MetaTrader 4 - Indikatorer. Gjennomsnittlig gjennomsnitt, MA-indikator for MetaTrader 4.Den flytende gjennomsnittlige tekniske indikatoren viser gjennomsnittlig instrumentprisverdi for en viss tidsperiode Når man beregner det glidende gjennomsnittet, utregner man instrumentprisen for denne tidsperioden As Prisendringene, det bevegelige gjennomsnittet øker eller senker Det er fire forskjellige typer bevegelige gjennomsnitt. Enkelt også referert til som aritmetisk, eksponentiell, glatt og linjært vektet Flytende gjennomsnitt kan beregnes for et sekvensielt datasett, inkludert åpnings - og sluttpriser, høyeste og laveste priser, handelsvolum eller andre indikatorer Det er ofte tilfellet når dobbeltflyttede gjennomsnitt brukes. Det eneste der flytende gjennomsnitt av forskjellige typer avviger vesentlig fra hverandre, er når vektkoeffisienter som tilordnes de nyeste dataene, er forskjellig Hvis vi snakker om enkle glidende gjennomsnitt, er alle priser for den aktuelle tidsperioden likeverdige i Expo vesentlige og lineære vektede bevegelige gjennomsnittsverdier legger mer verdi til de siste prisene Den vanligste måten å tolke prisen på glidende gjennomsnitt på er å sammenligne dynamikken med prishandlingen Når instrumentprisen stiger over det bevegelige gjennomsnittet, vises et kjøpssignal dersom prisen faller Under det bevegelige gjennomsnittet, har vi et salgssignal. Dette handelssystemet, som er basert på det bevegelige gjennomsnittet, er ikke designet for å gi inngang til markedet rett i sitt laveste punkt, og det går rett ut på toppen. Det tillater å handle i henhold til følgende trend å kjøpe snart etter at prisene har nådd bunnen, og å selge etter at prisene har nådd deres peak. Simple Moving Average SMA. Simple, med andre ord beregnes det aritmetiske glidende gjennomsnittet ved å oppsummere prisene på instrumentet lukking over et visst antall enkeltperioder, for eksempel 12 timer Denne verdien er så delt med antall slike perioder. SOM SUM CLOSE, N N. Hvor N er antall beregningsperioder. Eksponent Ial Moving Average EMA. Eksponentielt glatt glidende gjennomsnitt beregnes ved å legge det glidende gjennomsnittet av en viss andel av gjeldende sluttkurs til forrige verdi. Med eksponensielt jevn glidende gjennomsnitt, er de siste prisene mer verdifulle. P-prosent eksponensielt glidende gjennomsnitt vil se ut like. Where CLOSE jeg prisen for den nåværende perioden lukning EMA i-1 eksponentielt Moving Gjennomsnittlig av forrige periode lukning P prosentandelen av å bruke prisverdien. Smoothed Moving Average SMMA. Den første verdien av dette glattende glidende gjennomsnitt beregnes som enkelt glidende gjennomsnitt SMA. SUM1 SUM CLOSE, N. De andre og etterfølgende glidende gjennomsnitt beregnes i henhold til denne formelen. Hvor SUM1 er summen av sluttkurs for N-perioder SMMA1 er det glatte glidende gjennomsnittet på den første linjen SMMA, jeg er den glatt flytende gjennomsnitt av nåværende bar unntatt den første SLUKKER jeg er den nåværende sluttkursen N er utjevningsperioden. Linjeviktet Flytende Gjennomsnittlig LWMA. I c av de veidende glidende gjennomsnittene, er de nyeste dataene mer verdifulle enn tidligere data. Vektet glidende gjennomsnitt beregnes ved å multiplisere hver av sluttkursene i den vurderte serien, med en bestemt vektkoeffisient. WMA SUM Lukk ii, N SUM jeg, N. Hvor SUM jeg, N er summen av vektkoeffisientene. Gjennomgang av gjennomsnitt kan også brukes på indikatorer Det er hvor tolkningen av indikatorrøre gjennomsnitt er lik tolkningen av prisforskjennomsnittet dersom indikatoren stiger over det bevegelige gjennomsnittet, det betyr at den stigende indikatorbevegelsen sannsynligvis vil fortsette hvis indikatoren faller under det bevegelige gjennomsnittet, dette betyr at det er sannsynlig å fortsette å gå nedover. Her er typer av bevegelige gjennomsnittsverdier på diagrammet. Simpel Flytende Gjennomsnittlig SMA. Eksponensiell Flytende Gjennomsnitt EMA. Smoothed Moving Gjennomsnittlig SMMA. Linear Weighted Moving Gjennomsnittlig LWMA.3rd Generation Moving Gjennomsnittlig Indicator.3rd Generation Moving Average. Moving Gjennomsnitt basert på Nyquist-Shannon Signal Theorem Matematisk foreslått å ha minst mulig lag Mindre lag enn generell og andre generasjon gjennomsnitt som Ehler s null-lag gjennomsnitt. 