distribution of forecast errors is roughly centred on zero, and is more or less normally distributed, although it seems to be slightly skewed to the right compared to a normal curve. However, the right skew is relatively small, and so it is plausible that the forecast errors are normally distributed with mean zero. The Ljung-Box test showed that there is little evidence of non-zero autocorrelations in the in-sample forecast errors, and the distribution of forecast errors seems to be normally distributed with mean zero. This suggests that the simple exponential smoothing method provides an adequate predictive model for London rainfall, which probably cannot be improved upon. Furthermore, the assumptions that the 80 and 95 predictions intervals were based upon (that there are no autocorrelations in the forecast errors, and the forecast errors are normally distributed with mean zero and constant variance) are probably valid. Holt8217s Exponential Smoothing If you have a time series that can be described using an additive model with increasing or decreasing trend and no seasonality, you can use Holt8217s exponential smoothing to make short-term forecasts. Holt8217s exponential smoothing estimates the level and slope at the current time point. Smoothing is controlled by two parameters, alpha, for the estimate of the level at the current time point, and beta for the estimate of the slope b of the trend component at the current time point. As with simple exponential smoothing, the paramters alpha and beta have values between 0 and 1, and values that are close to 0 mean that little weight is placed on the most recent observations when making forecasts of future values. An example of a time series that can probably be described using an additive model with a trend and no seasonality is the time series of the annual diameter of women8217s skirts at the hem, from 1866 to 1911. The data is available in the file robjhyndmantsdldatarobertsskirts. dat (original data from Hipel and McLeod, 1994). We can read in and plot the data in R by typing: We can see from the plot that there was an increase in hem diameter from about 600 in 1866 to about 1050 in 1880, and that afterwards the hem diameter decreased to about 520 in 1911. To make forecasts, we can fit a predictive model using the HoltWinters() function in R. To use HoltWinters() for Holt8217s exponential smoothing, we need to set the parameter gammaFALSE (the gamma parameter is used for Holt-Winters exponential smoothing, as described below). For example, to use Holt8217s exponential smoothing to fit a predictive model for skirt hem diameter, we type: The estimated value of alpha is 0.84, and of beta is 1.00. These are both high, telling us that both the estimate of the current value of the level, and of the slope b of the trend component, are based mostly upon very recent observations in the time series. This makes good intuitive sense, since the level and the slope of the time series both change quite a lot over time. The value of the sum-of-squared-errors for the in-sample forecast errors is 16954. We can plot the original time series as a black line, with the forecasted values as a red line on top of that, by typing: We can see from the picture that the in-sample forecasts agree pretty well with the observed values, although they tend to lag behind the observed values a little bit. If you wish, you can specify the initial values of the level and the slope b of the trend component by using the 8220l. start8221 and 8220b. start8221 arguments for the HoltWinters() function. It is common to set the initial value of the level to the first value in the time series (608 for the skirts data), and the initial value of the slope to the second value minus the first value (9 for the skirts data). For example, to fit a predictive model to the skirt hem data using Holt8217s exponential smoothing, with initial values of 608 for the level and 9 for the slope b of the trend component, we type: As for simple exponential smoothing, we can make forecasts for future times not covered by the original time series by using the forecast. HoltWinters() function in the 8220forecast8221 package. For example, our time series data for skirt hems was for 1866 to 1911, so we can make predictions for 1912 to 1930 (19 more data points), and plot them, by typing: The forecasts are shown as a blue line, with the 80 prediction intervals as an orange shaded area, and the 95 prediction intervals as a yellow shaded area. As for simple exponential smoothing, we can check whether the predictive model could be improved upon by checking whether the in-sample forecast errors show non-zero autocorrelations at lags 1-20. For example, for the skirt hem data, we can make a correlogram, and carry out the Ljung-Box test, by typing: Here the correlogram shows that the sample autocorrelation for the in-sample forecast errors at lag 5 exceeds the significance bounds. However, we would expect one in 20 of the autocorrelations for the first twenty lags to exceed the 95 significance bounds by chance alone. Indeed, when we carry out the Ljung-Box test, the p-value is 0.47, indicating that there is little evidence of non-zero autocorrelations in the in-sample forecast errors at lags 1-20. As for simple exponential smoothing, we should also check that the forecast errors have