Hull Flytting Gjennomsnittet Vs Jurik


Flyttende gjennomsnitt Stuff. Motivated via e-post fra Robert B. I få denne e-posten spør om Hull Moving Average HMA og. Og du har aldri hørt om det før det er riktig. Faktisk, da jeg googlede, oppdaget jeg mange bevegelige gjennomsnitt som jeg aldri hadde hørt om, for eksempel. Zero Lag eksponentielt Moving Average. Wilder Moving Average. Største Square Moving Average. Triangular Moving Gjennomsnitt. Adaptiv Moving Average. Jurik Moving Average. Så Så jeg trodde vi snakket om å flytte gjennomsnitt og. Haven har du gjort det før, som her og her og her og her og Ja, ja, men det var før jeg visste om alle disse andre bevegelige gjennomsnittene Faktisk var de eneste jeg spilte med, disse hvor P 1 P 2 P n er de siste n aksjekursene P n er den nyeste. Simple Moving Gjennomsnitt SMA P 1 P 2 P n K hvor K n. Vektet Flytende Gjennomsnittlig WMA P 1 2 P 2 3 P 3 n P n K hvor K 1 2 nnn 1 2.Exponentiell Flytende Gjennomsnittlig EMA P n Pn-1 2 P n-2 3 P n-3 K hvor K 1 2 1 1. Hvem har jeg aldri sett den EMA-formelen før jeg alltid har lest det var Ja, det er normalt skrevet forskjellig, men jeg ville vise at disse tre har lignende resepter Se EMA-ting her og her Faktisk ser de alle ut. Merk at hvis alle Ps er lik, si Po, så er det glidende gjennomsnittet lik Po som Vel, og det er måten noen selvrespektive gjennomsnitt skulle oppføre seg på. Så som er best Definer best. Here er noen bevegelige gjennomsnitt, forsøker å spore en rekke aksjekurser som varierer i sinusformet mote. Aksjekurser som følger en sinuskurve Hvor fant du et lager på denne måten Vær oppmerksom på at de vanligste bevegelige gjennomsnittene SMA, WMA og EMA når deres maksimum senere enn sinuskurven Det er lag og. Men hva med den HMA-fyren Han ser ganske bra Ja, og det er det vi vil snakke om Indeed. Og hva er det 6 i HMA 6 og jeg ser noe som heter MMA 36 og Tålmodighet. Hull Moving Average. We begynner med å beregne 16-dagers vektet Flytende gjennomsnittlig WMA som 1 WMA 16 P 1 2 P 2 3 P 3 16 P n K med K 1 2 16 136 Selv om det er fint og smoooth, vil det ha et lag større enn vi liker. Så ser vi på 8-dagers WMA. Jeg liker det Ja, det følger prisvariasjoner ganske pent, men det er mer Mens WMA 8 ser på nyere priser, har det fortsatt et lag, så vi ser hvor mye WMA har endret seg når det går fra 8-dagers til 16-dagers Denne forskjellen vil se slik ut På en måte gir den forskjellen noen indikasjon på hvordan WMA endrer seg, slik at vi legger til denne endringen i vår tidligere WMA 8 for å gi 2 MMA 16 WMA 8 WMA 8 - WMA 16 2 WMA 8 - WMA 16. MMA Hvorfor kaller det MMA jeg stutter. Uansett, vil MMA 16 se slik ut. Jeg vil ta det Patience der er mer Nå presenterer vi den magiske transformasjonen og får ta-DUM. Det er Hull Ja som jeg forstår det. Men hva er det magiske ritualet Etter å ha generert en serie MMA s som involverer 8-dagers og 16-dagers vektede glidende gjennomsnitt, stirrer vi nøye på denne sekvensen av tall. Da beregner vi WMA de siste 4 dagene som gir Hull Moving Average at vi har ringt til HMA 4. Huh 16 dager deretter 8 dager deretter 4 dager Kaster du en mynt for å se hvor mange Du velger et antall dager, for eksempel n 16 Så ser du på WMA n og WMA n 2 og beregner MMA 2 WMA n 2 - WMA n I vårt eksempel er det 2 WMA 8 - WMA 16 Da beregner du WMA sqrt n ved hjelp av bare de siste sqrt n tallene fra MMA-serien I vårt eksempel beregner d en WMA 4 ved hjelp av MMA serie. Og for det morsomme SINE-kartet Hvordan gjør det det. Så hvor er regnearket