Enkelt rörligt medelvärde - SMA BREAKING DOWN Enkelt rörligt medelvärde - SMA Ett enkelt glidande medelvärde är anpassningsbart genom att det kan beräknas för ett annat antal tidsperioder, helt enkelt genom att lägga till slutkursen för säkerheten under ett antal tidsperioder och därefter dela upp detta totalt med antalet tidsperioder, vilket ger det genomsnittliga priset på säkerheten över tidsperioden. Ett enkelt glidande medel ökar volatiliteten och gör det enklare att se prisutvecklingen för en säkerhet. Om det enkla rörliga genomsnittet pekar upp betyder det att säkerhetspriset ökar. Om det pekar ner betyder det att säkerhetspriset minskar. Ju längre tidsramen för glidande medel är, desto smidigare är det enkla glidande medlet. Ett kortare rörligt medelvärde är mer volatilt, men läsningen är närmare källdata. Analytisk betydelse Flyttande medelvärden är ett viktigt analysverktyg som används för att identifiera aktuella prisutvecklingar och potentialen för en förändring i en etablerad trend. Den enklaste formen av att använda ett enkelt rörligt medelvärde i analys använder det för att snabbt identifiera om en säkerhet är i en uptrend eller downtrend. Ett annat populärt, om än något mer komplext analysverktyg, är att jämföra ett par enkla glidande medelvärden med varje täckande olika tidsramar. Om ett kortfristigt enkelt glidande medelvärde överstiger ett långsiktigt genomsnitt, förväntas en uptrend. Å andra sidan signalerar ett långsiktigt medelvärde över ett kortare medelvärde en nedåtgående rörelse i trenden. Populära handelsmönster Två populära handelsmönster som använder enkla glidande medelvärden inkluderar dödskorset och ett gyllene kors. Ett dödskors inträffar när 50-dagars enkelt glidande medelvärde passerar under 200-dagars glidande medelvärde. Detta betraktas som en baisse signal, att ytterligare förluster finns i butik. Det gyllene korset uppstår när ett kortsiktig glidande medel bryter över ett långsiktigt glidande medelvärde. Förstärkt av höga handelsvolymer kan detta signalera ytterligare vinster finns i butik. Gruppfördröjning Se grafen nedan för följande diskussion: I en gruppfördröjningsmätning: Linjärfasskiftkomponenten omvandlas till ett konstant värde (som representerar den genomsnittliga fördröjningen) . Frekvensskiftkomponenten med högre ordning transformeras till avvikelser från konstant gruppfördröjning (eller gruppfördröjningsringning). Avvikelserna i gruppfördröjning orsakar signalförvrängning, precis som avvikelser från linjär fas orsakar distorsion. Mätspåret visar hur mycket tid det tar för varje frekvens att resa genom den testade enheten. Se följande ekvation för denna diskussion om hur analysatorn beräknar gruppfördröjning: Fasdata används för att hitta fasändringen (-d f). 160 En specificerad frekvensöppning används för att hitta frekvensbytet160160 (dw). Med hjälp av de två värdena ovan beräknas en approximation för frekvensen av fasförändring med frekvens. This160160applikationen representerar gruppfördröjning i sekunder (förutsatt linjär fasbyte över den angivna frekvensöppningen). Gruppfördröjning mot avvikelse från linjär fas Gruppfördröjning är ofta en mer exakt indikation av fasförvrängning än avvikelse från linjär fas. Avvikelse från linjära fasresultat visas i den övre regionen av följande grafik: Enhet 1 och enhet 2 har samma värde, trots olika utseenden. Gruppfördröjningsresultat visas i den lägre regionen: Enhet 1 och enhet 2 har olika värden för gruppfördröjning. Detta beror på att vid analys av gruppfördröjning beräknar analysatorn lutningen av faskrusning, vilket är beroende av antal krusningar som uppträder per frekvensenhet. Vad är bländare Under en gruppfördröjningsmätning mäter analysatorn fasen vid två nära avstånd och bestämmer sedan fashöjden. Frekvensintervallet (frekvens delta) mellan tvåfas mätpunkter kallas bländaren. Byte av bländare