constant variance over time, and are normally distributed with mean zero. We can do this by making a time plot of forecast errors, and a histogram of the distribution of forecast errors with an overlaid normal curve: The time plot of forecast errors shows that the forecast errors have roughly constant variance over time. The histogram of forecast errors show that it is plausible that the forecast errors are normally distributed with mean zero and constant variance. Thus, the Ljung-Box test shows that there is little evidence of autocorrelations in the forecast errors, while the time plot and histogram of forecast errors show that it is plausible that the forecast errors are normally distributed with mean zero and constant variance. Therefore, we can conclude that Holt8217s exponential smoothing provides an adequate predictive model for skirt hem diameters, which probably cannot be improved upon. In addition, it means that the assumptions that the 80 and 95 predictions intervals were based upon are probably valid. Holt-Winters Exponential Smoothing If you have a time series that can be described using an additive model with increasing or decreasing trend and seasonality, you can use Holt-Winters exponential smoothing to make short-term forecasts. Holt-Winters exponential smoothing estimates the level, slope and seasonal component at the current time point. Smoothing is controlled by three parameters: alpha, beta, and gamma, for the estimates of the level, slope b of the trend component, and the seasonal component, respectively, at the current time point. The parameters alpha, beta and gamma all have values between 0 and 1, and values that are close to 0 mean that relatively little weight is placed on the most recent observations when making forecasts of future values. An example of a time series that can probably be described using an additive model with a trend and seasonality is the time series of the log of monthly sales for the souvenir shop at a beach resort town in Queensland, Australia (discussed above): To make forecasts, we can fit a predictive model using the HoltWinters() function. For example, to fit a predictive model for the log of the monthly sales in the souvenir shop, we type: The estimated values of alpha, beta and gamma are 0.41, 0.00, and 0.96, respectively. The value of alpha (0.41) is relatively low, indicating that the estimate of the level at the current time point is based upon both recent observations and some observations in the more distant past. The value of beta is 0.00, indicating that the estimate of the slope b of the trend component is not updated over the time series, and instead is set equal to its initial value. This makes good intuitive sense, as the level changes quite a bit over the time series, but the slope b of the trend component remains roughly the same. In contrast, the value of gamma (0.96) is high, indicating that the estimate of the seasonal component at the current time point is just based upon very recent observations. As for simple exponential smoothing and Holt8217s exponential smoothing, we can plot the original time series as a black line, with the forecasted values as a red line on top of that: We see from the plot that the Holt-Winters exponential method is very successful in predicting the seasonal peaks, which occur roughly in November every year. To make forecasts for future times not included in the original time series, we use the 8220forecast. HoltWinters()8221 function in the 8220forecast8221 package. For example, the original data for the souvenir sales is from January 1987 to December 1993. If we wanted to make forecasts for January 1994 to December 1998 (48 more months), and plot the forecasts, we would type: The forecasts are shown as a blue line, and the orange and yellow shaded areas show 80 and 95 prediction intervals, respectively. We can investigate whether the predictive model can be improved upon by checking whether the in-sample forecast errors show non-zero autocorrelations at lags 1-20, by making a correlogram and carrying out the Ljung-Box test: The correlogram shows that the autocorrelations for the in-sample forecast errors do not exceed the significance bounds for lags 1-20. Furthermore, the p-value for Ljung-Box test is 0.6, indicating that there is little evidence of non-zero autocorrelations at lags 1-20. We can check whether the forecast errors have constant variance over time, and are normally distributed with mean zero, by making a time plot of the forecast errors and a histogram (with overlaid normal curve): From the time plot, it appears plausible that the forecast errors have constant variance over time. From the histogram of forecast errors, it seems plausible that the forecast errors are normally distributed with mean zero. Thus, there is little evidence of autocorrelation at lags 1-20 for the forecast errors, and the forecast errors appear to be normally distributed with mean zero and constant variance over time. This suggests that Holt-Winters exponential smoothing provides an adequate predictive model of the log of sales at the souvenir shop, which probably cannot be improved upon. Furthermore, the assumptions upon which the prediction intervals were based are probably valid. ARIMA Models Exponential smoothing methods are useful for making forecasts, and make no assumptions