jeg fortsatt jobber med Det er interessant å se hvordan de ulike bevegelige gjennomsnittene reagerer på pigger. Er HMA virkelig et vektet glidende gjennomsnitt. Nå, la oss se. Vi har MMA 2 WMA 8 - WMA 16 2 P 1 2 P 2 3 P 3 8 P n 36 - P 1 2 P 2 3 P 3 16 P n 136 eller MMA 2 1 36 - 1 136 P 1 2 P 2 8 P 8 - 1 136 9 P 9 10 P 10 16 P 16.For sanitære grunner skriver vi dette slik MMA w 1 P 1 w 2 P 2 w 16 P 16 Legg merke til at alle vekter legger til 1 Videre, wk 2 1 36 - 1 136 K for K 1, 2 8 og wk - 1 136 K for K 9, 10 16. Deretter gjør du den magiske kvadratroterritalen hvor sqrt 16 4 vi husker at P 16 er den nyeste verdien HMA 4-dagers WMA for de ovennevnte MMAene. W 1 P 1 W 2 P 2 W 16 P 16 2 W 1 P 0 W 2 P 1 W 16 P 15 3 w 1 P -1 w 2 p 0 w 16 p 14 4 w 1 p -2 w 2 p -1 w 16 p 13 10 bemerker det 1 2 3 4 10. Huh P 0 P -1 Hva MMA 16 bruker de siste 16 dagene, tilbake til prisen vi kaller P 1 Hvis vi beregner det 4-dagers vektede gjennomsnittet av disse MMA-ene, bruker vi i går s MMA, og det går tilbake 1 dag før P 1 og dagen før, går MMA tilbake til 2 dager før P 1 og dagen før det. Ok, så du ringer dem priser P 0 P -1 Du har det. Så en 16-dagers HMA bruker faktisk info som går tilbake mer enn 16 dager, du har det. Men det er negative vekter for dem gamle priser Er det lovlig Beviset er i. Ja, beviset er i pudding Så hva gjør regnearket Så langt ser det ut til dette Klikk på bildet for å laste ned Du kan velge en SINE-serie eller en RANDOM-serie av aksjekurser. For det siste, hver gang du klikker på en knapp du får et annet sett av priser Da kan du velge antall dager som er vår n For eksempel brukte vi n 16 til vårt eksempel, over Ytterligere, hvis du velger SINE-serien, kan du introdusere pigger og flytte dem langs diagrammet som dette. Merk at vi har brukt n 16 og n 36 i bildet av regnearket årsaken n 2 og sqrt n er begge heltall Hvis du bruker noe som n 15, bruker regnearket INT eger-delen av n 2 og sqrt n, nemlig 7 og 3. Så er Hull Moving Average den beste Definer best. Hva med det Jurik Average Jeg vet ingenting om det Det er proprietært og du må betale for å bruke det, men spill med flytende gjennomsnitt. En annen Moving Average. Suppose det, i stedet for vektet Moving Average hvor vektene er proporsjonale med 1, 2 , 3 vi bruker det magiske Hull-ritualet med eksponentielt flytende gjennomsnitt. Det er vi vurderer. MAg 2 EMA n 2 - EMA n. MAg Ja, det er M oving En ver g g e eller M oving En ver e g eneralisert eller M oving A verage g rand eller. Eller M oving A verage g ummy Vær oppmerksom Vi velger vårt favoritt antall dager, som n 16, og beregner MAg n, k EMA nk - 1- EMA n Vi kan leke med og k og se hva vi får For eksempel her er noen få MAgs der vi stikker til 16 dager, men endrer verdiene til og k. MAg 16 2 EMA 4 - EMA 16.MAg 16 1 5 EMA 5 - 0 5 EMA 16. Legg merke til at når vi velger k 3, får vi nk 16 3 5 333 som vi bytter til ren og enkel 5 0. Hvorfor holder du deg ikke med Hull s valg 2 og k 2 God idé Vi får dette. MAg 16 2 EMA 8 - EMA 16. Ser ut som diagrammet med 1 5 og k 3 Det gjør det, gjorde du det igjen Muligens Så hva med den kvadratroterritalen jeg la det som en øvelse for deg. Okay, mens du spiller med den MAg-tingen, finner jeg at Hull sk 2 fungerer ganske bra så vi vil holde fast ved det. Vi får imidlertid ofte et ganske fint gjennomsnitt når vi legger til et lite stykke endringen EMA n 2 - EMA n Faktisk vil vi legge til bare en brøkdel av den endringen som gir MAg n, EMA n 2 EMA n 2 - EMA n Det er, vi velger 0 5 eller