kan resultera i olika värden för gruppfördröjning. Den beräknade lutningen (deltafasen) varierar då bländaren ökar. Det är därför som du jämför de gruppfördröjningsdata måste du känna till bländaren som användes för att göra mätningarna. Se grafen nedan för följande diskussion: Vanliga frågor på JMA Vad är teorin bakom JMA. Varför har JMA en PHASE-parameter. Prövar JMA en tidsserie. Kommer tidigare JMA-värden, som redan planeras, att ändras när nya data kommer fram. Kan jag förbättra andra indikatorer med JMA Har JMA någon speciell garanti Hur jämför JMA med andra filter. ALLMÄNNA ÄMNEN PÅ JURIK VERKTYG Kan verktygen plotta många kurvor på vart och ett av många diagram. Kan verktygen behandla vilken typ av data som helst. Kan verktygen fungera i realtid. Finns algoritmerna eller svartlåda. Behöver Jurikverktyg se på framtiden för en tidsserie. Gör verktygen samma värden på alla plattformar (TradeStation, Multicharts.). Gör Juriks verktyg med en garanti. Hur många installationslösenord får jag. Vad är teorin bakom JMA. DEL 1. PRISGAPS Utjämning av tidsseriedata, till exempel dagliga aktiekurser, för att avlägsna oönskade buller kommer oundvikligen att ge en graf (indikator) som går långsammare än de ursprungliga tidsserierna. Den här kvoten kommer att leda till att tomten ligger något bakom den ursprungliga serien. Till exempel kommer ett 31 dagars enkelt glidande medelvärde att sänka pristidsserien med 15 dagar. Lag är mycket oönskat eftersom ett handelssystem som använder den informationen kommer att ha sin handel försenad. Sena affärer kan många gånger vara värre än inga affärer alls, eftersom du kanske köper eller säljer på fel sida av marknadens cykel. Följaktligen gjordes många försök för att minimera fördröjningen, var och en med sina egna brister. Försvinnande fördröjning utan att förenkla antaganden (t ex att data består av överlagda cykler, dagliga prisändringar med en Gaussfördelning, alla priser är lika viktiga etc.) är inte en triviell uppgift. I slutändan måste JMA grunda sig på samma teknik som militären använder för att spåra rörliga föremål i luften med ingenting annat än sin bullriga radar. JMA ser prisets tidsserie som en högljudd bild av ett rörligt mål (det underliggande glatta priset) och försöker att uppskatta platsen för det verkliga målet (jämnt pris). Den proprietära matematiken är modifierad för att ta hänsyn till de särskilda egenskaperna hos en ekonomisk tidsserie. Resultatet är en silkeslen mjuk kurva som inte ger några antaganden om att data har några cykliska komponenter alls. Följaktligen kan JMA vända kvot ett dimequot om marknaden (flyttande mål) bestämmer sig för att vända riktning eller gapuppdatering med något belopp. Inget prisavstånd är för stort. DEL 2. ALLA ELLER Efter flera års forskning bestämde vi Jurik Research att det perfekta brusreduceringsfiltret för finansiella data har följande krav: Minsta lagring mellan signal och pris, annars kommer handelsutlösare att komma sent. Minsta överskridande, annars ger signal felaktiga prisnivåer. Minsta underskott, annars går tiden förlorad och väntar på konvergens efter prisspridningar. Maximal jämnhet, förutom just nu när prisspridningar går till en ny nivå. När man mäter upp till dessa fyra krav, utförs alla populära filter (utom JMA) dåligt. Här är en sammanfattning av de mer populära filtren. Viktigt rörande medelvärde - inte responsivt mot luckor Exponentiell rörelsegradsmätning - Överdriven underskridande bullriga Adaptiva rörliga medelvärden - (inte våra) som normalt bygger på överskrivna antaganden om marknadsaktivitet lätt lurad Regressionslinje - inte lyhörd för luckor överflödiga FFT-filter - lätt förvrängd av icke-gaussiskt brus i datafönster är vanligtvis för liten för att exakt bestämma sanna cykler. FIR-filter - har lag som kallas quotgroup delayquot. Helt enkelt inte om du inte vill klippa några