MetaTrader 4 - Indikatorer. Medelvärdena, MA-indikator för MetaTrader 4. Den rörliga genomsnittliga tekniska indikatorn visar medelvärdet för instrumentpriset under en viss tidsperiod När man beräknar glidande medelvärde, utgår man med instrumentpriset för denna tidsperiod As Prisförändringar, det rörliga genomsnittet ökar eller minskar Det finns fyra olika typer av glidande medelvärden Enkla även refererade till som aritmetiska, exponentiella, släta och linjära viktiga rörliga medelvärden kan beräknas för varje sekventiell dataset, inklusive öppnings - och slutkurser, Högsta och lägsta priser, handelsvolym eller andra indikatorer Det är ofta fallet när dubbla rörliga medelvärden används. Det enda där rörliga medelvärden av olika typer skiljer sig avsevärt från varandra är när viktkoefficienter som tilldelas de senaste uppgifterna, Är olika Om vi pratar om enkla glidande medelvärden är alla priser för den aktuella tidsperioden lika med Expo Nämnda och linjärt viktade rörliga medelvärden bifogar mer värde till de senaste priserna Det vanligaste sättet att tolka prisglidande medelvärdet är att jämföra dynamiken med prisåtgärden När instrumentpriset stiger över sitt glidande medelvärde visas en köpsignal om priset faller Under det glidande genomsnittet har vi en säljesignal. Detta handelssystem, som är baserat på det rörliga genomsnittet, är inte utformat för att ge inträde till marknaden rätt i sin lägsta punkt och dess utgång höger på toppen. Det gör det möjligt att agera Enligt följande trend att köpa snart efter att priserna har nått botten och att sälja snart efter att priserna har nått sin peak. Simple Moving Average SMA. Simple, med andra ord beräknas det aritmetiska rörliga genomsnittet genom att summera priserna på instrumentet Stängning över ett visst antal enskilda perioder till exempel 12 timmar Detta värde divideras därefter med antalet sådana perioder. SMA SUM CLOSE, N N. Where N är antalet beräkningsperioder. Exponenten Ial Moving Average EMA. Exponentially smoothed glidande medelvärde beräknas genom att lägga det glidande medlet av en viss andel av nuvarande slutkurs till föregående värde. Med exponentiellt jämn glidande medelvärde är de senaste priserna mer värde. P-procent exponentiella glidande medel kommer att se ut like. Where CLOSE i priset för den aktuella periodens stängning EMA i-1 Exponentially Moving Medelvärde av föregående periodens stängning P Andelen av att använda prisvärdet. Smoothed Moving Average SMMA. Det första värdet av detta glattade glidande medelvärde beräknas som Enkelt glidande medelvärde SMA. SUM1 SUM CLOSE, N. De andra och efterföljande glidande medelvärdena beräknas enligt denna formel. Var SUM1 är summan av slutkurserna för N-perioder SMMA1 är det glattade glidande medlet på den första stapeln SMMA, jag är den slätat glidande medelvärde för den aktuella fältet med undantag för den första CLOSE I är det aktuella stängningskurset N är utjämningsperioden. Långviktad rörlig genomsnittsvärde LWMA. I c ase av vägat glidande medelvärde är de senaste uppgifterna mer värdefulla än mer tidiga data. Viktat glidande medelvärde beräknas genom att multiplicera var och en av slutkurserna inom den ifrågavarande serien med en viss viktkoefficient. LWMA SUM Stäng ii, N SUM jag, N. Var SUM I, N är den totala summan av viktkoefficienter. Möjliga medelvärden kan också tillämpas på indikatorer Det är var tolkningen av indikatorrörelserna är liknande tolkningen av prisförskjutande medelvärden om indikatorn stiger över dess glidande medelvärde, det betyder att den stigande indikatorrörelsen sannolikt kommer att fortsätta om indikatorn faller under dess glidande medelvärde, det betyder att det sannolikt fortsätter att gå nedåt. Det är de typer av glidande medelvärdena på diagrammet. Förskjutande medelvärde SMA. Exponential Moving Average EMA. Smoothed Moving Average SMMA. Linear Weighted Moving Average LWMA.3rd Generation Moving Average Indicator.3rd Generation Moving Average. Moving Medeltal baserat på Nyquist-Shannon Signaltestemat Matematiskt föreslagits att ha minst möjlig lag Mindre lag än genomsnittet för generella och andra generationer som Ehler s noll-lagmedelvärde. 