1 Sammenligning av bevegelige gjennomsnitt Det tredje generasjons gjennomsnittet har det beste med minst lag i forhold til alle andre gjennomsnitt. Alle gjennomsnitt var kjøre med samme vindusstørrelse 21 Dataene representerer 3x60 datapunkter med en Gauss-distribusjon på rundt 100 og 200 og en standardavvik på 5 poengformler som i Drschner 2011 EMA-implementering basert på MetaTrader4-algoritmen. 2. generasjon bruker Ehler 2001-korreksjon, 3. generasjon er basert på Nyquist-Shannon-setningen som skissert i Drschner 2011 med lambda av 4.Moving Averages of the 3rd Generation. Moving gjennomsnitt er ment å glatte data og fjerne støy og ubrukelig informasjon Flere gjennomsnittlige varianter brukes mye, for eksempel Simple Moving Average SMA eller eksponentielt flytende gjennomsnittlig EMA Wikipedia, Moving Averages, 2011 En utfordring er at bevegelige gjennomsnitt intr oduce a lag, dvs. den glatte kurven følger trenden vanligvis senere se Fig. 1 Adaptive glidende gjennomsnitt som VIYDA Chande, 1992 Brown og Kaufman s Adaptive Moving Average KAMA Kaufmann, 1995 forsøkte å løse dette problemet ved å inkorporere dynamiske variabler. I 2001 introduserte J Ehler et generelt konsept basert på signalteori som vi refererer til som andre generasjons gjennomsnitt Ehler, 2001 Her er den grunnleggende forutsetningen at tidsseriene er sammensatt av et begrenset antall overlappende signalfaser som ville gjøre signalteori relevant Ehler, 2001 Huang et al. 1998 I 2011 uttalte MG Drschner at under signalteoriemodellen - Nyquist-Shannon-teormen Wikipedia, Nyquist, 2008 skal brukes Drschner, 2011 I sitt arbeid skisserte Drschner at gjennomsnitt i henhold til disse kriteriene ville ha minst teoretisk mulig lag og betegnet dem 3. generasjons Moving Averages. Indicator Parameter. Jeg har en kontinuerlig verdi som jeg liker å beregne et eksponentielt glidende gjennomsnitt Normalt Jeg bruker bare standardformelen for dette. Hvor S n er det nye gjennomsnittet, er alfa, Y er prøven, og S n-1 er forrige gjennomsnitt. Dessverre, på grunn av ulike problemer, har jeg ikke en konsekvent prøve tid jeg kanskje vet at jeg kan prøve mest, sier en gang per millisekund, men på grunn av faktorer utenfor min kontroll, kan jeg kanskje ikke ta et utvalg i flere millisekunder av gangen. Et sannsynlig mer vanlig tilfelle er imidlertid at jeg enkelt prøver litt tidlig eller sent i stedet for prøvetaking på 0, 1 og 2 ms jeg prøver på 0, 0 9 og 2 1 ms Jeg forventer at, uansett forsinkelser, vil samplingsfrekvensen være langt langt over Nyquist begrense, og derfor trenger jeg ikke å bekymre meg for aliasing. Jeg tror at jeg kan håndtere dette på en mer eller mindre rimelig måte ved å variere alfaet hensiktsmessig, basert på lengden på tid siden den siste prøven. Dette vil fungere som at EMA interpolerer lineært mellom det forrige datapunktet og den nåværende Hvis vi vurderer å beregne en EMA av følgende liste av prøver med intervaller t 0,1,2,3,4 Vi bør få det samme resultatet hvis vi bruker intervall 2t, der inngangene blir 0,2,4, høyre Hvis EMA hadde antatt det, ved t 2 verdien hadde vært 2 siden t 0 som ville være det samme som intervallet t beregning beregning på 0,2,2,4,4, som det ikke gjør eller gjør det fornuftig i det hele tatt. Kan noen fortelle meg hvordan varier alfabetisk Vennligst vis arbeidet ditt Jeg viser meg matematikken