about the correlations between successive values of the time series. However, if you want to make prediction intervals for forecasts made using exponential smoothing methods, the prediction intervals require that the forecast errors are uncorrelated and are normally distributed with mean zero and constant variance. While exponential smoothing methods do not make any assumptions about correlations between successive values of the time series, in some cases you can make a better predictive model by taking correlations in the data into account. Autoregressive Integrated Moving Average (ARIMA) models include an explicit statistical model for the irregular component of a time series, that allows for non-zero autocorrelations in the irregular component. Differencing a Time Series ARIMA models are defined for stationary time series. Therefore, if you start off with a non-stationary time series, you will first need to 8216difference8217 the time series until you obtain a stationary time series. If you have to difference the time series d times to obtain a stationary series, then you have an ARIMA(p, d,q) model, where d is the order of differencing used. You can difference a time series using the 8220diff()8221 function in R. For example, the time series of the annual diameter of women8217s skirts at the hem, from 1866 to 1911 is not stationary in mean, as the level changes a lot over time: We can difference the time series (which we stored in 8220skirtsseries8221, see above) once, and plot the differenced series, by typing: The resulting time series of first differences (above) does not appear to be stationary in mean. Therefore, we can difference the time series twice, to see if that gives us a stationary time series: Formal tests for stationarity Formal tests for stationarity called 8220unit root tests8221 are available in the fUnitRoots package, available on CRAN, but will not be discussed here. The time series of second differences (above) does appear to be stationary in mean and variance, as the level of the series stays roughly constant over time, and the variance of the series appears roughly constant over time. Thus, it appears that we need to difference the time series of the diameter of skirts twice in order to achieve a stationary series. If you need to difference your original time series data d times in order to obtain a stationary time series, this means that you can use an ARIMA(p, d,q) model for your time series, where d is the order of differencing used. For example, for the time series of the diameter of women8217s skirts, we had to difference the time series twice, and so the order of differencing (d) is 2. This means that you can use an ARIMA(p,2,q) model for your time series. The next step is to figure out the values of p and q for the ARIMA model. Another example is the time series of the age of death of the successive kings of England (see above): From the time plot (above), we can see that the time series is not stationary in mean. To calculate the time series of first differences, and plot it, we type: The time series of first differences appears to be stationary in mean and variance, and so an ARIMA(p,1,q) model is probably appropriate for the time series of the age of death of the kings of England. By taking the time series of first differences, we have removed the trend component of the time series of the ages at death of the kings, and are left with an irregular component. We can now examine whether there are correlations between successive terms of this irregular component if so, this could help us to make a predictive model for the ages at death of the kings. Selecting a Candidate ARIMA Model If your time series is stationary, or if you have transformed it to a stationary time series by differencing d times, the next step is to select the appropriate ARIMA model, which means finding the values of most appropriate values of p and q for an ARIMA(p, d,q) model. To do this, you usually need to examine the correlogram and partial correlogram of the stationary time series. To plot a correlogram and partial correlogram, we can use the 8220acf()8221 and 8220pacf()8221 functions in R, respectively. To get the actual values of the autocorrelations and partial autocorrelations, we set 8220plotFALSE8221 in the 8220acf()8221 and 8220pacf()8221 functions. Example of the Ages at Death of the Kings of England For example, to plot the correlogram for lags 1-20 of the once differenced time series of the ages at death of the kings of England, and to get the values of the autocorrelations, we type: We see from the correlogram that the autocorrelation at lag 1 (-0.360) exceeds the significance bounds, but all other autocorrelations between lags 1-20 do not exceed the significance bounds. To plot the partial correlogram for lags 1-20 for the once differenced time series of the ages at death of the English kings, and get the values of the partial autocorrelations, we use the 8220pacf()8221 function, by typing: The partial correlogram shows that the partial autocorrelations at lags 1, 2 and 3 exceed the significance bounds, are negative, and are slowly decreasing in magnitude with increasing lag (lag 1: -0.360, lag 2: -0.335, lag 3:-0.321). The partial autocorrelations tail off to zero after lag 3. Since the correlogram is zero after lag 1, and the partial