hörn. Se quotBand-Passquot-filter. Band-Pass-filter - ingen lag bara vid frekvensbandets frekvens tenderar att oscillera och överstiga faktiska priser. Maximal Entropy-filter - lätt förvrängd av icke-Gaussisk ljud i datafönstret är vanligtvis för liten för att exakt bestämma sanna cykler. Polynomiefilter - inte svar på luckor överdriven överskott JMA integrerar däremot informationsteori och adaptiv icke-linjär filtrering på ett unikt sätt. Genom att kombinera en bedömning av informationsinnehållet i en tidsserie med kraften av adaptiv icke-linjär transformation, trycker resultatet på det teoretiska kvotutrymme på finansiell tidsseriefiltrering nästan så långt det går. Något mer och gå upp mot Heisenburgs osäkerhetsprincip (något ingen har övervunnit, eller någonsin vill). Såvitt vi vet är JMA det bästa. Vi bjuder någon att visa oss annars. För mer jämförande analys av bristerna hos populära filter, ladda ner vår rapport citationsteckenEn evolution of Moving Averagesquot från vår Special Reports-avdelning. Se vår jämförelse med andra populära filter. Varför har JMA en PHASE-parameter. Det finns två sätt att minska bruset i en tidsserie med JMA. Genom att öka LENGTH-parametern kommer JMA att röra sig långsammare och därigenom minska bruset på bekostnad av tillagd fördröjning. Alternativt kan du ändra mängden quotinertiaquot som ingår i JMA. Tröghet är som fysisk massa, ju mer du har desto svårare är det att vända riktning. Så ett filter med mycket tröghet kommer att kräva mer tid att vända riktning och därigenom minska bruset på bekostnad av överskridning under omkastningar i tidsserierna. Alla starka ljudfilter har fördröjning och överskridande, och JMA är inget undantag. Men JMAs justerbara parametrar PHASE and LENGTH erbjuder dig ett sätt att välja den optimala övergången mellan lag och överskridande. Detta ger dig möjlighet att finjustera olika tekniska indikatorer. Exempelvis visar diagrammet (till höger) en snabb JMA-linjeöverföring över en långsammare JMA-linje. För att göra den snabba JMA-linjen vänd kvot ett dimequot när marknaden vänder sig, var den inställd att inte ha någon inerti. I motsats härtill är den långsamma JMA inställd att ha stor tröghet och därigenom sakta ner sin förmåga att vända under marknadsomvandlingar. Detta arrangemang medför att den snabbare linjen passerar över den långsammare linjen så snabbt som möjligt och därigenom producerar lågslagsövergångssignaler. Det är uppenbart att användarkontrollen av en filter inerti ger betydande effekt över filter som saknar denna förmåga. Prövar JMA en tidsserie. Det förutser inte framtiden. JMA minskar bruset ganska mycket på samma sätt som ett exponentiellt rörligt medelvärde, men många gånger bättre. Kommer tidigare JMA-värden, som redan planeras, att ändras när nya data kommer fram. Nej. För någon punkt på en JMA-plot används endast historiska och aktuella data i formeln. Som en följd av att nya prisdata kommer fram på senare tidsspår, påverkas de värden som JMA redan har plottat, och ändras aldrig. Tänk också på fallet när den senaste fältet på ett diagram uppdateras i realtid när varje nytt fält anländer. Eftersom slutkursen för den senaste fältet sannolikt kommer att ändras, utvärderas JMA automatiskt för att återspegla den nya slutkursen. Historiska värden för JMA (på alla tidigare staplar) förblir dock opåverkade och ändras inte. Man kan skapa imponerande ser indikatorer på historiska data när det analyserar både tidigare och framtida värden kring varje datapunkt som behandlas. En formel som behöver se framtida värden i en tidsserie kan emellertid inte tillämpas i verklig handel. Det beror på att det inte finns några framtida värden när man beräknar dagens värde för en indikator. Alla Jurikindikatorer använder endast aktuella och tidigare tidsseriedata i sina beräkningar. Detta gör det möjligt för alla Jurik-indikatorer att