Zasadniczo mam szereg wartości takich jak ta: powyższa tablica jest uproszczona, gromadzę 1 wartość na milisekundę w moim prawdziwym kodzie i muszę przetworzyć wynik na algorytmie, który napisałem, aby znaleźć najbliższy szczyt przed punktem w czasie. Moja logika kończy się niepowodzeniem, ponieważ w moim przykładzie powyżej 0,36 jest rzeczywistym szczytem, ale mój algorytm będzie wyglądał wstecz i zobaczy ostatnią liczbę 0.25 jako szczyt, ponieważ przed nią jest spadek do 0.24. Celem jest przyjęcie tych wartości i zastosowanie do nich algorytmu, który wygładzi je nieco, tak żebym miał więcej wartości liniowych. (tj: Id jak moje wyniki być kręty, nie jaggedy) Powiedziano mi, aby zastosować wykładniczy filtr średniej ruchomej do moich wartości. Jak mogę to zrobić? Bardzo trudno jest mi czytać równania matematyczne, z kodem radzę sobie znacznie lepiej. Jak przetwarzać wartości w mojej tablicy, stosując wykładnicze obliczenia średniej ruchomej, aby je wyrównać zapytano 8 lutego 12 o 20:27 Obliczanie wykładniczej średniej kroczącej. musisz zachować pewien stan i potrzebujesz parametru strojenia. To wymaga małej klasy (zakładając, że korzystasz z Java 5 lub nowszej wersji): Utwórz instancję z żądanym parametrem zaniku (możesz ustawić strojenie od 0 do 1), a następnie użyj funkcji average () do filtrowania. Czytając stronę o powtarzających się matematycznych powtórzeniach, wszystko, co naprawdę musisz wiedzieć, kiedy zamieniasz ją w kod, jest takie, że matematycy lubią pisać indeksy w tablicach i sekwencjach z indeksami dolnymi. (Są też inne zapisy, które nie pomagają.) Jednak EMA jest dość prosta, ponieważ wystarczy zapamiętać jedną starą wartość, nie wymagającą skomplikowanych tablic stanów. odpowiedział 08 lutego 12 o 20:42 TKKocheran: Dość dużo. Czy to nie jest miłe, gdy rzeczy mogą być proste (jeśli zaczynasz z nową sekwencją, zdobądź nową średnią). Zauważ, że kilka pierwszych haseł w uśrednionej sekwencji będzie przeskakiwało trochę ze względu na efekty graniczne, ale dostajesz te z innymi ruchomymi średnimi także. Jednak dobrą zaletą jest to, że można zawinąć logikę średniej ruchomej do uśredniającego i eksperymentować, nie zakłócając zbytnio reszty programu. ndash Donal Fellows 09 lutego 12 o 0:06 Mam trudności ze zrozumieniem twoich pytań, ale i tak postaram się odpowiedzieć. 1) Jeśli twój algorytm znalazł 0.25 zamiast 0.36, to jest źle. Jest źle, ponieważ zakłada monotoniczny wzrost lub spadek (który zawsze rośnie lub zawsze spada). O ile nie wytypujesz WSZYSTKICH twoich danych, twoje punkty danych --- podczas ich prezentacji --- są nieliniowe. Jeśli naprawdę chcesz znaleźć maksymalną wartość pomiędzy dwoma punktami w czasie, podziel tablicę od tmin do tmax i znajdź maksimum tego podbarwa. 2) Teraz pojęcie średnich kroczących jest bardzo proste: wyobraź sobie, że mam następującą listę: 1.4, 1.5, 1.4, 1.5, 1.5. Mogę go wygładzić, biorąc średnią z dwóch liczb: 1.45, 1.45, 1.45, 1.5. Zauważ, że pierwsza liczba to średnia z 1,5 i 1,4 (druga i pierwsza liczba), druga (nowa lista) to średnia z 1,4 i 1,5 (trzecia i druga stara lista), a trzecia (nowa lista) to średnio 1,5 i 1,4 (czwarty i trzeci) i tak dalej. Mogłem zrobić okres trzy lub cztery, lub n. Zwróć uwagę, że dane są znacznie