1 Jämförelse av rörliga medelvärden Det tredje generationsgenomsnittet har bäst med minst fördröjning jämfört med alla andra medelvärden. Alla medelvärden var Köra med samma fönsterstorlek 21 Data representerar 3x60 datapunkter med en Gaussisk fördelning runt 100 och 200 och en standardavvikelse på 5 poäng Formler som i Drschner 2011 EMA-implementering baserad på MetaTrader4-algoritmen, 2: a generationen använder Ehler 2001-korrigering, 3: e generationen är Baserad på Nyquist-Shannon-teorem som beskrivs i Drschner 2011 med lambda av 4.Moving Averages of the 3rd Generation. Moving-medelvärdena ska smidiga data och för att ta bort ljud och värdelös information Flera genomsnittsvarianter används i stor utsträckning, till exempel Simple Moving Average SMA eller Exponentially Moving Average EMA Wikipedia, Flytta medeltal, 2011 En utmaning är att glidande medelvärden intr Oduce a lag, dvs den släta kurvan följer trenden vanligtvis senare se Fig 1 Adaptiva glidande medelvärden som VIYDA Chande, 1992 Brown och Kaufman s Adaptive Moving Average KAMA Kaufmann 1995 försökte hantera denna fråga genom att införliva dynamiska variabler 2001 introducerade J Ehler ett allmänt koncept baserat på signalteori som vi hänvisar till som andra generationsgemener Ehler, 2001 Här är det grundläggande antagandet att tidsserien är sammansatt av ett begränsat antal överlappande signalfaser som skulle göra signaltekniken tillämplig Ehler, 2001 Huang et al. 1998 Under 2011 uppgav MG Drschner att under Signalteorimodellen - Nyquist-Shannon-teoran Wikipedia, Nyquist, 2008 måste tillämpas Drschner, 2011 I sitt arbete skisserade Drschner att medelvärden enligt dessa kriterier skulle ha minst teoretiskt möjligt lag och Kallas dem 3: e generationen Moving Averages. Indicator Parameter. Jag har ett kontinuerligt värde för vilket jag d vill beräkna ett exponentiellt glidande medelvärde Normalt Jag använder bara standardformeln för this. where Sn är det nya genomsnittet, är alfabetet, Y är provet och S n-1 är föregående genomsnitt. Tyvärr beror på olika problem inte att jag har ett konsekvent prov tid jag kanske vet att jag kan prova högst, säg en gång per millisekund, men på grund av faktorer som jag inte kan kontrollera, kan jag inte ta ett prov i flera millisekunder åt gången. Ett troligt vanligare fall är dock Att jag enkelt provar lite tidigt eller sent istället för provtagning vid 0, 1 och 2 ms jag provar på 0, 0 9 och 2 1 ms Jag förväntar mig att oavsett förseningar kommer min samplingsfrekvens att vara långt, långt över Nyquist Begränsa, och därför behöver jag inte oroa mig för aliasing. Jag tror att jag kan hantera detta på ett mer eller mindre rimligt sätt genom att ändra alfabetet på lämpligt sätt, baserat på hur länge tiden har gått sedan det sista urvalet. detta kommer att fungera är att EMA interpolerar linjärt mellan föregående datapunkt och nuvarande Om vi överväger att beräkna en EMA Av följande lista med prover med intervaller t 0,1,2,3,4 Vi borde få samma resultat om vi använder intervall 2t, där ingångarna blir 0,2,4, höger Om EMA hade antagit det, vid t 2 värdet hade varit 2 sedan t 0 som skulle vara detsamma som intervallet t beräkningen beräknas på 0,2,2,4,4, vilket det inte gör eller gör det meningslöst alls. Kan någon berätta för mig hur Variera alfabetiskt Vänligen visa ditt arbete Jag visar mig matematiken som visar att din metod verkligen gör rätt sak. Skriven 21 juni 09 kl 13 05. Du borde inte