fungera under alla realtidsförhållanden. Kan jag förbättra andra indikatorer med JMA Ja. Vi ersätter vanligtvis de mest rörliga genomsnittliga beräkningarna i klassiska tekniska indikatorer med JMA. Detta ger mjukare och mer aktuella resultat. Till exempel, genom att helt enkelt sätta in JMA i den standarda DMI-tekniska indikatorn, producerade vi DMX-indikatorn, som frigörs med din order av JMA. Har JMA någon speciell garanti Om du visar oss en icke-proprietär algoritm för ett glidande medelvärde som, när det kodas för att köras i antingen TradeStation, Matlab eller Excel VBA, utförs det kvoter än vårt glidande medelvärde på korta, medellånga och långa tidsramar av en slumpmässig promenad, återbetala din köpta användarlicens för JMA. Vad vi menar med quotbetterquot är att det i genomsnitt måste vara mjukare utan större genomsnittlig fördröjning än vår, ingen större genomsnittlig överskridande och inget större genomsnittligt underskott än vårt. Vad vi menar med quotshort, medium och long framesquot är att jämförelserna måste innehålla tre separata JMA-längder: 7 (kort), 35 (medium), 175 (lång). Vad vi menar med en slumpmässig promenad är en tidsserie som produceras av en kumulativ summa av 5000 noll-medel, Cauchy-fördelade slumptal. Denna begränsade garanti är bra för endast den första månaden då du har köpt en användarlicens för JMA från oss eller en av våra globala distributörer. Hur jämför JMA med andra filter. Kalman-filtret liknar JMA, eftersom båda är kraftfulla algoritmer som används för att uppskatta uppförandet av ett bullrigt dynamiskt system när allt du behöver arbeta med är bullriga datamätningar. Kalman-filtret skapar släta prognoser för tidsserierna och denna metod är inte helt lämplig för finansiella tidsserier, eftersom marknaderna är benägna att producera våldsamma gyrationer och prisspel, beteenden som inte är typiska för smidigt fungerande dynamiska system. Följaktligen ligger Kalman filterutjämning ofta bakom eller överskridit marknadspris tidsserier. JMA spårar däremot marknadspriserna noggrant och smidigt och anpassar sig till luckor samtidigt som man undviker oönskade överskott. Se diagram nedan för ett exempel. Ett filter som beskrivs i populära tidningar är Kaufmann glidande medelvärde. Det är ett exponentiellt rörligt medelvärde vars hastighet varierar beroende på prisverkningseffektivitet. Med andra ord, när prisåtgärden är i en klar trend med lite retracement, blir Kaufmann-filtret snabbare och när handlingen tränger sönder filtret. (Se diagram ovan) Även om dess adaptiva natur hjälper till att övervinna en del av fördjupningen som är typisk för exponentiella glidmedel, ligger den fortfarande betydligt bakom JMA. Lag är en grundläggande fråga för alla handlare. Kom ihåg att varje lag av lag kan fördröja dina affärer och förneka din vinst. Ett annat glidande medel som beskrivs i populära tidskrifter är Chandes VIDYA (Variable Index Dynamic Average). Indexet som används oftast inom VIDYA för att styra sin hastighet är prisvolatilitet. När kortvarig volatilitet ökar, är VIDYAs exponentiella glidande medel utformat för att röra sig snabbare, och när volatiliteten minskar sänks VIDYA. På ytan är det meningsfullt. Tyvärr har denna design en uppenbar brist. Trots att sidostörningar bör utjämnas noggrant, oavsett volatilitet, skulle en starkt flyktig period av trängsel vara noggrant spåras av VIDYA. Följaktligen kan VIDYA misslyckas med att ta bort oönskade ljud. Till exempel jämför diagrammet JMA med VIDYA, båda inställda för att spåra en nedåtgående trend lika bra. Under den efterföljande överbelastningen misslyckas VIDYA att släta ut prisspetsen medan JMA lyckas glida genom chattaren. I en annan jämförelse där både VIDYA och Juriks JMA hade samma jämnhet ser vi i diagrammet att VIDYA ligger bakom. Som nämnts tidigare kan sen timing enkelt stjäla dina vinster i någon handel. Två