płynniejsze. Dobrym sposobem, aby zobaczyć średnie ruchome w pracy, jest przejście do Google Finance, wybór akcji (wypróbuj Tesla Motors pretty volatile (TSLA)) i kliknij technicznych na dole wykresu. Wybierz średnią ruchomą z danym okresem i wykładniczą średnią kroczącą, aby porównać różnice. Wykładnicza średnia krocząca jest tylko kolejnym rozwinięciem tego, ale waży starsze dane mniej niż nowe dane, jest to sposób na odchylenie wygładzania w kierunku tyłu. Proszę przeczytać wpis w Wikipedii. Jest to raczej komentarz niż odpowiedź, ale małe pole komentarza było niewielkie. Powodzenia. Jeśli masz problemy z matematyką, możesz użyć prostej średniej ruchomej zamiast wykładniczej. Wynik wyjściowy będzie więc ostatnim x terminami podzielonymi przez x. Nieprawdziwy kod pseudokodowy: pamiętaj, że będziesz musiał obsługiwać początkowe i końcowe części danych, ponieważ wyraźnie nie możesz uśrednić ostatnich 5 warunków, gdy jesteś na drugim punkcie danych. Ponadto istnieją skuteczniejsze sposoby obliczania tej średniej ruchomej (suma suma - najstarsze najnowsze), ale ma to na celu uzyskanie koncepcji na temat tego, co się dzieje. odpowiedział 8 lutego 12 o 20: 41Forecasting by Smoothing Techniques Ta strona jest częścią obiektów nauki e-labo JavaScriptu do podejmowania decyzji. Inne skrypty JavaScript z tej serii są podzielone na kategorie w różnych obszarach aplikacji w sekcji MENU na tej stronie. Szereg czasowy to sekwencja obserwacji uporządkowanych w czasie. Nieodłącznym elementem zbierania danych zebranych w czasie jest pewna forma losowej zmienności. Istnieją metody zmniejszania efektu anulowania z powodu losowej zmienności. Szeroko stosowane techniki wygładzają. Techniki te, po prawidłowym zastosowaniu, wyraźnie pokazują podstawowe tendencje. Wprowadź serie czasowe w kolejności wierszowej, zaczynając od lewego górnego rogu i parametru (ów), a następnie kliknij przycisk Oblicz, aby uzyskać prognozy z wyprzedzeniem jednokresowym. Puste pola nie są uwzględniane w obliczeniach, ale zera są. Wprowadzając swoje dane, aby przejść z komórki do komórki w macierzy danych, użyj klawisza Tab, a nie strzałki lub klawiszy Enter. Funkcje szeregów czasowych, które mogą zostać ujawnione poprzez sprawdzenie jego wykresu. z prognozowanymi wartościami i zachowaniem reszt, modelowaniem prognozowania warunków. Średnie kroczące: średnie ruchome należą do najpopularniejszych technik wstępnego przetwarzania szeregów czasowych. Służą one do filtrowania losowego białego szumu z danych, aby szereg czasowy był bardziej płynny, a nawet aby uwydatnić niektóre informacyjne elementy zawarte w szeregach czasowych. Wygładzanie wykładnicze: Jest to bardzo popularny schemat tworzenia wygładzonej serii czasowej. Podczas gdy w średnich kroczących poprzednie obserwacje są równomiernie ważone, wygładzanie wykładnicze przypisuje wykładniczo malejące ciężary, gdy obserwacja staje się starsza. Innymi słowy, ostatnie obserwacje mają względnie większą wagę w prognozowaniu niż wcześniejsze obserwacje. Double Exponential Smoothing lepiej radzi sobie z trendami. Potrójne wykładnicze wygładzanie lepiej radzi sobie z trendami paraboli. Exponencjonalnie ważona średnia ruchoma ze stałą wygładzania a. odpowiada w przybliżeniu prostej średniej kroczącej