Eksponensiële bewegende gemiddelde rekursiewe

Ek het die bespreking wat jy genoem het gelees. Dit is van toepassing op PostgreSQL aangesien dit toegelaat word om die gebruiker-gedefinieerde totaal funksie met behulp van SQL in PostgreSQL te skep, maar nie toegelaat in SQL Server. Die gebruik van rekursiewe CTE is 'n haalbare manier SQL Server, maar ek sien dat CTE manier om meer tafel scan as venster funksies kan aangaan. So ek maak hierdie pos om te vra of dit moontlik is om eksponensiële bewegende gemiddelde met behulp van SQL Server 2012 venster funksie bereken net soos die berekening van eenvoudige bewegende gemiddelde. â € xiagao1982 14 April 13 by 02:53 In die eerste plek te bereken wat jy die EMO (SMA (x)) in plaas van die EMO (x). Tweedens, jou quotsmoothing constantquot is eintlik die beta waarde in my formule, nie die alfa. Met dié twee veranderinge die SQLFiddle lyk soos volg: sqlfiddle / 6/19192/1 Daar is egter nog 'n bietjie verskil tussen die werklike resultaat en die verwagte resultaat. Ek sou terug gaan kyk of hul EMO definisie ooreenstem met die een wat ek ken. â € Sebastian Meine 7 Mei 13 by 13:46 Ek het net gekyk na die Formule in die sigblad jy aangeheg en dit is ver van die standaard EMO definisie. My formule bereken die eksponensiële bewegende gemiddelde van die afgelope tien rye. Die sigblad bereken eers die standaard gemiddelde oor die afgelope tien rye en dan die onbeperkte eksponensieel geweeg bewegende gemiddelde oor die hele gemiddeldes. Dit volg op die Formule hier: en. wikipedia. org/wiki/EWMAchart uitvoering maak Sebastian Meine 7 Mei 13 by 13: 52Exponential bewegende gemiddelde Sakrekenaar Gegewe 'n geordende lys van datapunte, kan jy die eksponensieel geweeg bewegende gemiddelde van al die punte op te rig tot die huidige punt. In 'n eksponensiële bewegende gemiddelde (EMO of EWMA vir kort), die gewigte te verminder deur 'n konstante faktor 945 as die terme ouer word. Hierdie soort van kumulatiewe bewegende gemiddelde is dikwels gebruik wanneer kartering aandeelpryse. Die rekursiewe formule vir EMO is waar x vandag vandag se huidige prys punt en 945 is 'n paar konstante tussen 0 en 1. Dikwels 945 is 'n funksie van 'n sekere aantal dae N. Die mees gebruikte funksie is 945 2 / (N1) . Byvoorbeeld, die 9-dag EMO van 'n reeks het 945 0.2, terwyl 'n 30-dag EMO het 945 31/02 0,06452. Vir waardes van 945 nader aan 1, kan die EMO volgorde geïnisialiseer by EMA8321 x8321. Maar as 945 is baie klein, die vroegste terme in die ry kan onnodige gewig te ontvang met so 'n inisialisering. Om hierdie kwessie in 'n N-dag EMO reg te stel, is die eerste kwartaal van die EMO volgorde stel om die eenvoudige gemiddelde van die eerste 8968 (N-1) / 28.969 terme, dus, die EMO begin op dag nommer 8968 (N - 1) / 28969. Byvoorbeeld, in 'n 9-dag eksponensiële bewegende gemiddelde, EMA8324 (x8321x8322x8323x8324) / 4. Dan EMA8325 0.2x8325 0.8EMA8324 en EMA8326 0.2x8326 0.8EMA8325 ens Die gebruik van die eksponensiële bewegende gemiddelde Stock ontleders dikwels kyk na die EMO en SMA (eenvoudige bewegende gemiddelde) van aandele pryse te tendense in die opkoms daarop en pryse val of, en om te help hulle toekomstige gedrag te voorspel. Soos alle bewegende gemiddeldes, sal die hoogtepunte en laagtepunte van die EMO grafiek agter die hoogtepunte en laagtepunte van die oorspronklike ongefiltreerde data. Hoe hoër die waarde van N, die kleiner 945 sal wees en die gladder die grafiek sal wees. Behalwe eksponensieel geweegde kumulatiewe bewegende gemiddeldes, kan 'n mens ook bereken lineêr geweegde kumulatiewe bewegende gemiddeldes, waarin die gewigte daal lineêr as die terme ouer word. Sien die lineêre, kwadratiese, en kubieke kumulatiewe bewegende gemiddelde artikel en calculator. Exploring Die eksponensieel Geweegde Moving Gemiddelde Volatiliteit is die mees algemene maatstaf van risiko, maar dit kom in verskeie geure. In 'n vorige artikel het ons gewys hoe om eenvoudige historiese wisselvalligheid te bereken. (Om hierdie artikel te lees, sien Die gebruik van Volatiliteit Om toekomstige risiko te meet.) Ons gebruik Googles werklike aandele prys data om daaglikse wisselvalligheid gebaseer op 30 dae van voorraad