correlogram tails off to zero after lag 3, this means that the following ARMA (autoregressive moving average) models are possible for the time series of first differences: an ARMA(3,0) model, that is, an autoregressive model of order p3, since the partial autocorrelogram is zero after lag 3, and the autocorrelogram tails off to zero (although perhaps too abruptly for this model to be appropriate) an ARMA(0,1) model, that is, a moving average model of order q1, since the autocorrelogram is zero after lag 1 and the partial autocorrelogram tails off to zero an ARMA(p, q) model, that is, a mixed model with p and q greater than 0, since the autocorrelogram and partial correlogram tail off to zero (although the correlogram probably tails off to zero too abruptly for this model to be appropriate) We use the principle of parsimony to decide which model is best: that is, we assum e that the model with the fewest parameters is best. The ARMA(3,0) model has 3 parameters, the ARMA(0,1) model has 1 parameter, and the ARMA(p, q) model has at least 2 parameters. Therefore, the ARMA(0,1) model is taken as the best model. An ARMA(0,1) model is a moving average model of order 1, or MA(1) model. This model can be written as: Xt - mu Zt - (theta Zt-1), where Xt is the stationary time series we are studying (the first differenced series of ages at death of English kings), mu is the mean of time series Xt, Zt is white noise with mean zero and constant variance, and theta is a parameter that can be estimated. A MA (moving average) model is usually used to model a time series that shows short-term dependencies between successive observations. Intuitively, it makes good sense that a MA model can be used to describe the irregular component in the time series of ages at death of English kings, as we might expect the age at death of a particular English king to have some effect on the ages at death of the next king or two, but not much effect on the ages at death of kings that reign much longer after that. Shortcut: the auto. arima() function The auto. arima() function can be used to find the appropriate ARIMA model, eg. type 8220library(forecast)8221, then 8220auto. arima(kings)8221. The output says an appropriate model is ARIMA(0,1,1). Since an ARMA(0,1) model (with p0, q1) is taken to be the best candidate model for the time series of first differences of the ages at death of English kings, then the original time series of the ages of death can be modelled using an ARIMA(0,1,1) model (with p0, d1, q1, where d is the order of differencing required). Example of the Volcanic Dust Veil in the Northern Hemisphere Let8217s take another example of selecting an appropriate ARIMA model. The file file robjhyndmantsdldataannualdvi. dat contains data on the volcanic dust veil index in the northern hemisphere, from 1500-1969 (original data from Hipel and Mcleod, 1994). This is a measure of the impact of volcanic eruptions8217 release of dust and aerosols into the environment. We can read it into R and make a time plot by typing: From the time plot, it appears that the random fluctuations in the time series are roughly constant in size over time, so an additive model is probably appropriate for describing this time series. Furthermore, the time series appears to be stationary in mean and variance, as its level and variance appear to be roughly constant over time. Therefore, we do not need to difference this series in order to fit an ARIMA model, but can fit an ARIMA model to the original series (the order of differencing required, d, is zero here). We can now plot a correlogram and partial correlogram for lags 1-20 to investigate what ARIMA model to use: We see from the correlogram that the autocorrelations for lags 1, 2 and 3 exceed the significance bounds, and that the autocorrelations tail off to zero after lag 3. The autocorrelations for lags 1, 2, 3 are positive, and decrease in magnitude with increasing lag (lag 1: 0.666, lag 2: 0.374, lag 3: 0.162). The autocorrelation for lags 19 and 20 exceed the significance bounds too, but it is likely that this is due to chance, since they just exceed the significance bounds (especially for lag 19), the autocorrelations for lags 4-18 do not exceed the signifiance bounds, and we would expect 1 in 20 lags to exceed the 95 significance bounds by chance alone. From the partial autocorrelogram, we see that the partial autocorrelation at lag 1 is positive and exceeds the significance bounds (0.666), while the partial autocorrelation at lag 2 is negative and also exceeds the significance bounds (-0.126). The partial autocorrelations tail off to zero after lag 2. Since the correlogram tails off to zero after lag 3, and the partial correlogram is zero after lag 2, the following ARMA models are possible for the time series: an ARMA(2,0) model, since the partial autocorrelogram is zero after lag 2, and the correlogram tails off to zero after lag 3, and the partial correlogram is zero after lag 2 an ARMA(0,3) model, since the autocorrelogram is zero after lag 3, and the partial correlogram tails off to zero (although perhaps too abruptly for this model to be appropriate) an ARMA(p, q) mixed model, since the correlogram and partial correlogram tail off to zero (although the partial correlogram perhaps tails off too abruptly for this model to be appropriate) Shortcut: the