andra populära indikatorer är T3 och TEMA. De är smidiga och har liten lagring. T3 är det bättre av de två. Ändå kan T3 uppvisa ett allvarligt överskridande problem, vilket framgår av tabellen nedan. Beroende på din ansökan kanske du inte vill ha en indikator som visar en prisnivå som den verkliga marknaden aldrig uppnår, eftersom det oavsiktligt kan inleda oönskade affärer. Här är två kommentarer som hittades på relevanta Internetforum: quotT3-indikatorn är mycket bra (och Ive sjungit sin beröm innan, på den här listan). Ive hade dock möjlighet att ta fram några alternativa marknadsmätningar och jag släpper dem. Theyre ganska dåligt beteende ibland. När de släpper ut dem blir T3 instabilt och överskuggas dåligt, medan JMA seglar helt igenom dem. Quot - Allan Kaminsky allank xmission quotMy egen syn på JMA överensstämmer med vad andra har skrivit (Ive spenderade mycket tid visuellt att jämföra JMA till TEMA Jag skulle inte tänka nu om att använda TEMA istället för JMA).quot Steven Buss sbuss pacbell En artikel i jan 2000-numret av TASC beskriver ett glidande medel som konstruerades på 1950-talet för att ha låg lagring. Dess uppfinnare, Robert Brown, utformade quotModified Moving Averagequot (MMA) för att minska fördröjningen i uppskattade lager. I sin formel uppskattar linjär regression kurvornas aktuella momentum, vilket i sin tur används för att uppskatta vertikal fördröjning. Formeln subtraherar sedan uppskattad lagring från det rörliga genomsnittet för att få låga låga resultat. Denna teknik fungerar OK på välskötta (smidigt övergångs) prisdiagram, men då gör det också de flesta andra avancerade filter. Problemet är att den verkliga marknaden är allt annat än välskött. En sann mått på träning är hur bra ett filter fungerar på verkliga finansiella data, en egenskap som kan mätas med vårt väl etablerade batteri av benchmarktest. Dessa tester avslöjar att MMA överskott prisdiagram, som illustreras nedan. I jämförelse kan användaren ställa in en parameter i JMA för att justera mängden överskridande, till och med helt eliminera den. Valet är ditt. Kom ihåg att den sista du vill ha är en indikator som visar en prisnivå som den verkliga marknaden aldrig uppnår, eftersom detta oavsiktligt kan inleda oönskade affärer. Med MMA har du inget val och måste lägga på överskridande om du gillar det eller inte. (Se diagram nedan) I juli 2000 utgav TASC en artikel av John Ehlers som beskriver en quotModified Optimal Elliptical Filterquot (förkortad här som quotMEFquot). Detta är ett utmärkt exempel på klassisk signalanalys. I diagrammet nedan jämförs MEF till JMA vars parametrar (JMA längd7, fas50) sattes för att göra JMA lika lik MEF som möjligt. Jämförelsen visar dessa fördelar när man använder JMA: JMA reagerar på extrema prisgungar snabbare. Följaktligen kommer alla tröskelvärden som används för att utlösa signaler exekveras tidigare av JMA. JMA har nästan ingen överskridande, vilket gör det möjligt för signallinjen att noggrant spåra prisåtgärder direkt efter stor prisrörelse. JMA glider genom små marknadsrörelser. Detta gör att du kan fokusera på verkliga prisåtgärder och inte små marknadsaktiviteter som inte har någon verklig konsekvens. En favoritmetod bland ingenjörer för utjämning av tidsseriedata är att passa datapunkterna med ett polynom (ekv, en parabolisk eller kubisk spline). En effektiv konstruktion av denna typ är en klass som kallas Savitzy-Golay-filter. I diagrammet nedan jämförs JMA med ett kubiksplines (3: e ordning) Savitzy-Golay-filter, vars parametervärden valdes överst och gör det så nära JMA som möjligt. Observera hur lätt JMA glider genom regioner med handelsstockning. I motsats till detta är S-G-filtret ganska taggat. Tydligen är JMA återigen vinnaren. En annan teknik som används för att minska fördröjningen i ett glidande medelfilter är att lägga till en viss moment (lutning) av