data bereken. In hierdie artikel, sal ons verbeter op eenvoudige wisselvalligheid en bespreek die eksponensieel geweeg bewegende gemiddelde (EWMA). Historiese Vs. Geïmpliseer Volatiliteit Eerste, laat sit hierdie metrieke in 'n bietjie van perspektief. Daar is twee breë benaderings: historiese en geïmpliseer (of implisiete) wisselvalligheid. Die historiese benadering veronderstel dat verlede is proloog ons geskiedenis te meet in die hoop dat dit voorspellende. Geïmpliseerde wisselvalligheid, aan die ander kant, ignoreer die geskiedenis wat dit oplos vir die wisselvalligheid geïmpliseer deur markpryse. Hulle hoop dat die mark weet die beste en dat die markprys bevat, selfs al is implisiet, 'n konsensus skatting van wisselvalligheid. (Vir verwante leesstof, sien die gebruike en beperkinge van Volatiliteit.) As ons fokus op net die drie historiese benaderings (op die bogenoemde links), hulle het twee stappe in gemeen: Bereken die reeks periodieke opgawes Pas 'n gewig skema Eerstens, ons bereken die periodieke terugkeer. Dis gewoonlik 'n reeks van die daaglikse opgawes waar elke terugkeer uitgedruk in voortdurend saamgestel terme. Vir elke dag, neem ons die natuurlike log van die verhouding van aandele pryse (dit wil sê die prys vandag gedeel deur die prys gister, en so aan). Dit veroorsaak 'n reeks van die daaglikse opbrengs van u ek u i-m. afhangende van hoeveel dae (m dae) ons meet. Dit kry ons by die tweede stap: Dit is hier waar die drie benaderings verskil. In die vorige artikel (Die gebruik van Volatiliteit Om toekomstige risiko Gauge), ons het getoon dat onder 'n paar aanvaarbare vereenvoudigings, die eenvoudige afwyking is die gemiddeld van die kwadraat opbrengste: Let daarop dat hierdie som elk van die periodieke opgawes, verdeel dan wat totaal deur die aantal dae of waarnemings (m). So, dit is regtig net 'n gemiddeld van die kwadraat periodieke opgawes. Anders gestel, is elke vierkant terugkeer gegee 'n gelyke gewig. So as alfa (a) is 'n gewig faktor (spesifiek, 'n 1 / m), dan 'n eenvoudige variansie lyk iets soos hierdie: Die EWMA Verbeter op Eenvoudige Variansie Die swakheid van hierdie benadering is dat alle opgawes verdien dieselfde gewig. Yesterdays (baie onlangse) terugkeer het geen invloed meer op die variansie as verlede maande terugkeer. Hierdie probleem is opgelos deur die gebruik van die eksponensieel geweeg bewegende gemiddelde (EWMA), waarin meer onlangse opbrengste het 'n groter gewig op die variansie. Die eksponensieel geweeg bewegende gemiddelde (EWMA) stel lambda. wat die smoothing parameter genoem. Lambda moet minstens een wees. Onder daardie toestand, in plaas van gelyke gewigte, elke vierkant terugkeer is geweeg deur 'n vermenigvuldiger soos volg: Byvoorbeeld, RiskMetrics TM, 'n finansiële risikobestuur maatskappy, is geneig om 'n lambda van 0,94, of 94. gebruik in hierdie geval, die eerste ( mees onlangse) kwadraat periodieke terugkeer is geweeg deur (1-0,94) (. 94) 0 6. die volgende kwadraat terugkeer is bloot 'n lambda-veelvoud van die vorige gewig in hierdie geval 6 vermenigvuldig met 94 5.64. En die derde voor dae gewig gelyk (1-0,94) (0.94) 2 5,30. Dis die betekenis van eksponensiële in EWMA: elke gewig is 'n konstante vermenigvuldiger (dit wil sê lambda, wat moet wees minder as een) van die dae gewig voor. Dit sorg vir 'n afwyking wat geweeg of voorkeur vir meer onlangse data. (Vir meer inligting, kyk na die Excel Werkkaart vir Googles Volatiliteit.) Die verskil tussen net wisselvalligheid en EWMA vir Google word hieronder getoon. Eenvoudige wisselvalligheid effektief weeg elke periodieke terugkeer deur 0,196 soos uiteengesit in kolom O (ons het twee jaar van die daaglikse aandeleprys data. Dit is 509 daaglikse opgawes en 1/509 0,196). Maar let op dat Kolom P ken 'n gewig van 6, dan 5.64, dan 5.3 en so aan. Dis die enigste verskil tussen eenvoudige variansie en EWMA. Onthou: Nadat ons die hele reeks (in kolom Q) het ons die variansie, wat is die kwadraat van die standaardafwyking som. As ons wil hê wisselvalligheid, moet ons onthou om die vierkantswortel van daardie afwyking te neem. Wat is die verskil in die daaglikse wisselvalligheid tussen die variansie en EWMA in