som viser at metoden virkelig gjør det riktige. Skrevet 21. juni 09 kl 13 05. Du burde ikke få samme EMA for forskjellige innspill Tenk på EMA som et filter , prøvetaking på 2t tilsvarer ned prøvetaking, og filteret kommer til å gi en annen utgang Dette tydelig for meg siden 0,2,4 inneholder høyere frekvens komponenter enn 0,1,2,3,4 Med mindre spørsmålet er hvordan bytter jeg filteret på flyet for å få det til å gi samme utgang Kanskje jeg mangler noe freespace 21 juni 09 ved 15 52. Men inngangen er ikke annerledes, det er bare samplet mindre av ti 0,2,4 i intervaller 2t er som 0, 2, 4 med intervaller t, der det indikerer at prøven ignoreres Curt Sampson 21 juni kl. 23 45. Dette svaret er basert på min gode forståelse av lavpasning filtre eksponentielt glidende gjennomsnitt er egentlig bare et enkeltpolet lavpasfilter, men min dumme forståelse av hva du leter etter, jeg tror at følgende er det du vil. Først kan du forenkle ligningen din litt, ser mer komplisert ut, men det er lettere I kode jeg skal bruke Y for utgang og X for inngang i stedet for S for utgang og Y for inngang, som du har gjort. Andre ganger er verdien av her lik 1-e-t hvor t er tiden mellom prøvene , og er tidskonstanten til lavpassfilteret, sier jeg like i anførselstegn, fordi dette fungerer bra når t er liten sammenlignet med 1 og 1-e tt. Men ikke for liten vil du løpe i kvantiseringsproblemer, og med mindre du feriested For noen eksotiske teknikker trenger du vanligvis en ekstra N bits oppløsning i tilstandsvariabelen S, der N-log 2 For større verdier o ft filtreringseffekten begynner å forsvinne, til du kommer til punktet hvor er nær 1, og du re er i utgangspunktet bare å tilordne inngangen til utgangen. Dette skal fungere skikkelig med varierende verdier av t er variasjonen av t ikke så viktig så lenge som alfa er liten, ellers vil du løpe inn i noen ganske rare Nyquist-problemer, aliasering osv., og hvis du jobber på en prosessor hvor multiplikasjon er billigere enn divisjon, eller faste punktproblemer er viktige, forutregne 1, og vurder å prøve å approximate formelen for. Hvis du virkelig vil vite hvordan du skal oppnå formelen. Ta hensyn til differensialligningen kilde. Når, når X er en enhetstegningsfunksjon, har løsningen Y 1 - e - t For små verdier av t, kan derivatet bli tilnærmet med Y t, yielding. and ekstrapoleringen av 1-e-t kommer fra å forsøke å samsvare oppførselen med enhetens trinnfunksjonssak. Vil du gjerne forsøke å forsøke å samsvare oppførselsdelen jeg forstår din kontinuerlige - tidsoppløsning på Y 1 - exp - t og generaliseringen til en skalert trinnfunksjon med størrelsen x og startbetingelsen y 0, men jeg kan ikke se hvordan å sette disse ideene sammen for å oppnå ditt resultat Rhys Ulerich 4. mai kl. 22 34. Dette er ikke et komplett svar, men det kan være starten på en. Det er så langt jeg fikk med dette om en time å spille. Jeg sender det som et eksempel på det jeg leter etter, og kanskje en inspirasjon til andre som jobber med problem. Jeg starter med S 0 som er gjennomsnittet som følge av forrige gjennomsnitt S -1 og prøven Y 0 tatt ved t 0 t 1 - t 0 er mitt utvalgsintervall og er satt til det som er passende for det prøveintervallet og periode over som jeg ønsker å gjennomsnittlig. Jeg vurderte hva som skjer hvis jeg savner prøven på t 1 og i stedet må gjøre med prøven Y 2 tatt på t 2 Vel, vi kan begynne med å utvide ligningen for å se hva som ville ha skjedd hvis vi hadde hatt Y 1. Jeg merker at serien ser ut til å strekke uendelig på denne måten, fordi vi kan erstatte S n på høyre side på ubestemt tid. Ok, så det er egentlig ikke et polynomisk dumt, men hvis vi multipliserer begynnelsen av en, så ser vi et mønster. Det er en eksponensiell serie. Quelle overraskelse Tenk deg at det kommer ut av ligningen for et eksponentielt bevegelige gjennomsnitt. Men