signalen till filtret. Detta minskar lag, men med två påföljder: mer buller och mer överskridande till prispivotpunkter. För att kompensera för buller kan man använda ett symmetriskt vägt FIR-filter, vilket är mjukare än ett enkelt rörligt medelvärde, vars vikter kan vara: 1-2-3-4-3-2-1 och justera sedan dessa vikter för att lägga till lite fördröjning reducera momentum. Effektiviteten av detta tillvägagångssätt visas i figuren nedan (röd linje). Även om FIR-filtret spårar priset noga, ligger det fortfarande bakom JMA och uppvisar större överskott. Dessutom har FIR-filtret fixat jämnhet och behöver redesignas för varje annan önskad smidighet. I jämförelse behöver användaren bara ändra en quotsmoothnessquot-parameter för JMA för att få önskad effekt. Inte bara skapar JMA bättre prisdiagram, men det kan också förbättra andra klassiska indikatorer. Tänk på den klassiska MACD-indikatorn, som är en jämförelse av två glidande medelvärden. Deras konvergens (rör sig närmare) och divergens (förskjutning) ger signaler om att en marknadsutveckling förändrar riktningen. Det är viktigt att du har så liten fördröjning som möjligt med dessa signaler, eller dina affärer kommer att vara sent. I jämförelse har en MACD skapad med JMA betydligt mindre lag än en MACD med hjälp av exponentiella glidande medelvärden. För att illustrera denna påstående är nedanstående figur ett hypotetiskt pristabell förenklat för att förbättra de viktigaste frågorna. Vi ser lika stora barer i en stigande trend, avbruten av ett plötsligt nedåtgående gap. De två färgade linjerna är exponentiella glidande medelvärden som utgör en MACD. Observera att crossover sker länge efter klyftan, vilket gör att en handelsstrategi väntar och handlar sent, om alls. Om du försökte påskynda tidsindikatorn för denna indikator genom att göra de snabbare medeltalen snabbare, skulle linjerna bli bullere och mer skyggade. Detta tenderar att skapa falska utlösare och dåliga affärer. Å andra sidan visar diagrammet nedan den blå JMA som snabbt anpassas till den nya prisnivån, vilket möjliggör tidigare övergångar och tidigare beteckning av en pågående uptrend. Nu kan du komma in på marknaden tidigare och rida en större del av trenden. Till skillnad från det exponentiella glidande medlet har JMA en ytterligare parameter (PHASE) som låter användaren justera omfattningen av överskridande. I diagrammet ovan var JMA-gula linjen tillåtet att överskugga mer än den blåa. Detta ger idealiska övergångar. En av de svåraste funktionerna att designa i ett utjämningsfilter är ett adaptivt svar på prisspridningar utan att överskrida den nya prisnivån. Detta gäller speciellt för filterdesigner som använder filtorns egen kraft som ett sätt att minska fördröjningen. I följande diagram jämförs överskridandet av JMA och Hull-glidande medelvärdet (HMA). Parameterns inställningar för de två filtren var inställda så att deras stabila prestanda var nästan identiska. En annan designfråga är huruvida filtret kan behålla samma uppenbara smidighet under omkastningar som under trender. Diagrammet nedan visar hur JMA behåller nära konstant jämnhet under hela cykeln, medan HMA oscillerar vid reverseringar. Detta skulle innebära problem för strategier som utlöser handel baserat på huruvida filtret rör sig upp eller ner. Slutligen finns det fallet när prisskillnaderna uppåt och sedan går tillbaka i en nedåtgående trend. Detta är särskilt svårt att spåra vid tillfället av reträtt. Lyckligtvis har adaptiva filter en mycket enklare tid som indikerar när en reversering inträffade än fasta filter, som visas i tabellen nedan. Naturligtvis finns det bättre filter än JMA, mestadels används av militären. Men om du är i branschen att spåra bra affärer och inte fiendeflygplan, är JMA det bästa prisvärda brusreducerande filtret tillgängligt för finansmarknadsdata. Vi garanterar det.
No comments:
Post a Comment