Googles geval beduidende: Die eenvoudige variansie het ons 'n daaglikse wisselvalligheid van 2,4, maar die EWMA het 'n daaglikse wisselvalligheid van slegs 1.4 (sien die sigblad vir besonderhede). Blykbaar, Googles wisselvalligheid bedaar meer onlangs dus kan 'n eenvoudige variansie kunsmatig hoog wees. Vandag se afwyking is 'n funksie van Pior Dae Variansie Youll kennisgewing wat ons nodig het om 'n lang reeks van eksponensieel afneem gewigte bereken. Ons sal nie die wiskunde doen hier, maar een van die beste eienskappe van die EWMA is dat die hele reeks gerieflik verminder tot 'n rekursiewe formule: Rekursiewe beteken dat vandag se stryd verwysings (dit wil sê 'n funksie van die vorige dae variansie). Jy kan hierdie formule in die sigblad ook, en dit lei tot die presies dieselfde resultaat as die skuldbewys berekening Dit sê: Vandag se variansie (onder EWMA) gelyk yesterdays variansie (geweeg volgens lambda) plus yesterdays kwadraat terugkeer (geweeg deur een minus lambda). Let op hoe ons net bymekaar te tel twee terme: yesterdays geweegde variansie en yesterdays geweeg, vierkantig terugkeer. Net so is, lambda is ons glad parameter. 'N Hoër lambda (bv soos RiskMetrics 94) dui stadiger verval in die reeks - in relatiewe terme, gaan ons meer datapunte in die reeks en hulle gaan stadiger af te val. Aan die ander kant, as ons die lambda verminder, dui ons hoër verval: die gewigte val vinniger af en, as 'n direkte gevolg van die snelle verval, is minder datapunte gebruik. (In die sigblad, lambda is 'n inset, sodat jy kan eksperimenteer met sy sensitiwiteit). Opsomming Volatiliteit is die oombliklike standaardafwyking van 'n voorraad en die mees algemene risiko metrieke. Dit is ook die vierkantswortel van variansie. Ons kan variansie histories of implisiet (geïmpliseer wisselvalligheid) te meet. Wanneer histories meet, die maklikste metode is eenvoudig variansie. Maar die swakheid met 'n eenvoudige afwyking is alle opgawes kry dieselfde gewig. So staan ​​ons voor 'n klassieke kompromis: ons wil altyd meer inligting, maar hoe meer data het ons die meer ons berekening verwater deur verre (minder relevant) data. Die eksponensieel geweeg bewegende gemiddelde (EWMA) verbeter op eenvoudige variansie deur die toeken van gewigte aan die periodieke opgawes. Deur dit te doen, kan ons albei gebruik 'n groot monster grootte, maar ook 'n groter gewig te gee aan meer onlangse opbrengste. (Om 'n fliek handleiding te sien oor hierdie onderwerp, besoek die Bionic skilpad.) 'N Persoon wat handel dryf afgeleides, kommoditeite, effekte, aandele of geldeenhede met 'n hoër-as-gemiddelde risiko in ruil vir. quotHINTquot is 'n akroniem wat staan ​​vir vir quothigh inkomste nie taxes. quot Dit is van toepassing op 'n hoë-verdieners wat verhoed dat die betaling federale inkomste. 'N Mark outeur wat koop en verkoop baie kort termyn korporatiewe effekte genoem kommersiële papier. 'N papier handelaar is tipies. 'N bestelling geplaas met 'n makelaar om 'n sekere aantal aandele te koop of te verkoop teen 'n bepaalde prys of beter. Die onbeperkte koop en verkoop van goedere en dienste tussen lande sonder die oplegging van beperkings soos. In die sakewêreld, 'n buffel is 'n maatskappy, gewoonlik 'n aanloop wat nie 'n gevestigde prestasie het nie record. Is dit moontlik om 'n bewegende gemiddelde in C te implementeer sonder die behoefte aan 'n venster van monsters Ive het bevind dat ek kan optimaliseer 'n bietjie, deur die keuse van 'n venster grootte dis 'n krag van twee voorsiening te maak vir bietjie-verskuiwing in plaas van verdeel, maar nie dat daar 'n buffer sal lekker wees. Is daar 'n manier om 'n nuwe bewegende gemiddelde resultaat slegs as 'n funksie van die ou gevolg en die nuwe monster te druk definieer 'n voorbeeld bewegende gemiddelde, oor 'n venster van 4 monsters te wees: Voeg nuwe monster e: 'n bewegende gemiddelde kan rekursief geïmplementeer , maar vir 'n presiese berekening van die bewegende gemiddelde jy die oudste insette monster in die som (dws die 'n in jou voorbeeld) onthou. Vir 'n lengte N bewegende gemiddelde wat jy bereken: waar yn is die uitsetsein en xn is die insetsein. Aand. (1) kan rekursief geskryf word as