kanskje bare 0 25 eller hva som helst og bruk. For eksempel, hvis vi sammenligner våre gaggle med bevegelige gjennomsnitt som de sporer en STEP-funksjon, får vi dette, hvor vi legger til MAg bare 1 2 av endringen Ja, men hva er det beste verdien av beta Definer best Vær oppmerksom på at beta 1 er Hull-valget, med unntak av at vi bruker EMAer istedenfor WMAs. Og du slipper ut den firkantede tingen. Uh, ja jeg glemte det. Merk Regnearket endres fra time til time. Det ser for øyeblikket ut som dette. noe å spille med. Jeg fikk meg et regneark som ser ut som dette klikket på bildet for å laste ned. Du velger en aksje og klikker på en knapp og får et års verdi av daglige priser. Du velger enten HMA eller MAg, endrer antall dager, og for MAg, parameteren, og se når du skal kjøpe ro SELL. Når Basert på hvilke kriterier Hvis det bevegelige gjennomsnittet er NED x fra sitt maksimum i løpet av de siste 2 dagene, KJØPER I eksempelet x 1 0 Hvis det er OP Y fra sitt minimum de siste 2 dagene, selger du i eksempelet, y 1 5 Du kan endre verdiene for x og y. Er det noe bra disse kriteriene sa jeg at det var noe å leke med. Det er denne andre utjevningsteknikken kalt Hodrick-Prescott-filteret. Med hjelp av Ron McEwan er den nå inkludert i dette regnearket. Er det noe bra? Spill med det Du vil merke at det er en parameter du kan endre i celle M3 og KJØP og SELL signaler. FAQs på JMA Hva er teorien bak JMA Hvorfor har JMA en PHASE-parameter? Foreslår JMA en tidsserie Will Tidligere JMA-verdier, som allerede er tegnet, endres når nye data kommer. Kan jeg forbedre andre indikatorer ved hjelp av JMA. Har JMA noen spesiell garanti. Hvordan sammenligner JMA med andre filtre. GENERELLE TOPPER på JURIK TOOLS Kan verktøyene plotte mange kurver på hver av mange diagrammer Kan verktøyene behandler alle typer data Kan verktøyene fungere i sanntid Er algoritmene avslørt eller svartboksede Do Jurik-verktøy trenger å se på fremtiden for en tidsserie Gir verktøyene like verdier på alle plattformer TradeStation, Multicharts Do Jurik s verktøy leveres med en garanti Hvor mange installasjonspassord får jeg. Hva er Theory Behind JMA. PART 1 PRICE GAPS. Smoothing tidsserie data, for eksempel daglige aksjekurser, for å fjerne uønsket støy vil uunngåelig produsere en gra ph-indikatoren som beveger seg langsommere enn den opprinnelige tidsserien. Denne tregheten vil føre til at plottet lagrer noe bak den opprinnelige serien. For eksempel vil et 31 dagers enkelt glidende gjennomsnitt forsinke pristidsserien med 15 dager. Lag er svært uønsket fordi et handelssystem Bruk av denne informasjonen vil ha sin handel forsinket. Senere handler kan mange ganger være verre enn ingen handler i det hele tatt, ettersom du kan kjøpe eller selge på feil side av markedssyklusen. Mange forsøk ble derfor gjort for å minimere lag, hver med sine egne failings. Conquering lag samtidig som det ikke blir forenklet forutsetninger, for eksempel at data består av overordnede sykluser, daglige prisendringer som har en Gauss-distribusjon, alle priser er like viktige, osv. er ikke en triviell oppgave. Til slutt måtte JMA basere seg på samme teknologi som militære bruksområder for å spore bevegelige gjenstander i luften ved hjelp av noe mer enn deres støyende radar. JMA ser prisen tidsserier som et støyende bilde av et bevegelige mål den underliggende glatte prisen og prøver å estimere plasseringen av den virkelige målet jevn pris Den proprietære matematikken er modifisert for å ta hensyn til de spesielle