주가 이동평균 7가지 특성과 용도

주가 이동평균은 주식의 과거 가격 데이터를 평균하여 추세를 파악하기 위해 사용하는 분석 도구로서 주가 이동 평균에는 단순 지수 가중등 7가지가 있다. 주린이의 주식투자 입문 주식 차트 활용에 도움을 주고자 정리하였다.

 

주가 이동평균 7가지 특성과 용도

주가 이동 평균은 사용 목적과 계산 방식에 따라 여러 종류가 있다. 각각의 특성과 용도를 살펴보겠다.

 

 

 

1. 단순 이동평균 (SMA: Simple Moving Average)

일정 기간 동안의 주가를 단순히 합산한 후 그 값을 기간으로 나눈 평균값을 제공한다.

 

특징

• 각 데이터의 가중치가 동일하게 적용된다.
• 계산이 간단하지만, 최근 데이터의 중요도를 반영하지 못한다는 단점이 있다.

 

단순 이동평균은 일정 기간 동안의 주가를 동일한 가중치로 평균 내는 방법이다. 모든 데이터가 동일한 중요성을 가지므로 계산 방식이 매우 간단하지만, 최신 데이터의 변화에 민감하지 않다는 단점이 있다.

 

SMA는 동일 기간 내 모든 값의 평균을 제공하지만, Day 1과 Day 5를 동일하게 취급하여 최신 정보 반영이 느리다.

 

2. 지수 이동평균 (EMA: Exponential Moving Average)

최근 데이터에 더 많은 가중치를 부여하는 방식이다. 과거 데이터보다 최신 데이터가 더 중요하게 반영된다.

 

특징

• 단순 이동평균보다 빠르게 시장 변화에 반응한다.
• 가장 최근 데이터를 더 중요하게 여기므로 단기 투자자들에게 유용하다.

 

EMA는 가장 최근의 데이터를 더 중요하게 여긴다. 지수 가중치를 사용해 과거 데이터를 점차적으로 감소시키면서 평균값을 계산한다.

과거 데이터를 더 빠르게 무시하므로 추세 변화를 민감하게 반영한다. 최근 데이터의 변화가 EMA 값에 즉각적으로 반영되므로 단기 투자에 적합하다.

 

3. 가중 이동평균 (WMA: Weighted Moving Average)

일정 기간의 주가에 가중치를 부여하여 계산하며, 최근 데이터에 더 높은 가중치를 부여한다.

 

특징

• 지수 이동평균처럼 최신 데이터를 강조하지만, 가중치는 선형적으로 감소한다.
• 가중치가 선형적으로 분배되어 EMA보다 덜 민감하지만, SMA보다 빠르게 추세를 반영한다.

 

가중 이동평균은 각 데이터에 선형적으로 감소하는 가중치를 부여한다. 최근 데이터일수록 더 높은 가중치를 가지며, 가중치는 임의로 설정하거나 시간에 따라 감소하도록 정의된다.

 

 

4. 기하 이동평균 (Geometric Moving Average)

주가의 기하 평균을 구하는 방식으로, 데이터 간 곱셈 관계를 반영하여 계산한다.

 

특징

• 데이터의 기하적 성격을 반영해 급격한 변동을 완화한다.
• 주식 수익률 분석에 사용되기도 한다.

 

기하 이동평균은 데이터 간 곱셈을 기반으로 평균을 계산한다. 이 방법은 급격한 변동을 완화하고, 값의 비율 변화에 초점을 맞춘다.

 

급격한 가격 변화(급등/급락)를 완화하여 추세 분석에 유용하다. 종종 수익률 분석에서 사용된다.

 

5. 조화 이동평균 (Harmonic Moving Average)

주가의 역수로 평균을 구한 뒤, 그 역수를 다시 취하는 방식이다.

 

특징

• 이상치에 민감하며, 데이터의 작은 값(저점)을 강조한다.

 

조화 이동평균은 데이터의 역수를 평균 내어 다시 역수로 계산한다. 작은 값(저점)에 더 큰 영향을 주어 하락을 강조한다.

 

가격이 낮은 데이터에 민감하며, 시장의 저점을 찾는 데 유용하다.

 

6. 삼각 이동평균 (TMA: Triangular Moving Average)

이동평균을 다시 이동평균으로 계산하는 방식으로, 데이터를 두 번 평활화하여 부드러운 추세선을 만든다.

 

특징

• 노이즈를 최대한 제거하고 장기적인 추세를 파악하는 데 유용하다.
• 계산 과정이 복잡하다.

 

삼각 이동평균은 단순 이동평균(SMA)을 다시 한번 평균 내어, 데이터의 노이즈를 줄이고 부드러운 추세를 만든다.

 

데이터가 두 번 평활화되므로 부드러운 추세선 제공, 노이즈 제거에 효과적이다.

 

7. 적합 이동평균 (FMA: Fitted Moving Average)

데이터에 선형 회귀선을 적합(fitting)하여 이동평균값을 도출한다.

 

특징

• 과거 데이터의 추세를 수학적으로 가장 잘 설명하는 값을 사용한다.
• 변동성을 줄이고 추세 파악에 매우 적합하다.

 

적합 이동평균은 데이터를 선형 회귀(예: 최소제곱법)로 분석해 가장 잘 맞는 평균선을 계산한다. 과거 데이터의 추세를 수학적으로 최적화하여 표현한다.

 

과거 데이터를 기반으로 정확한 추세를 파악하여 예측 도구로 활용된다.

 

fallen leaves by 니리치

 

이동평균 유형 계산 방식 특징 용도

단순 SMA	모든 데이터 동일 가중치 계산 단순 최근 데이터 반영 어려움	장기 추세 분석
지수 EMA	최신 데이터 가중치 부여 민감한 추세 파악 최근 데이터 반영	단기·스윙 트레이딩
가중 WMA	선형 가중치 사용 최신 데이터 강조	세밀한 추세 분석
기하 GMA	데이터 간 곱셈 평균 급격한 변동 완화 수익률 계산	장기 성과 분석
조화 HMA	주가 역수 사용 저점 강조	특정 조건 강조
삼각  TMA	이동평균의 이동평균 노이즈 제거 부드러운 추세선	장기 추세 분석
적합 FMA	회귀 분석 활용 가장 적합한 선형 추세 제공	과거 데이터 기반 예측

 

이 중 어떤 방식이든 데이터의 특성과 목표(단기·장기 투자 등)에 맞게 선택해 사용하는 것이 중요하다.

이동평균 선택 팁

1. 단기 투자자: EMA, WMA → 최근 데이터 반영 빠름.
2. 장기 투자자: SMA, TMA → 전체 추세 분석.
3. 급변 시장: GMA, HMA → 안정적이고 극단적 변동 완화.
4. 추세 예측: FMA → 상승/하락 추세를 반영해 미래 주가 예측.

 

 

 

이상 주가이동평균에 대하여 알아보았다. 다음에는 주가 상승변곡 일반적인 현상에 대하여 알아보겠다.