Elastisch Gleitender Durchschnitt

TRADING TECHNIQUES A Volumenempfindliche durchschnittliche Elastische Moving Averages von Christian P Fries, Ph DW Hut, wenn die Periode Ihres Durchschnittes mit dem Volumen schwankte Sie haben einen elastischen volumengewichteten gleitenden Durchschnitt eVWMA, ein natürlicher Ersatz für Standard-Umzugsdurchschnitte Es ist noch mehr Natürlich als auf den ersten Gedanken, da es auch als Annäherung an den durchschnittlichen Preis je Aktie angesehen werden kann, unterscheidet sich eVWMA von dem üblichen Durchschnitt darin.1 Es bezieht sich nicht auf einen zugrunde liegenden Mittelungszeitraum, z. B. 20 Tage, 38 Tage , 200 Tage Stattdessen verwendet eVWMA das Aktienvolumen, um die Periode der Mittelung zu definieren.2 Es enthält Informationen über Volumen und eventuell Zeit in einer natürlichen und logischen Weise.3 Es kann abgeleitet und als eine Annäherung an eine statistische Maßnahme gesehen werden Und so hat eine solide mathematische Rechtfertigung. Ich zeige Ihnen das Konzept und die Formulierung des elastischen volumengewichteten gleitenden Durchschnitts, mit einer Excel-Tabelle als Beispiel. Christian Fries studierte Mathematik und Physik Er hat für Informationstechnologie-Unternehmen und Banken gearbeitet Europa Er kann kontaktiert werden. Aus einem Artikel veröffentlicht, der ursprünglich in der Juni 2001 Ausgabe der Technischen Analyse von STOCKS COMMODITIES Magazin veröffentlicht wurde Alle Rechte vorbehalten Copyright 2001, Technische Analyse, Inc. Elastische Volumen gewichtete bewegliche Durchschnitt. Die elastische Volumen gewichtete Moving Average ist ein Trend-Indikator, der durchschnittliche Volumen in seiner gleitenden durchschnittlichen Berechnung verwendet Der Benutzer kann die Eingabe schließen, Multiplikator und Zeitraum Länge Diese Indikator s Definition wird weiter ausgedrückt in den verkürzten Code in der Berechnung unten angegeben. How To Trade mit elastischen Volumen gewichtet Moving Average. Die EVWMA kann in Verbindung mit anderen Indikatoren als Trendindikator verwendet werden. Es werden keine Handelssignale berechnet. Wie man in MotiveWave. Go zum Top-Menü greift, wählen Sie Study Volume Based Elastic Volume Weighted MA. or gehen Sie zum Top-Menü, wählen Sie Add Studieren Sie die Einstieg in diesen Studiennamen, bis Sie sehen, dass es in der Liste erscheint, klicken Sie auf den Namen der Studie, klicken Sie auf OK. Important Disclaimer Die Informationen auf dieser Seite ist ausschließlich zu Informationszwecken und ist nicht als Beratung oder Aufforderung zum Kauf zu verstehen Oder verkaufen Sie alle Sicherheit Bitte beachten Sie unsere Risiko Disclosure und Performance Disclaimer Statement. Methode gleitende durchschnittliche Ma Benutzer definiert, Standard ist SMA Eingang Preis Benutzer definiert, Standard ist Schlusskurs Mehr Benutzer Eingang, Standard 20 Zeitraum Benutzer Eingang, Standard 40 Index aktuellen Bar-Nummer, avVol durchschnittliche Volumen prevE previousEVWMA. Diese Funktionalität ist experimentell und kann geändert werden Oder vollständig entfernt in einer zukünftigen Version Elastic wird eine Best-Anstrengung Ansatz, um alle Probleme zu beheben, aber experimentelle Features sind nicht unterliegen der Unterstützung SLA der offiziellen GA-Funktionen. Gegeben einer geordneten Reihe von Daten, wird die Moving Average Aggregation ein Fenster über Die Daten und geben den Mittelwert dieses Fensters aus. Beispielsweise können wir mit den Daten 1, 2, 3, 4, 5, 6, 7, 8, 9, 10 einen einfachen gleitenden Durchschnitt mit einer Fenstergröße von 5 wie folgt berechnen. Durchgehende Mittelwerte sind eine einfache Methode, um sequentielle Daten zu regeln. Durchgehende Mittelwerte werden typischerweise auf zeitbasierte Daten angewendet, wie z. B. Aktienkurse oder Server-Metriken. Die Glättung kann verwendet werden, um Hochfrequenzschwankungen oder zufälliges Rauschen zu eliminieren, was die Unterschreitung der tieferen Frequenz ermöglicht Leichter visualisiert, wie Saisonalität. Das lineare