egenskapene til en finansiell tidsserie. Resultatet er en myk jevn kurve som ikke gir noen antagelser om at dataene har noen sykliske komponenter. Derfor kan JMA derfor slå på en krone dersom markedets bevegelige mål bestemmer seg for å snu retning eller gap opp med noe beløp. Ingen prisgap er for stor. PART 2 ALLE ELSE. Etter flere års forskning har vi Jurik Research bestemt at det perfekte støyreduksjonsfilteret for økonomisk data har følgende krav. Minimum lag mellom signal og pris, ellers handel utløsere kommer sent. Minimum overshoot, ellers signal produserer falske prisnivåer. Minimum underskudd, ellers tiden går tapt og venter på konvergens etter prisgap. Maximum glatthet, bortsett fra for øyeblikket når prisen går til et nytt nivå. Når målt opp til disse fire kravene, utfører alle populære filtre unntatt JMA dårlig Her jeg et sammendrag av de mest populære filtre. Vektet Flytende Gjennomsnitt - Ikke responsivt på hull. Eksponentiell Flytende Gjennomsnittlig - For mye underskudd, støyende. Adaptive Moving Averages - ikke vårs basert på forklumpede forutsetninger om markedsaktivitet, lett lurt. Regresjonslinje - ikke responsive til huller overdreven overshoot. FFT filtre - lett forvrengt av ikke-Gaussisk støy i datavinduet er vanligvis for liten til nøyaktig å bestemme ekte sykluser. FIR-filtre - har lag kjent som gruppetrykk. Ikke rundt det, med mindre du vil kutte noen hjørner Se Band-Pass-filtre. Band-Pass-filtre - ingen lag bare i midten av frekvensbåndet har en tendens til å oscillere og overskrive de faktiske prisene. Maksimal Entropy-filtre - lett forvrengt av ikke-Gaussisk støy i datavinduet er vanligvis for liten til nøyaktig bestemme ekte sykluser. Polynomialfiltre - ikke reagerer på hull i overdreven overshoot. I kontrast integrerer JMA informasjonsteori og adaptiv ikke-lineær filtrering på en unik måte. Ved å kombinere en vurdering av informasjonsinnholdet i en tidsserie med kraften til adaptiv, ikke-lineær transformasjon, presser resultatet den teoretiske konvolutten på økonomisk tidsseriefiltrering nesten så langt det kan gå. Mer og vi er opp mot Heisenburg s Usikkerhetsprinsipp noe ingen har overvinnet, eller noensinne vil. Så langt vi vet, er JMA det beste. Vi inviterer noen til å vise oss ellers. For mer komparativ analyse av feilene i populære filtre, last ned vår rapport Utviklingen av bevegelige gjennomsnitt fra vår spesialavdelingen. Se vår sammenligning med andre populære filtre. Hvorfor har JMA en PHASE-parameter. Det er to måter å redusere støy i en tidsserie ved hjelp av JMA. Ved å øke LENGTH-parameteren vil JMA bevege seg langsommere og derved redusere støy på bekostning av ekstra lag. , du kan endre mengden av treghet som finnes i JMA Inerti er som fysisk masse, jo mer du har, desto vanskeligere er det å vende retning. Så et filter med mye av treghet vil kreve mer tid for å reversere retningen og dermed redusere støy på bekostning av overskygging under reverseringer i tidsseriene. Alle sterke støyfilter har lag og overshoot, og JMA er ikke noe unntak. JMAs justerbare parametre PHASE and LENGTH tilbyr en måte å velge den optimale avstanden mellom lag og overskudd Dette gir deg muligheten til å finjustere ulike tekniske indikatorer. For eksempel viser diagrammet til høyre en rask JMA-linjeovergang over en tregere JMA-linje. For å gjøre den raske JMA-linjeskiftet På en krone når markedet reverserer, var det satt til å ha ingen inerti. I motsetning var den langsomme JMA satt til å ha stor inerti og derved