długości (to znaczy kropce) n, gdzie a oraz n są powiązane przez: a 2 (n1) OR n (2 - a) a. Tak więc, na przykład, średnia ważona ruchoma z wykładniczą stałą ze stałą wygładzania równą 0,1 odpowiadałaby w przybliżeniu 19-dniowej średniej ruchomej. A 40-dniowa prosta średnia ruchoma odpowiadałaby w przybliżeniu ważonej ruchomej wartości wykładniczej z stałą wygładzającą równą 0,04878. Holts Linear Exponential Smoothing: Załóżmy, że szeregi czasowe są niesezonowe, ale wykazują tendencję. Metoda Holts szacuje zarówno bieżący poziom, jak i aktualny trend. Zauważ, że prosta średnia ruchoma jest szczególnym przypadkiem wygładzania wykładniczego, ustawiając okres średniej ruchomej na całkowitą część (2-alfa) alfa. W przypadku większości danych biznesowych często skuteczny jest parametr Alfa mniejszy niż 0,40. Można jednak przeprowadzić przeszukiwanie siatki przestrzeni parametrów, z wartościami od 0,1 do 0,9, z krokiem co 0,1. Wtedy najlepsza alfa ma najmniejszy średni błąd bezwzględny (błąd MA). Jak porównać kilka metod wygładzania: Chociaż istnieją wskaźniki liczbowe do oceny dokładności techniki prognozowania, najszerzej stosuje się porównanie wizualne kilku prognoz w celu oceny ich dokładności i wyboru spośród różnych metod prognozowania. W tym podejściu należy wykreślić (używając np. Excela) na tym samym wykresie oryginalne wartości zmiennej szeregów czasowych i przewidywane wartości z kilku różnych metod prognozowania, ułatwiając w ten sposób wizualne porównanie. Być może spodoba Ci się wykorzystanie wcześniejszych prognoz techniką Smoothing Techniques w celu uzyskania wartości prognoz w przeszłości opartych na technikach wygładzania, które wykorzystują tylko jeden parametr. Metody Holta i Wintersa stosują odpowiednio dwa i trzy parametry, dlatego nie jest łatwo wybrać optymalne, a nawet bliskie optymalne wartości próbne i błędy dla parametrów. Pojedyncze wygładzanie wykładnicze uwydatnia perspektywę krótkiego zasięgu, ustawiając poziom na ostatnią obserwację i opiera się na tym, że nie ma trendu. Regresja liniowa, która pasuje do linii najmniejszych kwadratów do danych historycznych (lub przekształconych danych historycznych), reprezentuje duży zakres, który jest uwarunkowany podstawowym trendem. Holowanie liniowe wygładzanie wykładnicze przechwytuje informacje o aktualnym trendzie. Parametry w modelu Holts to poziomy-parametr, który należy zmniejszyć, gdy wielkość danych jest duża, a trendy-parametr powinny zostać zwiększone, jeśli ostatni kierunek trendu jest wspierany przez przyczynę niektórych czynników. Prognozy krótkoterminowe: zauważ, że każdy skrypt JavaScript na tej stronie zapewnia prognozy jednoetapowe. Aby uzyskać prognozę dwuetapową. po prostu dodaj prognozowaną wartość na końcu serii danych czasowych, a następnie kliknij ten sam przycisk Oblicz. Możesz powtórzyć ten proces kilka razy, aby uzyskać potrzebne prognozy krótkoterminowe. Proste Vs. Wykładnicze średnie ruchome Średnie ruchome to coś więcej niż badanie sekwencji liczb w kolejnej kolejności. Początkujący praktycy analizy szeregów czasowych byli bardziej zainteresowani indywidualnymi liczbami szeregów czasowych niż w przypadku interpolacji tych danych. Interpolacja. w formie teorii prawdopodobieństwa i analizy pojawiły