få samma EMA för olika inmatningar Tänk på EMA som ett filter , Provtagning vid 2t motsvarar nedprovtagning och filtret kommer att ge en annan effekt. Det klarade mig eftersom 0,2,4 innehåller högre frekvenskomponenter än 0,1,2,3,4 Om inte frågan är hur Ändrar jag filtret i flygningen så att det ger samma resultat Kanske saknar jag något fritt utrymme 21 juni 09 kl 15 52. Men ingången är inte annorlunda, det är bara samplet mindre av Tio 0,2,4 med intervall 2t är som 0, 2, 4 i intervaller t, där indikerar att provet ignoreras Curt Sampson 21 juni 09 vid 23 45. Detta svar baseras på min goda förståelse av lågpass Filter exponentiell glidande medelvärdet är egentligen bara ett enkelpoligt lowpass-filter, men min dumma förståelse för vad du letar efter. Jag tror att följande är vad du vill. Först kan du förenkla din ekvation lite ser mer komplicerat ut, men det är lättare I kod I m kommer du att använda Y för utgång och X för inmatning istället för S för utgång och Y för inmatning, som du har gjort. För det andra är värdet här här lika med 1-e-t där t är tiden mellan proverna , och är tidskonstanten för lågpassfiltret Jag säger lika med citat eftersom det fungerar bra när t är liten jämfört med 1 och 1-e-tt Men inte för liten du kommer att råka ut i kvantiserande problem och om du inte tillgodoser För vissa exotiska tekniker behöver du vanligtvis en extra N bitars upplösning i din tillståndsvariabel S, där N-log 2 För större värden o Ft filtreringseffekten börjar försvinna tills du kommer till den punkt där det är nära 1 och du ger i grund och botten bara tilldelningen till utgången. Detta ska fungera korrekt med varierande värden t är variationen av t inte så viktig så länge som alfa är liten, annars kommer du att springa på några ganska konstiga Nyquist-problem aliasing etc, och om du arbetar på en processor där multiplikation är billigare än division eller problem med fast punkt är viktiga, beräknar 1 och överväger att försöka approximera formel om. Om du verkligen vill veta hur man härleder formeln. ta hänsyn till dess differentialekvationskälla. När X är en enhetstegfunktion, har lösningen Y 1 - e - t För små värden på t kan derivatet Approximeras med Y t, vilket ger. och extrapoleringen av 1-e-t kommer från att försöka matcha uppförandet med enhetstegsfunktionsfallet. Kan du snälla utarbeta försöket att matcha beteendedelen Jag förstår din kontinuerliga - Time soluti På Y 1 - exp - t och dess generalisering till en skalad stegfunktion med magnitud x och initialtillstånd y 0 men jag kan inte se hur man sammanför dessa idéer för att uppnå ditt resultat Rhys Ulerich 4 maj 13 på 22 34. Detta är inte ett komplett svar, men det kan vara början på en. Det är så långt jag kom med det om en timme att spela. Jag skickar det som ett exempel på vad jag letar efter, och kanske en inspiration till andra som arbetar på Problem. Jag börjar med S 0, vilket är medelvärdet från föregående medel S -1 och provet Y 0 som tas vid t 0 t 1 - t 0 är mitt provintervall och är inställt på vad som är lämpligt för provintervallet och period över vilken jag önskar att bli genomsnittlig. Jag funderade på vad som händer om jag saknar provet på t 1 och istället måste göra med provet Y 2 taget vid t 2. Vi kan börja med att expandera ekvationen för att se vad som skulle ha hänt Om vi hade haft Y 1. Jag märker att serien ser ut att sträcka oändligt på det här sättet, för att vi kan ersätta S n i högra sidan på obestämd tid. Okej, så det är inte riktigt ett polynom som är dumt, men om vi multiplicerar den första termen av en så ser vi ett mönster. Det är en exponentiell serie Quelle överraskning Tänk dig att det kommer ut ur ekvationen för ett exponentiellt rörligt medelvärde. Men ändå har jag den här x 0 x 1 x 2 x 3 saken och jag är säker på att jag smäller e eller en