redusere evnen til å vende under markedsomvendelser. Dette arrangementet fører til at den raskere linjen krysser over den langsommere linjen så raskt som mulig, og derved produsere lavforsinkelsesovergangssignaler. Det er klart at brukerstyring av filterets tröghet gir betydelig kraft over filtre som mangler denne kapasiteten. ima - series. It prognostiserer ikke fremtiden. JMA reduserer støy ganske mye på samme måte som et eksponentielt glidende gjennomsnitt, men mange ganger bedre. Vil tidligere JMA-verdier, allerede plottet, endres etter hvert som nye data kommer. Nei For et punkt på en JMA-plot, blir bare historiske og nåværende data brukt i formelen. Da nye prisdata ankommer på senere tidsluker, blir disse verdiene av JMA allerede plottet ikke påvirket og endres aldri. Også vurdere saken når den nyeste linjen på et diagram oppdateres i sanntid etter hvert som hvert nytt kryss kommer. Siden sluttkursen for den nyeste linjen vil sannsynligvis endres, blir JMA automatisk revurdert for å reflektere den nye sluttkurs. Men historiske verdier av JMA på alle tidligere barer forblir upåvirket og gjør ikke endre. En kan skape imponerende lette indikatorer på historiske data når den analyserer både fortid og fremtidige verdier rundt hvert datapunkt som behandles. En formel som trenger å se fremtidige verdier i en tidsserie, kan ikke være app lied i real world trading Dette skyldes at når du beregner dagens verdi av en indikator, eksisterer fremtidige verdier. Alle Jurik-indikatorer bruker bare nåværende og tidligere tidsseriedata i beregningene. Dette gjør at alle Jurik-indikatorer kan fungere under alle sanntidssituasjoner. Kan jeg forbedre andre indikatorer ved å bruke JMA. Yes Vi erstatter vanligvis de mest bevegelige gjennomsnittlige beregningene i klassiske tekniske indikatorer med JMA Dette gir jevnere og mer rettidige resultater. For eksempel ved å bare sette inn JMA i standard DMI-teknisk indikator, produserte vi DMX-indikatoren, som leveres gratis med bestillingen din av JMA. JMA har noen spesiell garanti. Hvis du viser oss en ikke-proprietær algoritme for et glidende gjennomsnitt som når det kodes for å kjøre i enten TradeStation, Matlab eller Excel VBA, fungerer det bedre enn vårt bevegelige gjennomsnitt Kort, mellomlang og lang tidsramme av en tilfeldig tur, vi vil refundere din kjøpte brukerlisens for JMA. Hva vi mener med bedre er at det må være i gjennomsnitt jevnere med ikke større gjennomsnittlig lag enn vår, ikke større gjennomsnittlig overskridelse og ikke større gjennomsnittlig underskudd enn vår. Hva vi mener med korte, mellomstore og lange tidsrammer er at sammenligningene må inneholde tre separate JMA-lengder 7 kort, 35 medium, 175 lange ved en tilfeldig spasertur er en tidsserie produsert av en kumulativ sum på 5000 null-gjennomsnittlige Cauchy-fordelte tilfeldige tall. Denne begrensede garantien er bra for bare den første måneden da du har kjøpt et brukerlisens for JMA fra oss eller en av våre verdensomspennende distributører. Hva sammenligner JMA med andre filtre. Kalman-filteret ligner på JMA fordi begge er kraftige algoritmer som brukes til å estimere oppførelsen til et støyende dynamisk system når alt du trenger å jobbe med er støyende datamålinger Kalman-filteret skaper jevne prognoser av tidsserien, og denne metoden er ikke helt hensiktsmessig for finansielle tidsserier da markedene er tilbøyelige til å produsere voldelige gyrasjoner og prisgap, oppførsel ikke typisk for jevnt opp Drift av dynamiske systemer