się znacznie później, ponieważ opracowano wzorce i odkryto korelacje. Po zrozumieniu, różne kształty krzywych i linii zostały narysowane wzdłuż szeregu czasowego, próbując przewidzieć, gdzie mogą pójść punkty danych. Są to obecnie podstawowe metody stosowane obecnie przez handlowców analiz technicznych. Analiza wykresów pochodzi z XVIII-wiecznej Japonii, ale jak i kiedy średnie ruchome były po raz pierwszy stosowane do cen rynkowych pozostaje tajemnicą. Powszechnie przyjmuje się, że proste średnie ruchome (SMA) były używane na długo przed wykładniczą średnią kroczącą (EMA), ponieważ EMA są zbudowane na szkielecie SMA, a kontinuum SMA było łatwiejsze do zrozumienia w celu kreślenia i śledzenia. (Czy chcesz trochę czytać w tle Sprawdź Średnie kroczące: Co to są) Średnia ruchoma (SMA) Proste średnie ruchome stały się preferowaną metodą śledzenia cen rynkowych, ponieważ są one szybkie do obliczenia i łatwe do zrozumienia. Początkujący praktycy rynku działali bez użycia zaawansowanych metryk wykresów używanych obecnie, więc opierały się głównie na cenach rynkowych jako swoich wyłącznych przewodnikach. Obliczyli oni ceny rynkowe ręcznie i wykreślili te ceny, aby określić trendy i kierunek rynku. Proces ten był dość żmudny, ale okazał się dość opłacalny dzięki potwierdzeniu dalszych badań. Aby obliczyć 10-dniową prostą średnią kroczącą, po prostu dodaj ceny zamknięcia z ostatnich 10 dni i podziel przez 10. Średnią ruchomą 20-dniową oblicza się, dodając ceny zamknięcia w okresie 20-dniowym i dzieląc przez 20, oraz wkrótce. Ta formuła opiera się nie tylko na cenach zamknięcia, ale produkt jest średnią cen - podzbiorem. Średnie kroczące są określane jako ruchome, ponieważ grupa cen stosowanych w obliczeniach zmienia się zgodnie z punktem na wykresie. Oznacza to, że stare dni spadają na korzyść nowych dni zamknięcia, więc zawsze potrzebne są nowe obliczenia odpowiadające ramom czasowym przeciętnej liczby zatrudnionych. Średnią 10-dniową oblicza się ponownie, dodając nowy dzień i upuszczając 10-ty dzień, a dziewiąty dzień jest zrzucany drugiego dnia. (Aby dowiedzieć się więcej na temat wykorzystywania wykresów w handlu walutami, zapoznaj się z naszym przewodnikiem po wykresach.) Wykładnicza średnia ruchoma (EMA) Wykładnicza średnia krocząca została udoskonalona i jest częściej używana od lat 60. XX wieku, dzięki wcześniejszym praktykom eksperymentującym z komputerem. Nowa EMA będzie koncentrować się bardziej na najnowszych cenach, a nie na długiej serii punktów danych, ponieważ wymagana jest prosta średnia krocząca. Aktualna EMA ((Cena (aktualna) - poprzednia EMA)) Mnożnik X) poprzednia EMA. Najważniejszym czynnikiem jest stała wygładzania, która wynosi 2 (1N), gdzie N oznacza liczbę dni. 10-dniowa EMA 2 (101) 18,8 Oznacza to, że 10-okresowa EMA waży ostatnią cenę 18,8, 20-dniową EMA 9,52 i 50 dniową wagę EMA 3,92 w ostatnim dniu. EMA działa poprzez ważenie różnicy między ceną bieżących okresów a poprzednią EMA i dodaniem wyniku do poprzedniej EMA. Im krótszy okres, tym większa waga zastosowana do najnowszej ceny. Dopasowanie linii Przy tych obliczeniach narysowane są punkty, odsłaniając linię dopasowania. Dopasowanie linii powyżej lub poniżej ceny rynkowej oznacza, że wszystkie średnie kroczące są