Modell weist eine lineare Gewichtung auf Punkte in der Serie, so dass ältere Datenpunkte zB die am Anfang des Fensters einen linear geringeren Betrag zum Gesamtdurchschnitt beitragen. Die lineare Gewichtung hilft, die Verzögerung zu reduzieren Die Daten s bedeuten, da ältere Punkte weniger Einfluss haben. Ein lineares Modell hat keine speziellen Einstellungen zu konfigurieren. Wie das einfache Modell, Fenstergröße kann das Verhalten des gleitenden Durchschnittes ändern Zum Beispiel wird ein kleines Fensterfenster 10 die Daten genau verfolgen Und nur glätten kleine Skalen Schwankungen. Bild 3 Linear gleitenden Durchschnitt mit Fenster der Größe 10. Im Gegensatz dazu ein linear gleitender Durchschnitt mit größeren Fenster Fenster 100 glättet alle höherfrequenten Schwankungen, so dass nur niederfrequente, langfristige Trends Es Neigt auch dazu, hinter den tatsächlichen Daten um eine beträchtliche Menge zurückzukehren, obwohl typischerweise weniger als das einfache Modell. Figure 4 Linear gleitender Durchschnitt mit Fenster der Größe 100.Multiplicative Holt-Wintersedit. Multiplicative wird durch die Einstellung Typ mult Diese Sorte wird bevorzugt, wenn die Saisonale Affekt wird mit Ihren Daten multipliziert, wenn der saisonale Affekt x5 die Daten ist, anstatt sie einfach hinzuzufügen. Die Standardwerte von Alpha und Gamma sind 0 3, während Beta 0 ist. Die Einstellungen akzeptieren jeden Schwimmer von 0-1 inklusive Der Standardwert der Periode ist 1. Das multiplikative Holt-Winters-Modell kann minimiert werden. Multiplicative Holt-Winters arbeitet, indem man jeden Datenpunkt durch den Saisonwert teilt. Dies ist problematisch, wenn irgendwelche Ihrer Daten null sind oder wenn es Lücken in der Daten, da dies zu einem Divid-by-Null führt. Um dies zu bekämpfen, pads der Mult Holt-Winters alle Werte um einen sehr kleinen Betrag 1 10 -10, so dass alle Werte ungleich Null sind. Das beeinflusst das Ergebnis, aber nur minimal Daten sind nicht null, oder Sie bevorzugen es zu sehen NaN, wenn null s angetroffen werden, können Sie dieses Verhalten mit Pad false deaktivieren. Alle das gleitende durchschnittliche Modell unterstützen einen Vorhersage-Modus, die versuchen, in die Zukunft zu extrapolieren angesichts der aktuellen geglättet, Gleitender Durchschnitt Abhängig von Modell und Parameter können diese Vorhersagen korrekt sein oder nicht. Die Berechnungen werden durch Hinzufügen eines Vorhersageparameters zu einer gleitenden durchschnittlichen Aggregation aktiviert, wobei die Anzahl der Vorhersagen angegeben ist, die Sie an das Ende der Serie angehängt haben. Diese Vorhersagen werden Werden im gleichen Intervall wie Ihre Eimer beabstandet. Die einfachen linearen und ewma-Modelle alle produzieren flache Vorhersagen, die sie im Wesentlichen auf den Mittelwert des letzten Wertes in der Serie konvergieren, wodurch eine Flat. Figure 11 Einfacher gleitender Durchschnitt mit Fenster der Größe 10, Prognostizieren 50. Im Gegensatz dazu kann das Holt-Modell auf der Grundlage lokaler oder globaler konstanter Trends extrapolieren Wenn wir einen hohen Beta-Wert setzen, können wir auf der Grundlage lokaler konstanter Trends in diesem Fall die Vorhersagen nach unten abschreiben, da die Daten am Ende des Serie ging in eine Abwärtsrichtung. Figure 12 Holt-Linear gleitenden Durchschnitt mit Fenster der Größe 100, prognostizieren 20, Alpha 0 5, Beta 0 8. Im Gegensatz, wenn wir eine kleine Beta wählen, basieren die Vorhersagen auf dem globalen konstanten Trend In dieser Serie ist der globale Trend etwas positiv, so dass die Vorhersage macht eine scharfe Umdrehung und beginnt eine positive Steigung. Figur 13 Double Exponential gleitenden Durchschnitt mit Fenster der Größe 100, prognostizieren 20, alpha 0 5, beta 0 1.Die Holtwinters-Modell hat das Potenzial, die besten Vorhersagen zu liefern, da es auch saisonale Schwankungen in das Modell beinhaltet. Bild 14 Holt-Winters gleitenden Durchschnitt mit Fenster der Größe 120, prognostizieren 25, Alpha 0 8, Beta 0 2, Gamma 0 7, Periode 30