uansett, jeg har denne x 0 x 1 x 2 x 3 ting å gå, og jeg er sikker på at jeg lukter e eller en naturlig logaritme som sparker rundt her, men jeg kan ikke huske hvor jeg var på vei neste før jeg løp ut av tiden. Enhver svar på dette spørsmålet, eller noe bevis på korrekthet av et slikt svar, avhenger svært av dataene du måler. Hvis dine prøver ble tatt på t 0 0ms t 1 0 9ms og t 2 2 1ms men valget ditt er basert på 1-ms-intervaller, og derfor vil du ha en lokalt justert n. Beviset på korrekthet av valget vil bety at du kjenner utvalgsverdiene ved t 1ms og t 2ms. Dette fører til spørsmålet Kan du interpolere dataene dine resonably å ha sanne gjetninger om hva mellomliggende verdier kan ha vært eller kan du til og med interpolere aver alder seg selv. Hvis ingen av disse er mulige, så er det logiske valget mellom en mellomliggende verdi Y t det senest beregnede gjennomsnittet, dvs Y t S n hvor n er maksimal slik at tn t. This valg har en enkel konsekvens Forlat alene, uansett hva tidsforskjellen var. Hvis det derimot er mulig å interpolere verdiene dine, da vil dette gi deg gjennomsnittsverdier for kontinuerlig intervall. Endelig, hvis det er mulig å interpolere gjennomsnittet selv, som ville gjøre spørsmålet meningsløst. ansvaret 21. juni 09 til 15 08.balpha 27 2k 10 87 118.Jeg tror jeg kan interpolere dataene mine gitt at jeg prøver det med egne intervaller, jeg gjør det allerede med En standard EMA Uansett, antar at jeg trenger et bevis som viser at det fungerer, så vel som en standard EMA, som også har, vil gi et feilresultat hvis verdiene ikke endres ganske jevnt mellom prøveperioder Curt Sampson 21.juni kl. 21 på 15 21. Men det er hva jeg sier Hvis du vurderer EMA en interp Hvis du sier at du trenger noe som virker, så vel som en standard EMA - hva er galt med originalen, blir du ferdig hvis du forlater alfa som det er fordi du legger inn det siste gjennomsnittet da Y ikke endrer gjennomsnittet. Med mindre du har mer informasjon om dataene du måler, vil eventuelle lokale tilpasninger til alpha være i beste fall vilkårlig balpha 21 juni 09 ved 15 31. Jeg ville legge alfaverdien alene og fylle ut de manglende dataene. Siden du ikke vet hva som skjer i løpet av tiden du kan t prøve, kan du fylle disse prøvene med 0s, eller holde den forrige verdien stabil og bruke disse verdiene for EMA eller noen bakoverinterpolering når du har en ny prøve, fyll inn de manglende verdiene, og recompute EMA. What jeg prøver å få på er at du har en inngang xn som har hull Det er ingen måte å komme seg rundt det faktum at du mangler data Så du kan bruke et nullordre hold, eller sett det til null, eller noen slags interpolering mellom xn og xn M hvor M er antall feil synge prøver og n begynnelsen av gapet Muligens selv å bruke verdier før n. answered 21 juni 09 på 13 35. Fra å tilbringe en time eller så mucking litt om matematikken for dette, tror jeg det bare å variere alfa vil faktisk gi Jeg har den riktige interpoleringen mellom de to punktene du snakker om, men på en mye enklere måte. Videre tror jeg at variasjonen av alfa også vil håndtere prøver som er tatt mellom standard prøvetakingsintervaller. Med andre ord, jeg søker etter det du har beskrevet , men prøver å bruke matte for å finne ut den enkle måten å gjøre det på. Curt Sampson 21 juni 09 kl 14 07. Jeg tror ikke det er et slikt dyr som riktig interpolering. Du vet bare ikke hva som skjedde i tiden du ikke prøver God og dårlig interpolering innebærer litt kunnskap om hva du savnet, siden du må måle mot det for å bedømme om en interpolering er god eller dårlig. Selv om det er sagt, kan du legge inn begrensninger, dvs. med maksimal akselerasjon, fart, osv. Jeg tror at hvis du gjør det vet hvordan å modellere de manglende dataene, da ville du bare modellere de manglende dataene, og deretter bruke EMA-algoritmen uten