sodat jy altyd moet die monster xn-N onthou om te bereken (2). Soos uitgewys deur Conrad Turner, kan jy 'n (oneindig lank) eksponensiële venster plaas, wat dit moontlik maak om die uitset net uit die verlede uitset en die huidige insette te bereken gebruik, maar dit is nie 'n standaard (ongeweegde) bewegende gemiddelde, maar 'n eksponensieel geweegde bewegende gemiddelde, waar monsters verder in die verlede kry 'n kleiner gewig, maar (ten minste in teorie) wat jy nooit iets vergeet nie (die gewigte kry net kleiner en kleiner vir monsters ver in die verlede). inisialiseer totale 0, count0 (elke keer sien 'n nuwe waarde toe een insette (scanf), een totalnewValue, een inkrement (telling), een kloof gemiddelde (totale / telling voeg) Dit sou 'n bewegende gemiddelde oor alle insette Om die gemiddelde bereken word oor net die laaste 4 insette, sal vereis 4 inputvariables, miskien kopiëring elke insette om 'n ouer inputvariable, dan berekening van die nuwe bewegende gemiddelde. as som van die 4 inputvariables, gedeel deur 4 (regs skuif 2 sal goed wees as al die insette was positiewe na die gemiddelde calculationMoore amp maak Moore Consultancy Services Securities and Tegniese Analise digitale filters - Eksponensiële Bewegende Gemiddeldes (1) Rekursiewe syferfilters Een manier om digitale filters te struktureer op 'n meer doeltreffende basis is om 'n paar te gebruik van die opbrengs en pas dit toe op die insette . dit maak die filter rekursiewe as die uitset re voorkom in die insette, die maak van die filter verskyn oneindige lengte. as gevolg van hierdie hierdie filters het ook die naam oneindige Impulse Response (IIR) filters, soos die reaksie kan voortgaan om oneindig in hierdie geval hierdie baie eenvoudige IIR filter het net een stadium en neem 'n (klein) persentasie van die vorige uitset. Die vergelyking vir hierdie eenvoudige IIR Digitale Filter is: skematies die tekening van hierdie baie eenvoudige IIR filter lyk dit onder die grafiek hieronder toon wat gebeur. Reeks 1 die dun stap insette, produseer die volgende tipiese verbygaande uitgange. Met 'n 9 waarde vir k dan k 0.09, dan Series 2 (die dik lyn) is die eerste tipiese verbygaande reaksie. As die persentasie (k) is gedaal tot 5 (k 0.05) dan Series 3 (die dun lyn onder Series 1) is die verwagte resultaat. Met k verder gedaal tot 1 (k 0,01) dan het ons reeks 4 (die stippellyn goed onder die ander twee uitgange) is die reaksie. Hierdie uitgange al volg eksponensiële tyd antwoorde. So, met 'n bietjie terugvoer wat ons het die eerder komplekse nie-rekursiewe filter verander in 'n eenvoudige rekursiewe filter met min of meer dieselfde frekwensie reaksie, maar 'n ander tyd reaksie Die IIR filter uitsetgolfvorm steeds vir ewig (tot oneindig) om saam te kom op die stabiele waarde, en dit is hoekom hierdie filters kry die naam Oneindige Impulse Response (IIR) filters. Die probleem is nou om hierdie antwoorde te bind sodat hulle met mekaar verband hou met beide tegniese Trading, die gemene deler is (normaalweg dae), en daarom is dit nodig om die rekursiewe faktor (k) verband in 'n tydperk faktor. Gelukkig is daar 'n gegewe direkte verhouding en dit is deur middel van die formule soos volg: Waar het ons besluit k 0.09, hierdie formule vat om 21,2222 periodes, en vir k 0.05, hierdie formule vat om 39,0 tydperke en vir k 0,01, hierdie formule vat om 199,0 tydperke. Gaan agteruit, ons regtig wil om uit te vind die k-faktor van die tydperk en deur die omzetting die formule word dit: So vir 11.0 Periodes dan k 0,1666666, vir 21.0 Periodes dan k 0,090909 en vir k 40.0 Periodes k dan 0,0487804 Dit alles lyk baie eenvoudig , maar die verhouding moet vasgemaak. Met verwysing na die grafiek is dit duidelik dat die tyd reaksie is 'n eksponensiële verval. In fisika land, al die natuurlike optrede volg 'n eksponensiële koers van lading en verval. Kyk na 'n put spoel: al varoosh aan die begin en dit eindig 'n druppel (voor die prop druppels in die tenk te hervul) Wanneer motor hoofligte blus hulle dowwe en donker gaan in 'n eksponensiële wyse. Dit is 'n natuurlike verskynsel oral Wanneer reën begin en stop val, reën digtheid met verloop van tyd is 'n eksponensiële funksie, en