Følgelig slår Kalman filterutjevning ofte seg bak eller overskrider markedspris-tidsserier. I motsetning til dette følger JMA tett og jevnt markedsprisene, og tilpasser seg hull og unngår uønskede overskudd. Se diagrammet nedenfor for et eksempel. Et filter som er beskrevet i populære magasiner, er Kaufmann glidende gjennomsnitt Det er et eksponentielt glidende gjennomsnitt hvis hastigheten varierer i henhold til prisaktivitetseffektivitet Med andre ord, når prisaktiviteten er i en klar trend med lite retracement, øker Kaufmann-filteret, og når handlingen er overbelastet, senker filteret Se diagram over Selv om den adaptive naturen bidrar til å overvinne noen av lagene som er typiske for eksponentielle glidende gjennomsnitt, ligger det fortsatt betydelig bak JMA Lag er et grunnleggende problem for alle handelsmenn. Husk at hvert lag av forsinkelse kan forsinke dine handler og nekte deg fortjeneste. En annen bevegelse Gjennomsnittlig beskrevet i populære magasiner er Chande s VIDYA Variable Index Dynamic Average. Indeksen brukte oftest insi de VIDYA for å styre sin hastighet er prisvolatilitet Etter hvert som kortvarig volatilitet øker, er VIDYAs eksponentielle glidende gjennomsnitt utviklet for å bevege seg raskere, og ettersom volatiliteten minker, reduserer VIDYA. På overflaten er dette fornuftig. Dessverre har dette designet en åpenbar feil Selv om sidelengs overbelastning skal bli grundig utjevnet uavhengig av volatiliteten, vil en svært volatil overbelastning bli nøye sporet ikke utjevnet av VIDYA. VIDYA kan derfor mislykkes i å fjerne uønsket lyd. For eksempel sammenligner kartet JMA med VIDYA, begge satt til Spor en nedadgående trend like bra Men i løpet av den påfølgende overbelastningen, unnlater VIDYA å jevne ut prispistene mens JMA lykkes glidende gjennom chatter. I en annen sammenligning hvor både VIDYA og Jurik s JMA ble satt til å ha samme glatthet, ser vi i diagrammet som VIDYA lagrer seg som tidligere nevnt, kan sen timing lett stjele fortjenesten din i enhver handel. To andre populære indikatorer er T3 og TEMA Th øynene er glatte og har lite lag T3 er bedre av de to. T3 kan imidlertid vise et alvorlig overshoot problem, som vist i diagrammet nedenfor. Avhengig av søknaden din, vil du kanskje ikke ha en indikator som viser et prisnivå det virkelige markedet aldri oppnådde , da dette kan utilsiktet påbegynne uønskede handler. Her er to kommentarer funnet på relevante internetfora. T3-indikatoren er veldig bra, og jeg har sunget rosene sine før, på denne listen. Jeg har imidlertid hatt muligheten til å utlede noen alternative markedsmålinger og jeg glatter dem. De blir ganske dårlig opptrådt i tider. Når de utjevner dem, blir T3 ustabil og overshoots dårlig, mens JMA seiler rett gjennom dem - Allan Kaminsky allank xmission. Min egen oppfatning av JMA er i tråd med hva andre har skrevet jeg brukte mye tid på å visuelt sammenligne JMA med TEMA. Jeg ville ikke tenke nå om å bruke TEMA i stedet for JMA Steven Buss sbuss pacbell. En artikkel i jan 2000-utgaven av TASC beskriver et glidende gjennomsnitt desi gned på 1950-tallet for å ha lavt lag. Oppfinnerens, Robert Brown, designet den Modified Moving Average MMA for å redusere forsinkelsen i estimerende varebeholdninger. I sin formel estimerte lineær regresjon kurven s nåværende momentum, som igjen brukes til å estimere vertikal lag The formelen trekker deretter estimert lag fra det bevegelige gjennomsnittet for å få lavforsinkelsesresultater Denne teknikken fungerer OK på