naturlig logaritm som sparkar här, men jag kan inte komma ihåg var jag var på väg Nästa innan jag sprang ur tiden. Ett svar på denna fråga eller något bevis på att ett sådant svar är korrekt beror mycket på de data du mäter. Om dina prov togs vid t 0 0ms t 1 0 9ms och t 2 2 1ms men ditt val av är baserat på 1-ms-intervaller och därför vill du ha en lokalt justerad n. Ett bevis på att valet är korrekt ska innebära att du vet att provvärdena är t 1ms och t 2ms. Detta leder till frågan Kan du interpolera dina uppgifter har resonabelt att ha sanna gissningar om vilka mellanvärden som kan ha varit eller kan du även interpolera aver ålder själv. Om ingen av dessa är möjliga, så är det logiska valet av ett mellanvärde Y t det senaste beräknade medelvärdet, dvs Y t S n där n är maximal så att tn t. This Valet har en enkel följd Lämna ensam, oavsett vilken tidsskillnad det var. Om det däremot är möjligt att interpolera dina värden, då kommer detta att ge dig genomgångar med konstantintervall. Slutligen, om det är möjligt att interpolera genomsnittet i sig, det skulle göra frågan meningslös. svarade 21 juni 09 på 15 08.balpha 27 2k 10 87 118. Jag skulle tro att jag kan interpolera mina uppgifter, eftersom jag m samplar det med diskreta intervaller, det gör jag redan med en standard EMA Hur som helst, antar att jag behöver ett bevis som visar att det fungerar såväl som en standard EMA, som också har kommer att ge ett felaktigt resultat om värdena inte förändras ganska jämnt mellan provperioderna Curt Sampson 21 juni 09 vid 15 21. Men det är vad jag säger om du anser EMA en interp Värdering av dina värden görs om du lämnar alfabetet eftersom det är för att sätta in det senaste genomsnittet eftersom Y inte förändrar genomsnittet. Om du säger att du behöver något som fungerar liksom en vanlig EMA - vad är fel med originalet Om du inte har mer information om de data du mäter kommer eventuella lokala justeringar av alpha vara bäst godtyckliga balpha 21 juni 09 vid 15 31. Jag skulle lämna alfavärdet ensamt och fylla i de saknade data. Eftersom du inte vet vad som händer under tiden då du inte kan provet kan du fylla i dessa prov med 0s eller hålla det föregående värdet stabilt och använda dessa värden för EMA eller någon bakåtinterpolering när du har ett nytt prov, fyll i de saknade värdena och Recompute EMA. What jag försöker få på är du har en ingång xn som har hål Det finns inget sätt att komma runt faktumet du saknar data Så du kan använda en nollorderlagring eller ställa in den till noll eller vissa Typ av interpolation mellan xn och xn M där M är antalet fel Sjunga prover och n början av klyftan Eventuellt även använda värden före n. answered 21 juni 09 på 13 35. Från att spendera en timme eller så mucking lite om matematiken för detta tror jag att det bara är att ändra alfa faktiskt ger Mig den korrekta interpoleringen mellan de två punkterna som du pratar om men på ett mycket enklare sätt Vidare tror jag att det varierande alfabetet också kommer att hantera de prov som tas mellan standardprovtagningsintervallerna Med andra ord söker jag efter vad du beskrev Men försöker använda matematik för att ta reda på det enkla sättet att göra det Curt Sampson 21 juni 09 klockan 14 07. Jag tror inte att det finns ett sådant odjur som korrekt interpolation Du vet helt enkelt inte vad som hände i den tid du inte provtagit Bra och dålig interpolering innebär viss kunskap om vad du saknat, eftersom du måste mäta mot det för att bedöma om en interpolering är bra eller dålig. Men det kan du säga, du kan placera begränsningar, dvs med maximal acceleration, hastighet osv. Jag tror att om du gör det veta hur Att modellera de saknade dataen, då skulle du bara modellera de saknade data och sedan tillämpa EMA-algoritmen utan förändring, snarare än att ändra alfa. Bara min 