dit volg dieselfde eksponensiële verval reëls Terug in Elektroniese Land eksponensiële verrot is baie algemeen en die lading en ontlading keer gemeet word in 'n genormaliseerde benadering genoem tydkonstante (T). Een tydkonstante ontlaai tot ongeveer 37, twee tot ongeveer 14, drie tot sowat 5 vier tot ongeveer 1,8 en vyf tot sowat 0,6 - wat is basies niks Wanneer elektroniese komponente hef hulle die omgekeerde van die ontlading dws volg: 63, 86, 95 , 98,2, 99,4, ens met verwysing na die eenvoudige IIR Digitale Filter vergelyking waar dit is te reageer op 'n Heaviside trapfunksie, die aanklag kurwe het die volgende vergelyking: y (t) x (0). (1-exp t / T) Waar T tydkonstante (of tydperk) waarde. Die grafiek van hierdie vergelyking presies in lyn met die eenvoudige rekursiewe filter hierbo beskryf, so sal ook deur die toepassing van Heavisides Stap funksie (deur die tyd wat wissel insette 'n 1 in plaas van 'n 0) en dan vervang die tydperke wat die tyd faktor t (39) in die direk bo vergelyking, dan y (39) (1-exp -39 / T) 0,8646647 so 0,1353352 exp -39 / T en ln (0,1353352) -2 so exp -2 exp -39 / T so -2 -39 / T, en transponering, T 19.5 wat alles gedoen wat die Hoërskool wiskunde beteken dit basies beteken dat die gespesifiseerde aantal periodes in 'n eenvoudige rekursiewe filter is gelykstaande aan twee (2) tydkonstantes. Met ander woorde, wanneer ons spesifiseer 'n (sê) 100-dag rekursiewe filter, by die 100 ste dag, sal die opbrengs van die filter reaksie (uit 'n stap Input) gelyk dié van twee tydkonstante (86 van die maksimum bedrag). Ons het nou die wiskunde om die opbrengs van die filter akkuraat te voorspel uit enige bekende insette nie raai Dankie, Oliver Heaviside en diegene vroeër briljante wiskundiges Nou kan ons sy fundamentele wiskunde gebruik om die reaksie op 'n oprit te bereken, en die fout te Die op grafiek die linkerkant hieronder toon 'n 100-eenheid stap insette word toegepas op beide 'n SMA20 en 'n EMA20 filter, en die twee uitgange en duidelik gesien. Van die stap insette, die SMA20 uitset styg as 'n oprit totdat dit treffers die maksimum waarde net soos 'n keur koers beperkte versterker Die EMA20 styg vinnig dan val af om eksponensieel te asimptoties konvergeer op die stabiele opbrengs. Die twee uitgange te steek oor die 80 merk, en dit 'n verwysing na gebruik wanneer vergelyk 'n magdom van ander reaksies. Die onderstaande regterhand grafiek toon 'n IIR filter reaksie op 'n eenheid oprit (een vertikale posisie per horisontale stap). (Dit kan gekyk word as sê 1 sent per dag.) Hierdie keer k 0,15 sodat die tydperke 12,33333, en die tydkonstante (T) is dus 6,166667 Periodes. Die Eenheid Ramp is die reguit stippellyn dun positiewe helling lyn en onder dit is die dik lyn uitset reaksie op die oprit, wat ook neem af en raak asimptoties parallel met die oprit. Die vertikale afstand tussen hierdie twee is die fout. So nou weet ons dat hierdie eenvoudige IIR filter het 'n eksponensiële eerste orde reaksie, wat 'n nul fout om 'n stabiele insetwaarde en 'n bekende konstante fout om 'n oprit insette het. Die formule vir die fout is fout R / k 1, waar R die tempo van helling van die insette. Vervang k 0,15 in hierdie vergelyking gee 'n oneindige dwaling van 5,66666 en dit is presies wat die grafiek toon. 'N rekursiewe (IIR) Filter in Praktyk Bogenoemde artikel het net beskryf die innerlike werking van die mees eenvoudige rekursiewe filter, (IIR filter) wat net gebeur met die identiese werking van 'n eksponensiële bewegende gemiddelde (EMA) en feitlik niks behalwe verander word van 'n paar benaming byvoorbeeld 'n 20-dag EMO is regtig 'n IIR filter met k 0,095238 en dat behoort geen verrassing te wees. Ons weet ook nou dat die tydkonstante vir 'n 20 dag EMO filter is dus 10 dae en dat die oprit fout faktor is 9.5 (met die aanvaarding een sent per dag oprit koers). Die bostaande grafiek (geneem uit MarketTools Chart) toon die reaksie verskil tussen 'n SMA20 (Groen) en 'n EMA20 (Blue). Soos die buurt prys begin by die EMO oprit aanvanklik spore nader en wankel rond terwyl die SMA20 gly in stadiger (veelsydige) en vorm 'n feitlik reguit lyn. Dit behoort geen verrassing te wees, as ons weet dat die SMA is