veloppdragen, jevnt overgangende prisdiagrammer, men så igjen gjør også de fleste andre avanserte filtre Problemet er at det virkelige markedet er alt annet enn godt opptatt. ekte måle på fitness er hvor godt et filter fungerer på ekte finansdata, en egenskap som kan måles med vårt veletablerte batteri av benchmarktester. Disse testene viser at MMA overshoots prisdiagrammer, som illustrert nedenfor. Til sammenligning kan brukeren sette en parameter i JMA for å justere mengden overskygging, selv helt eliminere det. Valget er ditt Husk at det siste du vil ha er en indikator som viser et prisnivå th e ekte marked aldri oppnådd, da dette kan utilsiktet påbegynne uønskede handler Med MMA har du ikke noe valg, og du må overskride om du liker det eller ikke. Se diagrammet nedenfor. Juli 2000-utgaven av TASC inneholdt en artikkel av John Ehlers som beskriver en Modifisert Optimal Elliptisk Filter Forkortet her som MEF Dette er et flott eksempel på klassisk signalanalyse Tabellen nedenfor sammenligner MEF til JMA hvis parametere JMA lengde 7, fase 50 ble satt til å gjøre JMA tilnærmet MEF som mulig. Sammenligningen avslører disse fordelene når du bruker JMA. JMA reagerer på ekstreme pris svinger raskere Følgelig vil eventuelle terskelverdier som brukes til å utløse signaler, bli utført tidligere av JMA. JMA har nesten ingen overskudd, noe som gjør at signallinjen lettere kan følge prishandling rett etter stor prisbevegelse. JMA glir gjennom små markedsbevegelser Dette tillater deg å fokusere på reell pris handling og ikke liten markedsaktivitet som ikke har noen reell konsekvens. En favoritt metode blant en gineers for utjevning av tidsseriedata er å passe datapunktene med en polynomisk eq, en parabolisk eller kubisk spline En effektiv konstruksjon av denne typen er en klasse kjent som Savitzy-Golay-filtre. Tabellen nedenfor sammenligner JMA med en kubisk spline 3. rekkefølge Savitzy - Golay filter, hvis parameterinnstillinger ble valgt topp gjør det så nær JMA som mulig. Legg merke til hvor jevn JMA glir gjennom områder med handelsstopp. I motsetning er SG-filteret ganske tynt. JMA er nok en gang vinneren. En annen teknikk brukes til å redusere forsinkelsen i et bevegelig gjennomsnittsfilter er å legge til noe momentum av signalet til filteret. Dette reduserer lag, men med to straffer blir det mer støy og mer overskudd på prispivotpunkter. For å kompensere for støy kan man bruke en symmetrisk vektet FIR filter, som er jevnere enn et enkelt bevegelige gjennomsnitt, hvis vekter kan være 1-2-3-4-3-2-1 og deretter justere disse vekter for å legge til noe lagreduserende momentum. Effektiviteten av denne tilnærmingen er vist i figu re under rød linje Selv om FIR-filteret sporer pris tett, ligger det fortsatt bak JMA og viser større overskudd. I tillegg har FIR-filteret jevnhet og må redesignes for hver annen ønsket glatthet. Til sammenligning trenger brukeren bare å endrer en jevnhetsparameter for JMA for å få ønsket effekt. Ikke bare produserer JMA bedre prisdiagrammer, men det kan også forbedre andre klassiske indikatorer. For eksempel, se på den klassiske MACD-indikatoren, som er en sammenligning av to glidende gjennomsnitt. konvergensen beveger seg nærmere og divergensen beveger seg fra hverandre, gir signaler om at en markedstendens forandrer retning. Det er kritisk at du har så lite forsinkelse som mulig med disse signalene, eller dine handler vil bli sent. Til sammenligning har en MACD opprettet med JMA betydelig lavere lag enn en MACD