auto. arima() function Again, we can use auto. arima() to find an appropriate model, by typing 8220auto. arima(volcanodust)8221, which gives us ARIMA(1,0,2), which has 3 parameters. However, different criteria can be used to select a model (see auto. arima() help page). If we use the 8220bic8221 criterion, which penalises the number of parameters, we get ARIMA(2,0,0), which is ARMA(2,0): 8220auto. arima(volcanodust, ic8221bic8221)8221. The ARMA(2,0) model has 2 parameters, the ARMA(0,3) model has 3 parameters, and the ARMA(p, q) model has at least 2 parameters. Therefore, using the principle of parsimony, the ARMA(2,0) model and ARMA(p, q) model are equally good candidate models. An ARMA(2,0) model is an autoregressive model of order 2, or AR(2) model. This model can be written as: Xt - mu (Beta1 (Xt-1 - mu)) (Beta2 (Xt-2 - mu)) Zt, where Xt is the stationary time series we are studying (the time series of volcanic dust veil index), mu is the mean of time series Xt, Beta1 and Beta2 are parameters to be estimated, and Zt is white noise with mean zero and constant variance. An AR (autoregressive) model is usually used to model a time series which shows longer term dependencies between successive observations. Intuitively, it makes sense that an AR model could be used to describe the time series of volcanic dust veil index, as we would expect volcanic dust and aerosol levels in one year to affect those in much later years, since the dust and aerosols are unlikely to disappear quickly. If an ARMA(2,0) model (with p2, q0) is used to model the time series of volcanic dust veil index, it would mean that an ARIMA(2,0,0) model can be used (with p2, d0, q0, where d is the order of differencing required). Similarly, if an ARMA(p, q) mixed model is used, where p and q are both greater than zero, than an ARIMA(p,0,q) model can be used. Forecasting Using an ARIMA Model Once you have selected the best candidate ARIMA(p, d,q) model for your time series data, you can estimate the parameters of that ARIMA model, and use that as a predictive model for making forecasts for future values of your time series. You can estimate the parameters of an ARIMA(p, d,q) model using the 8220arima()8221 function in R. Example of the Ages at Death of the Kings of England For example, we discussed above that an ARIMA(0,1,1) model seems a plausible model for the ages at deaths of the kings of England. You can specify the values of p, d and q in the ARIMA model by using the 8220order8221 argument of the 8220arima()8221 function in R. To fit an ARIMA(p, d,q) model to this time series (which we stored in the variable 8220kingstimeseries8221, see above), we type: As mentioned above, if we are fitting an ARIMA(0,1,1) model to our time series, it means we are fitting an an ARMA(0,1) model to the time series of first differences. An ARMA(0,1) model can be written Xt - mu Zt - (theta Zt-1), where theta is a parameter to be estimated. From the output of the 8220arima()8221 R function (above), the estimated value of theta (given as 8216ma18217 in the R output) is -0.7218 in the case of the ARIMA(0,1,1) model fitted to the time series of ages at death of kings. Specifying the confidence level for prediction intervals You can specify the confidence level for prediction intervals in forecast. Arima() by using the 8220level8221 argument. For example, to get a 99.5 prediction interval, we would type 8220forecast. Arima(kingstimeseriesarima, h5, levelc(99.5))8221. We can then use the ARIMA model to make forecasts for future values of the time series, using the 8220forecast. Arima()8221 function in the 8220forecast8221 R package. For example, to forecast the ages at death of the next five English kings, we type: The original time series for the English kings includes the ages at death of 42 English kings. The forecast. Arima() function gives us a forecast of the age of death of the next five English kings (kings 43-47), as well as 80 and 95 prediction intervals for those predictions. The age of death of the 42nd English king was 56 years (the last observed value in our time series), and the ARIMA model gives the forecasted age at death of the next five kings as 67.8 years. We can plot the observed ages of death for the first 42 kings, as well as the ages that would be predicted for these 42 kings and for the next 5 kings using our ARIMA(0,1,1) model, by typing: As in the case of exponential smoothing models, it is a good idea to investigate whether the forecast errors of an ARIMA model are normally distributed with mean zero and constant variance, and whether the are correlations between successive forecast errors. For example, we can make a correlogram of the forecast errors for our ARIMA(0,1,1) model for the ages at death of kings, and perform the Ljung-Box test for lags 1-20, by typing: Since the correlogram shows that none of the sample autocorrelations for lags 1-20 exceed the significance bounds, and the p-value for the Ljung-Box test is 0.9, we can conclude that there is very little evidence for non-zero autocorrelations in the forecast errors at lags 1-20. To investigate whether the forecast errors are normally distributed with mean zero and constant variance, we can make a time plot and histogram (with overlaid normal curve) of the forecast errors: The time plot of the in-sample forecast errors shows that the