veel minder reaktief om onlangse wysigings as 'n EMO. Jy kan duidelik sien die fout dat hulle 'n oprit in pryse en dit kan gebruik word om 'n voordeel wanneer jy tegniese ontleding Hierdie grafiek toon ook die Moving Gemiddeldes dop van die pryse, maar met 'n baie soortgelyke prys verreken (fout) wat veroorsaak word deur die bykans konstante tempo van verandering in die prys oor 'n beperkte tyd (in hierdie geval). Die probleem met die prys is dat daar 'n terugvoer stelsel wat die prys variasies reguleer en hierdie terugvoering menslike beheer wat werk soos volg: Vir een of ander rede, iemand sien wat hulle wil graag 'n bepaalde voorraad aan te koop, maar die prys is effens hoër as die vorige verhandelingsprys. Toe hulle die voorraad aankoop van die nuwe prys is nou hoër. Ander sien dat die prys as óf te hoog is, korrek of nog goedkoop. Met hierdie gedagte in gedagte, ander handelaars gebruik die vorige pryse as 'n verwysing en is geneig om daardie prys terug na die verwysing prys wat elkeen van hulle het reg te stel. Dit veroorsaak dat die prys om te wissel in 'n ossillasie wyse wat geneig is om te stabiliseer met die tyd. Alles is nie verlore as dit is belangrik om te verstaan ​​dat die bewegende gemiddelde tegnologie is 'n 1ste orde stelsel, vir nou is dit gebruik kan word in die wete dat as die pryse is oor die algemeen laer as die bewegende gemiddelde, dan is die pryse is eintlik val met verloop van tyd, en as die pryse is bo die bewegende gemiddelde, dan is die pryse is oor die algemeen stygende met tyd. Dit maak dus baie sin om hierdie baie basiese reël weet, want dit beteken dat die enigste aandele om betrokke te wees in diegene met die pryse bo die bewegende gemiddelde lyn. Maar wat tydkonstante moet gebruik word vir die bewegende gemiddelde en waarom Feitlik geen tegniese ontleding pakkette kom oral in die buurt hierdie diepte, en hulle het almal te behandel SMA en EMO met 'n werklike gebrek aan begrip. Die probleem is amper selfverduidelikend in dat feitlik al die data is EOD gebaseer en as gevolg van daardie, oorkruising bewegende gemiddeldes kan die meeste koop-verkoop seine Met ander woorde op te los, die bevordering van tegniese ontleding gestop soos 'n bus slaan van 'n krans toe bewegende gemiddeldes was opgelos met EOD data. Dit werk winste uit tegniese gebaseer verkope kan verwesenlik stop ontwikkeling Een bewegende gemiddelde Nadat stewig gevestig die feit dat 'n SMA en 'n EMO is albei 1ste orde stelsels, en dat beide van hierdie die geraas van handel variasies, veral die noue waardes effektief te verminder gebaseer op EOD data dit kom as geen verrassing dat hierdie gemiddeldes het 'n gebruik as 'n koop of aanduiding nie te koop vir sekuriteite wat enige vorm van tendens het. Hulle gebruik 'n eenvoudige aansoek dat die fout tussen die werklike naby prys en die bewegende gemiddelde met positiewe aangedui dat die sekuriteit gehou moet word en die omgekeerde. Hierdie aanwyser is die mees primitiewe van alle tegniese aanwysers, en dit is ligjare buite die gebruik van enige vorm van finansiële gegenereer aanduiding te wys as 'n sekuriteit prys styg of val in 'n tendens. Die aanwyser regtig skyn wanneer die sekuriteit is in 'n tendens, maar wanneer die prys hang of plat uit dit 'n probleem van besluiteloosheid. Die grafiek hieronder dui hierdie situasie, en dit word geïllustreer deur die insluiting van 'n skakelaar funksie om te wys wat kan gebeur. Die skakelaar funksie getoon die prys bewegende gemiddelde grafieke. In die linkerkantse geval is dit 'n EMA12, en as die noue prys wissel, die skakelaar word baie besluiteloos wanneer die prys tendens vlak uit of veranderinge rigting. Een manier om die probleem is om 'n stadiger bewegende gemiddelde soos die EMA21 gebruik soos aangedui op die regterkant. Die aantal besluiteloosheid punte verminder, wat beteken dat die aantal nutteloos ambagte aansienlik sal verminder word, maar kyk nader en 'n aansienlike wins lopies verloor omdat die bewegende gemiddelde is te laat in te skakel oor. In die agtergrond is daar 'n positiewe deurdat die 12 en 21 EOD bewegende gemiddeldes is gladder as die EOD naby en dit op sigself kan gebruik word om voordeel. Twee