2c freespace 21 juni 09 på 14 17.Detta är precis vad jag fick på mig till frågan för 15 minuter sedan Du vet helt enkelt inte vad som hände i den tid du inte provtagning, men det är sant även om du provar vid varje bestämt intervall. Således kan din Nyquist-kontemplation så länge du vet vågformen inte ändra riktningar mer Än varje par prover borde det faktiska provintervallet inte betyda och bör kunna variera. EMA-ekvationen verkar mig exakt att beräkna som om vågformen ändrats linjärt från det sista provvärdet till den nuvarande Curt Sampson 21 juni 09 vid 14 26. Jag tror inte att det är helt sant Nyquist s sats kräver att minst 2 prover per period ska kunna identifiera signalen unikt. Om du inte gör det får du aliasing Det skulle vara detsamma som provtagning som fs1 för En tid sedan f s2, sedan tillbaka till fs1 och du får aliasing i data när du provar med fs2 om fs2 ligger under Nyquist-gränsen. Jag måste också bekänna att jag inte förstår vad du menar med vågformen ändras linjärt från sista provet till nuvarande. Kan du snälla förklara Cheers, Steve freespace 21 juni 09 på 14 36. Detta liknar ett öppet problem på min todo lista Jag har ett schema utarbetat i viss utsträckning men har inte matematisk arbete för att återställa detta förslag ännu. Uppdaterad sammanfattning Vill du behålla Utjämningsfaktorn alfa oberoende av kompensationsfaktorn som jag betecknar som beta här Jason s utmärkta svar som redan accepterats här fungerar bra för mig. Om du också kan mäta tiden sedan det sista provet togs i avrundade multiplar av din konstanta provtagningstid - Så 7 8 ms sedan senaste provet skulle vara 8 enheter, som kan användas för att applicera utjämningen flera gånger. Använd formeln 8 gånger i det här fallet. Du har effektivt gjort en utjämning förspänd mer mot det aktuella värdet. För att få en insats För utjämning måste vi tweak alfanumeriska samtidigt som vi använder formeln 8 gånger i föregående fall. Vad kommer denna utjämning approximation miss. It har redan missat 7 prover i exemplet ovan. Detta approximerades i steg 1 med en planerad omapplikation Av det nuvarande värdet ytterligare 7 gånger. Om vi definierar en approximationsfaktor beta som kommer att appliceras tillsammans med alfa som alfa beta istället för bara alfa, antar vi att de 7 missade proverna förändrades smidigt mellan de föregående och nuvarande samplingsvärdena . Svarade 21 juni 09 på 13 35. Jag tänkte på det här, men en liten bit av mucking om med matematiken fick mig till den punkt där jag tror det, istället för att tillämpa formeln åtta gånger med provvärdet, kan jag göra en beräkning av en ny alfa som tillåter mig att använda formeln en gång och ge mig samma resultat Vidare skulle detta automatiskt ta itu med frågan om prover som kompenseras från exakta provtider Curt Sampson 21 juni 09 vid 13 47. Den enda applikationen N är bra Vad jag inte är säker på ännu är hur bra approximationen av de 7 saknade värdena är. Om kontinuerlig rörelse gör värdet jitter mycket över 8 millisekunder, kan approximationerna vara ganska av verkligheten Men då är du om du är Provtagning vid 1 ms högsta upplösning, med undantag för de fördröjda proverna du redan har sett jitteren inom 1 ms, är inte relevant. Fungerar den här resonemanget för dig Jag försöker fortfarande övertyga mig själv nik 21 juni 09 kl 14 08. Rätt Det är faktabeten från min beskrivning En beta-faktor skulle beräknas baserat på skillnadsintervallet och nuvarande och tidigare sampler. Den nya alfabetet kommer att vara alfa-beta men det kommer endast att användas för det provet. Medan du verkar flytta alfabet i formeln tenderar jag mot konstant alfa Utjämningsfaktor och en självständig beräknad beta en stämningsfaktor som kompenserar för prover som saknas just nu nik 21 juni 09 vid 15 23.
No comments:
Post a Comment