wskaźnikami opóźniającymi. i są używane głównie do śledzenia trendów. Nie działają one dobrze na rynkach zasięgu i okresów przeciążenia, ponieważ linie dopasowania nie wskazują na trend ze względu na brak wyraźnych wyższych wartości górnych lub niższych minimów. Dodatkowo, linie dopasowania pozostają niezmienne bez śladu kierunku. Rosnąca linia pod rynkiem oznacza długą, a opadająca linia nad rynkiem oznacza krótki. (Aby uzyskać kompletny przewodnik, zapoznaj się z naszym Średnim samouczkiem.) Celem zastosowania prostej średniej kroczącej jest wykrywanie i mierzenie trendów poprzez wygładzanie danych przy użyciu kilku grup cen. Trend jest wykrywany i ekstrapolowany na prognozę. Zakłada się, że poprzednie tendencje będą kontynuowane. W przypadku prostej średniej kroczącej można znaleźć długookresowy trend o wiele łatwiejszy niż EMA, przy założeniu, że linia dopasowania będzie mocniejsza niż linia EMA ze względu na dłuższy nacisk na średnie ceny. EMA służy do rejestrowania krótszych ruchów trendów, ze względu na skupienie się na najnowszych cenach. Dzięki tej metodzie EMA ma zmniejszyć wszelkie opóźnienia w prostej średniej kroczącej, aby linia dopasowania przysunęła ceny bliżej niż zwykła średnia ruchoma. Problem z EMA polega na tym, że ma on skłonność do przerw w cenach, zwłaszcza podczas szybkich rynków i okresów zmienności. EMA działa dobrze, dopóki ceny nie przekroczą linii dopasowania. Na rynkach o wyższej zmienności można rozważyć zwiększenie długości średniej kroczącej. Można nawet przełączyć się z EMA na SMA, ponieważ SMA wygładza dane znacznie lepiej niż EMA ze względu na skupienie się na środkach długoterminowych. Wskaźniki dotyczące trendów Jako wskaźniki opóźniające średnie kroczące służą również jako linie wsparcia i oporu. Jeżeli ceny spadną poniżej 10-dniowej linii dopasowania w trendzie wzrostowym, jest duża szansa, że trend wzrostowy może słabnąć, a przynajmniej rynek może się konsolidować. Jeśli ceny przekroczą 10-dniową średnią ruchomą w okresie spadkowym. trend może słabnąć lub utrwalać się. W takich przypadkach zastosuj razem 10- i 20-dniową średnią kroczącą i poczekaj, aż linia 10-dniowa przekroczy 20-dniowy lub powyżej linii. To określa kolejny krótkoterminowy kierunek cen. W przypadku dłuższych okresów obserwuj średnie ruchome 100- i 200-dniowe w kierunku długoterminowym. Na przykład, stosując średnią ruchomą 100- i 200-dniową, jeśli średnia krocząca z 100 dni przekracza średnią 200-dniową, nazywana jest krzyżem śmierci. i jest bardzo niedźwiedzi na ceny. 100-dniowa średnia krocząca przekraczająca 200-dniową średnią ruchomą nazywana jest złotym krzyżem. i jest bardzo optymistyczny cenowo. Nie ma znaczenia, czy używany jest SMA, czy EMA, ponieważ oba są wskaźnikami podążającymi za trendami. To tylko w krótkim okresie, że SMA ma niewielkie odchylenia od swojego odpowiednika, EMA. Wniosek Średnie ruchome są podstawą analizy wykresów i szeregów czasowych. Proste średnie ruchome i bardziej złożone wykładnicze średnie ruchowe pomagają wizualizować trend, wygładzając ruchy cenowe. Analiza techniczna jest czasami określana jako sztuka, a nie nauka, z których oba wymagają lat. (Dowiedz się więcej w naszym samouczku dotyczącym analizy technicznej.)
No comments:
Post a Comment