Moving gemiddeldes volgens twee bewegende gemiddeldes te vergelyk (wat op sigself is reeds stryk deur hul eie eienskappe), kan 'n skoner aanduiding verkry word en dit kan 'n paar voordele bied. Die onderstaande grafieke toon 'n paar voorbeelde op dieselfde sekuriteit vir direkte vergelyking. Bogenoemde linkerhand grafiek het dieselfde skakelaar funksie gebaseer op twee bewegende gemiddeldes EMA12 en EMA26 en sien dat die besluiteloosheid is feitlik nul. Dit is 'n positiewe stap, maar 'n nader kyk na die werklike oorskakeling punte toon dat dit baie konserwatief en in baie gevalle 'n aansienlike winste verlore voordat die besluit geneem is om uit te trek. As dit nie was vir hierdie dan dit kan 'n ideale houvas / sell aanwyser suiwer gebaseer op noue pryse van EOD figure wees. Die regs bo grafiek (geneem uit OmniTrader) toon 'n ses maande die lig van 'n voorraad en daar is twee eksponensiële bewegende gemiddeldes (EMAS) ook op die grafiek. In hierdie spesifieke geval is die bewegende gemiddelde wat die aandeelpryse drukkies is 'n EMA8 en die ander een wat stadig konvergeer in die aandeelprys is 'n EMA35. Dit is 'n goeie voorbeeld as die vinniger EMO het die omvang van die EOD waardes van die aandeelprys sny dit verskeie kere. Die stadiger EMO skaars bereik die EOD prys wissel. OmniTrader het 'n baie mooi eienskap in dat elke toets aanwyser kan ingestel word om self-optimaliseer self vir elke sekuriteit oor 'n bepaalde geskiedenis (bv 250 handelsdae). Dit gee die aanwysers 'n goeie kans om 'n baie beter treffer-koers as wat jy normaalweg sou kry deur eenvoudig die opstel van die aanwyser parameters self voorsien. In hierdie geval het hulle by EMA12 en EMA40 en gevestig op EMA8 en EMA35 vir 'n optimale resultaat. Die probleem is dat van onsekerheid as beide bewegende gemiddeldes konvergeer op mekaar en het nie 'n skoon crossover. Dit is nie 'n groot probleem as ons weet dat beide SMA en EMO albei 1ste orde stelsels en as gevolg van dat hulle asimptoties konvergeer op 'n konstante toevoer, so as 'n prys konstant bly, dan is die twee bewegende gemiddeldes sal beide konvergeer op daardie konstante waarde, maar teen verskillende tempo's. Die werklike probleem is een van geraas (eintlik prys fluktuasie oor 'n konstante waarde) en dit kan veroorsaak dat die vinniger bewegende gemiddelde om geheel verslaan oor die meer stabiele stadiger (meer) bewegende gemiddelde. Daar is verskeie oplossings vir hierdie probleem, en elkeen het hul meriete. Verskeie Bewegende Gemiddeldes uitbreiding op die tema van bewegende gemiddeldes van een tot twee baie is 'n logiese progressie en die benadering van veelvuldige Bewegende Gemiddeldes is nogal 'n eenvoudige konsep om te visualiseer. Daryl Guppy uitgedink en dit bestaan ​​uit tien bewegende gemiddeldes in twee groepe wat meetkundig gespasieer. Die eerste groep is korttermyn EMA3, EMA5, EMA7, EMA10 en EMA15, terwyl die lang termyn bewegende gemiddeldes is EMA30, EMA35, EMA40, EMA50 en EMA60. Om 'n visuele oor hoe dit lyk te kry, die twee grafieke hieronder toon die algemene foto's. In die linkerhand grafiek hieronder, die vyf langer termyn bewegende gemiddeldes te volg in die algemeen parallelle lyne as die voorraad prystendense up, die pryse steiler dan dan terug op en die bewegende gemiddelde lyne uit te brei van mekaar en dan bymekaar en dan uit te brei as die nuwe tendens stelle in plek en die bewegende gemiddeldes te vorm weer parallelle lyne. nader kyk in die regterhand grafiek van dieselfde voorraad met die korter stel bewegende gemiddeldes, word dit duidelik dat wanneer die eksponensiële bewegende gemiddeldes konvergeer of divergeer, dan is daar iets is om te gebeur Die rede dat hierdie bewegende gemiddeldes te vorm doeltreffend parallelle lyne, terwyl 'n tendens in die gang is dat die fout van werklike prys bewegende gemiddelde is afhanklik van die terugvoer faktor in die EMO. In direkte vergelyking die SMA gebaseer op dieselfde tyd konstantes word hieronder getoon: Die grafieke hierbo toon dieselfde reënboog van kurwes, maar almal met SMA in plaas van EMO. Dit is as gevolg van die nie-lineêre te stap insette reaksie wat die EMO het dat die kurwes laat bymekaarkom op