variance of the forecast errors seems to be roughly constant over time (though perhaps there is slightly higher variance for the second half of the time series). The histogram of the time series shows that the forecast errors are roughly normally distributed and the mean seems to be close to zero. Therefore, it is plausible that the forecast errors are normally distributed with mean zero and constant variance. Since successive forecast errors do not seem to be correlated, and the forecast errors seem to be normally distributed with mean zero and constant variance, the ARIMA(0,1,1) does seem to provide an adequate predictive model for the ages at death of English kings. Example of the Volcanic Dust Veil in the Northern Hemisphere We discussed above that an appropriate ARIMA model for the time series of volcanic dust veil index may be an ARIMA(2,0,0) model. To fit an ARIMA(2,0,0) model to this time series, we can type: As mentioned above, an ARIMA(2,0,0) model can be written as: written as: Xt - mu (Beta1 (Xt-1 - mu)) (Beta2 (Xt-2 - mu)) Zt, where Beta1 and Beta2 are parameters to be estimated. The output of the arima() function tells us that Beta1 and Beta2 are estimated as 0.7533 and -0.1268 here (given as ar1 and ar2 in the output of arima()). Now we have fitted the ARIMA(2,0,0) model, we can use the 8220forecast. ARIMA()8221 model to predict future values of the volcanic dust veil index. The original data includes the years 1500-1969. To make predictions for the years 1970-2000 (31 more years), we type: We can plot the original time series, and the forecasted values, by typing: One worrying thing is that the model has predicted negative values for the volcanic dust veil index, but this variable can only have positive values The reason is that the arima() and forecast. Arima() functions don8217t know that the variable can only take positive values. Clearly, this is not a very desirable feature of our current predictive model. Again, we should investigate whether the forecast errors seem to be correlated, and whether they are normally distributed with mean zero and constant variance. To check for correlations between successive forecast errors, we can make a correlogram and use the Ljung-Box test: The correlogram shows that the sample autocorrelation at lag 20 exceeds the significance bounds. However, this is probably due to chance, since we would expect one out of 20 sample autocorrelations to exceed the 95 significance bounds. Furthermore, the p-value for the Ljung-Box test is 0.2, indicating that there is little evidence for non-zero autocorrelations in the forecast errors for lags 1-20. To check whether the forecast errors are normally distributed with mean zero and constant variance, we make a time plot of the forecast errors, and a histogram: The time plot of forecast errors shows that the forecast errors seem to have roughly constant variance over time. However, the time series of forecast errors seems to have a negative mean, rather than a zero mean. We can confirm this by calculating the mean forecast error, which turns out to be about -0.22: The histogram of forecast errors (above) shows that although the mean value of the forecast errors is negative, the distribution of forecast errors is skewed to the right compared to a normal curve. Therefore, it seems that we cannot comfortably conclude that the forecast errors are normally distributed with mean zero and constant variance Thus, it is likely that our ARIMA(2,0,0) model for the time series of volcanic dust veil index is not the best model that we could make, and could almost definitely be improved upon Links and Further Reading Here are some links for further reading. For a more in-depth introduction to R, a good online tutorial is available on the 8220Kickstarting R8221 website, cran. r-project. orgdoccontribLemon-kickstart . There is another nice (slightly more in-depth) tutorial to R available on the 8220Introduction to R8221 website, cran. r-project. orgdocmanualsR-intro. html . You can find a list of R packages for analysing time series data on the CRAN Time Series Task View webpage . To learn about time series analysis, I would highly recommend the book 8220Time series8221 (product code M24902) by the Open University, available from the Open University Shop . There are two books available in the 8220Use R8221 series on using R for time series analyses, the first is Introductory Time Series with R by Cowpertwait and Metcalfe, and the second is Analysis of Integrated and Cointegrated Time Series with R by Pfaff. Acknowledgements I am grateful to Professor Rob Hyndman. for kindly allowing me to use the time series data sets from his Time Series Data Library (TSDL) in the examples in this booklet. Many of the examples in this booklet are inspired by examples in the excellent Open University book, 8220Time series8221 (product code M24902), available from the Open University Shop . Thank you to Ravi Aranke for bringing auto. arima() to my attention, and Maurice Omane-Adjepong for bringing unit root tests to my attention, and Christian Seubert for noticing a small bug in plotForecastErrors(). Thank you for other comments to Antoine Binard and Bill Johnston. I will be grateful if you will send me (Avril Coghlan) corrections or suggestions for improvements to my email address alc 64 sanger 46 ac 46 uk