endring, heller enn å endre alfa Bare min 2c freespace 21 juni 09 kl 14 17. Dette er akkurat det jeg fikk på i redigeringen min til spørsmålet 15 minutter siden Du vet bare ikke hva som skjedde i tiden du ikke er prøvetaking, men det er sant selv om du prøver på hvert bestemt intervall. Dermed vil Nyquist-kontemplasjonen min så lenge du vet bølgeformen ikke endre retninger mer enn hvert par prøver, burde det faktiske utvalgsintervallet ikke ha betydning, og bør kunne variere. EMA-ligningen virker for meg akkurat å regne ut som om bølgeformen endret lineært fra den siste samplingsverdien til den nåværende Curt Sampson 21.juni 09 på 14 26.Jeg tror ikke det er helt sant. Nyquist s-setning krever at minst 2 prøver per periode skal kunne identifisere signalet. Hvis du ikke gjør det, får du aliasing. Det ville være det samme som prøvetaking som fs1 for en gang, så f s2, deretter tilbake til fs1 og du får aliasing i dataene når du prøver med fs2 hvis fs2 er under Nyquist-grensen. Jeg må også bekjenne at jeg ikke forstår hva du mener med bølgeform endringer lineært fra siste prøve til nåværende. Kan du vær så snill Forklar Skål, Steve Freespace 21. juni 09 på 14 36. Dette ligner på et åpent problem på min todo liste Jeg har en plan utarbeidet til en viss grad, men har ikke matematisk arbeid for å tilbakebetale dette forslaget ennå. Oppdateringsoppsummering Vil gjerne beholde utjevningsfaktoren alfa uavhengig av kompensasjonsfaktoren som jeg refererer til som beta her Jason s utmerket svar som allerede er akseptert her fungerer bra for meg. Hvis du også kan måle tiden siden den siste prøven ble tatt i avrundede multipler av din konstante prøvetakingstid - så 7 8 ms siden siste prøve ville være 8 enheter, som kunne brukes til å bruke utjevning flere ganger Bruk formelen 8 ganger i dette tilfellet. Du har effektivt gjort en jevn forspenning mer mot dagens verdi. For å få en innsats for utjevning, må vi finjustere alfa mens du bruker formelen 8 ganger i forrige tilfelle. Hva vil denne utjevningsmessige tilnærmingen gå glipp av. Det har allerede gått glipp av 7 eksempler i eksemplet ovenfor. Dette ble tilnærmet i trinn 1 med en flatet reapplikasjon av dagens verdi ytterligere 7 ganger. Hvis vi definerer en tilnæringsfaktor beta som vil bli brukt sammen med alfa som alfa beta i stedet for bare alfa, antas det at de 7 savnede prøvene endret seg jevnt mellom forrige og nåværende samplingsverdier . Ansatt 21 juni 09 13:35. Jeg tenkte på dette, men litt av å miste meg med matematikken fikk meg til det punktet der jeg tror det, i stedet for å bruke formelen åtte ganger med prøveverdien, kan jeg gjøre en beregning av en ny alfa som vil tillate meg å bruke formelen en gang, og gi meg det samme resultatet Videre vil dette automatisk håndtere spørsmålet om prøver kompensert fra eksakte prøvetider Curt Sampson 21.juni juni kl. 13 47. Den eneste applikasjonen n er bra Det jeg ikke er sikker på om ennå, er hvor god er tilnærmingen til de 7 manglende verdiene. Hvis den kontinuerlige bevegelsen gjør verdien jitter mye over 8 millisekunder, kan tilnærmingene være ganske utenfor virkeligheten. Men så, hvis du er prøvetaking ved 1 ms høyeste oppløsning utenom forsinkede prøver du allerede har funnet jitteren innen 1 ms er ikke relevant Fungerer denne tankegangen for deg Jeg prøver fortsatt å overbevise meg selv nik 21 juni 09 kl 14 08. Rett Det er faktoren beta fra min beskrivelse En betafaktor beregnes basert på forskjellintervallet og gjeldende og tidligere prøver. Den nye alfa vil være alpha beta, men den vil bare bli brukt for den prøven. Mens du synes å flytte alfaen i formelen, har jeg en tendens til konstant alfa utjevningsfaktor og en uavhengig beregnet beta en stemmingsfaktor som kompenserer for prøver som ikke er løst, nå nik 21. juni kl. 15 23.
No comments:
Post a Comment