mekaar, waar die SMA stel kurwes in hierdie laer twee grafieke duidelik mekaar verby skiet. Guppy meerdere Bewegende Gemiddeldes Daryl Guppy ontwikkel 'n reënboog van verskeie bewegende gemiddeldes, bekend as die Guppy Bewegende Gemiddeldes (GMA) dat wanneer geplaas op 'n prys grafiek, konvergeer as die tendens begin om plaas te vind, en weer bymekaar as die tendens van die hand gewys, en al die res van die tyd wat hulle is uiteenlopende Hoe maklik is dit op grond van EOD verkeer, Daryls EMO konstantes is, vir die kort termyn: 3, 5, 8, 10, 12, 15, en vir 'n lang termyn 30, 35, 40, 45, 50, en 60. vir die kort termyn konstantes, my raaiskoot is dat dit gebaseer is op 'n eenvoudige rekenkundige stel EMAS wat nominaal 2.4 periodes uitmekaar was en stel tot die naaste heelgetal vir die tydperk, wat lei tot: 3 , 5.4, 7.8, 10.2, 12.6 en 15.0 gee 3, 5, 8, 10, 13 en 15, met die 13 teruggesak tot 12 Dit lyk vir my dat die langtermyn-konstantes is gebaseer op 'n ander rekenkundige reeks met 55 ontbreek uit waarskynlik omdat dit te krap het daar, en dat my vertel dat hierdie volgorde 'n meetkundige vordering in elk geval moes gewees het. Met vyf tussenposes tussen 30 en 60 die vermenigvuldiger is oor 1,1487 so die volgorde word 30.00, 34.46, 39,59, 45,47, 52,23, 60,00 en bring dit na die naaste Heelgetalle verleen: 30, 34, 40, 45, 52, 60 en dit sou Gee 'n baie selfs stel langer termyn EMA van 'n meetkundige vordering kry die langtermyn konstantes. So hoekom is ek verslaaf aan meetkundige reekse, en hoekom het hulle hierdie dinge by die skool leer dit is goed soos hierdie, die lewe verhoudings is eintlik meetkundig verwant alles is 'n verhouding met die ander dinge, selfs toevoegings tot gesinne meetkundig verwant nie aritmetisch verwant aan die groter skaal. Ek weet dat die onderwysers my nie wys wanneer by die skool en ek het 'n paar bloedige fantastiese onderwysers. By verre was die beste onderwysers diegene wat industriële en sakevaardighede het deur nie-skool ervaring, en was die afguns van diegene wat didnt. In elk geval Om die prentjie daar is niks soos 'n visuele voorbeeld hierbo Die twee grafieke voorbeelde van die Guppy Bewegende Gemiddeldes (GMMA) gee te sien, en dit is Eksponensiële Bewegende Gemiddeldes, nie Eenvoudige bewegende gemiddeldes. Interessant, as SMA het 'n veelsydige reaksie omdat hulle dit nie oorreageer op die mees onlangse waardes as EMA doen. Daar is twee families van hierdie en die linkerkant toon die langtermyn-band weg van die pryse en saam op veranderinge. Die regterkant toon die kort termyn bewegende gemiddeldes van naderby na die (naby) pryse. Gaan op 'n ander raaklyn, deur die oprigting van 'n meetkundige vordering gebaseer op wortel 2 soos per 'n fotografie lens, 'n tipiese volgorde is 5, 7, 10, 14, 20, 28, 40, 56, 80, 113, 200 ens Die links hand een is gebaseer op EMO en die een aan die regterkant is gebaseer op SMA. Omdat die SMA het 'n liniêre verbygaande reaksie hierop het die algehele spoor is 'n bietjie meer afgeronde as die EMO wat 'n tapse verval reaksie, vandaar die spuit van eksponensiële bewegende gemiddeldes in vergelyking met die aantal CROSSOVER met die eenvoudige bewegende gemiddeldes het. Dit is 'n baie gewilde instrument en Guppys reënboë gee 'n hoë impak van visuele, en as dit is wat jy soek, dan is dit dit is nie net dit interessant om te kyk na die verskillende bewegende gemiddeldes afwyk en konvergeer, maar gaan dit 'n stap verder te bereken en vertoon dit divergensie en konvergensie is die volgende logiese evolusionêre stap. Terwyl hierdie reënboë van bewegende gemiddeldes 'n visuele impak behulp EOD data, wanneer dit kom by data te handel is dit 'n heel ander storie, as die stappe is baie kleiner as gevolg van die kort tydgleuwe, en dit gee aanleiding tot die volgorde van CROSSOVER eintlik ontleed , aangesien dit tel die verskil tussen 'n handelsmerk en 'n belegging, maar meer later 'n plaasvervanger vir wend om handel te dryf (live) data is om 'n beter filter gebruik - of waterval (sit een na die ander) 'n eerste orde filters in probeer om 'n hoër maak verlies in die stop band met 'n korter en meer lineêre risetime - en kaskade EMAS die volgende avontuur stap