bruker eksponentielle bevegelige gjennomsnitt. For å illustrere denne påstanden, er figuren under et hypotetisk prisdiagram forenklet for å forbedre de viktigste problemene vi ser e like store barer i en stigende trend, avbrutt av en plutselig nedadgående spalte. De to fargete linjene er eksponentielle glidende gjennomsnitt som utgjør en MACD. Merk at crossover oppstår lenge etter gapet, og forårsaker en handelsstrategi å vente og handle sent, hvis i det hele tatt. Hvis du prøvde å øke hastigheten på tidsindikatoren for denne indikatoren ved å gjøre de bevegelige gjennomsnittene raskere, vil linjene bli mer lydende og mer ekte. Dette har en tendens til å skape falske utløsere og dårlige handler. På den annen side viser diagrammet nedenfor den blå JMA justerer raskt til det nye prisnivået, noe som tillater tidligere overganger og tidligere betegnelse av en uptrend pågår Nå kan du gå inn på markedet tidligere og ri en større del av trenden. I motsetning til det eksponentielle glidende gjennomsnittet, har JMA en ekstra parameter FASE som lar brukeren justerer omfanget av overskyting I diagrammet ovenfor ble JMA gule linje tillatt å overskride mer enn det blå. Dette gir ideelle kryssoverganger. En av de vanskeligste funksjonene til å designe som moothing filter er en adaptiv respons på prisgap uten å overskride det nye prisnivået Dette gjelder spesielt filterdesign som bruker filterets egen fart som en måte å redusere lagring på. Følgende diagram sammenligner overskridelse av JMA og Hull-glidende gjennomsnitt HMA Parameteren Innstillingene for de to filtrene ble satt slik at deres konstante ytelse var nesten identisk. Et annet designproblem er om filteret kan beholde samme tilsynelatende jevnhet under reverseringer som under trender. Tabellen nedenfor viser hvordan JMA beholder nær konstant glatthet gjennom hele syklus, mens HMA oscillerer ved reverseringer Dette vil utgjøre problemer for strategier som utløser handler basert på om filteret beveger seg opp eller ned. Det er sist når prisforskjeller opp og deretter trekkes tilbake i en nedadgående trend. Dette er spesielt vanskelig å spore i øyeblikket av retrett Heldigvis har adaptive filtre en mye enklere tid som indikerer når en reversering oppstod enn fast fil Selvfølgelig er det bedre filtre enn JMA, mest brukt av militæret. Men hvis du er i bransjen med å spore gode handler og ikke fiendefly, er JMA det beste rimelige støyreduksjonsfilteret tilgjengelig for finansielle markedsdata Vi garanterer det. I utgangspunktet vil du at et filtrert signal skal være både jevnt og lagløst. Lag forårsaker forsinkelser i handler, og økende forsinkelse i indikatorene gir vanligvis lavere fortjeneste. igjen på bordet etter at festen allerede har begynt. Det er derfor investorer, banker og institusjoner over hele verden spør etter Jurik Research Moving Average JMA. Du kan søke det på samme måte som du ville et annet populært bevegelige gjennomsnitt. JMAs forbedrede tidsplan og glatthet vil imidlertid forbløffe deg. Den tippede grå linjen i diagrammet simulerer prishandlinger som begynner i et lavt handelsområde, og deretter åpner et høyere handelsområde. Siden ingen liker å vente på sidelinjen, er et perfekt støyreduksjonsfilter grønn linje vil bevege seg jevnt langs midten av det første handelsområdet og hoppe deretter til midten av det nye tradingområdet nesten umiddelbart.

Comments

Popular posts from this blog

Ggјvenilir Forex Firmasd ±

Binary Alternativ Forumet

Gratis Alternativer Trading Konto