Mudança De Atraso Médio

Documentação Este exemplo mostra como usar filtros médios móveis e reescrever para isolar o efeito de componentes periódicos da hora do dia em leituras horárias horárias, bem como remover o ruído indesejado da linha de uma medida de tensão de circuito aberto. O exemplo também mostra como alisar os níveis de um sinal de relógio, preservando as bordas usando um filtro mediano. O exemplo também mostra como usar um filtro Hampel para remover grandes outliers. Motivation Smoothing é como descobrimos padrões importantes em nossos dados, deixando de lado as coisas que não têm importância (ou seja, o ruído). Usamos a filtragem para executar esse alisamento. O objetivo do suavização é produzir mudanças lentas de valor, de modo que seja mais fácil ver tendências em nossos dados. Às vezes, quando você examina dados de entrada, você deseja suavizar os dados para ver uma tendência no sinal. No nosso exemplo, temos um conjunto de leituras de temperatura em Celsius tomadas a cada hora no Aeroporto de Logan durante todo o mês de janeiro de 2011. Note que podemos visualizar visualmente o efeito que a hora do dia tem nas leituras de temperatura. Se você está interessado apenas na variação diária da temperatura ao longo do mês, as flutuações horárias só contribuem com o ruído, o que dificulta a discernição das variações diárias. Para remover o efeito da hora do dia, gostaríamos agora de suavizar nossos dados usando um filtro de média móvel. Um filtro de média móvel Na sua forma mais simples, um filtro médio móvel de comprimento N leva a média de cada N amostras consecutivas da forma de onda. Para aplicar um filtro de média móvel a cada ponto de dados, nós construímos nossos coeficientes de nosso filtro de modo que cada ponto seja igualmente ponderado e contribua 124 para a média total. Isso nos dá a temperatura média em cada período de 24 horas. Retardamento do filtro Observe que a saída filtrada está atrasada em cerca de doze horas. Isto é devido ao fato de nosso filtro de média móvel ter um atraso. Qualquer filtro simétrico de comprimento N terá um atraso de (N-1) 2 amostras. Podemos explicar esse atraso manualmente. Extraindo diferenças médias Alternativamente, também podemos usar o filtro de média móvel para obter uma melhor estimativa de como a hora do dia afeta a temperatura geral. Para fazer isso, primeiro, subtrair os dados suavizados das medidas horárias de temperatura. Em seguida, segmente os dados diferenciados em dias e leve a média em todos os 31 dias do mês. Extraindo o envelope de pico Às vezes, também gostaríamos de ter uma estimativa variável suave de como os altos e baixos do nosso sinal de temperatura mudam diariamente. Para fazer isso, podemos usar a função de envelope para conectar altas e baixas extremas detectadas em um subconjunto do período de 24 horas. Neste exemplo, garantimos que haja pelo menos 16 horas entre cada extremo alto e extremo baixo. Nós também podemos ter uma noção de como os altos e baixos estão tendendo tomando a média entre os dois extremos. Filtros médios em movimento ponderados Outros tipos de filtros médios móveis não pesam cada amostra de forma igual. Outro filtro comum segue a expansão binomial de (12,12) n Este tipo de filtro se aproxima de uma curva normal para valores grandes de n. É útil para filtrar o ruído de alta freqüência para pequenos n. Para encontrar os coeficientes para o filtro binomial, convolve 12 12 com ele próprio e, então, convoluciona a saída com 12 12 um número de vezes prescrito. Neste exemplo, use cinco iterações totais. Outro filtro um pouco semelhante ao filtro de expansão gaussiano é o filtro exponencial de média móvel. Este tipo de filtro de média móvel ponderada é fácil de construir e não requer um grande tamanho de janela. Você ajusta um filtro de média móvel ponderada exponencialmente por um parâmetro alfa entre zero e um. Um maior valor de alfa terá menor alisamento. Amplie as leituras por um dia. Selecione o filtro médio de seu país (Filtro MA) Carregando. O filtro de média móvel é um filtro Low Pass FIR (Finite Impulse Response) simples comumente usado para suavizar uma série de datasigns amostrados. Demora M amostras de entrada por vez e leva a média dessas M-samples e produz um único ponto de saída. É uma estrutura de LPF (Low Pass Filter) muito simples que é útil para cientistas e engenheiros para filtrar o componente ruidoso indesejado dos dados pretendidos. À medida que o comprimento do filtro aumenta (o parâmetro M), a suavidade da saída aumenta, enquanto que as transições afiadas nos dados são tornadas cada vez mais contundentes. Isso implica que este filtro possui uma excelente resposta ao domínio do tempo, mas uma resposta de freqüência fraca. O filtro MA executa três funções importantes: 1) Demora os pontos de entrada M, calcula a média desses pontos M e produz um único ponto de saída 2) Devido aos cálculos de computação envolvidos. O filtro introduz uma quantidade definida de atraso 3) O filtro atua como um filtro de passagem baixa (com resposta de domínio de freqüência fraca e uma resposta de domínio de tempo bom). Código Matlab: O código matlab seguinte simula a resposta do domínio do tempo de um filtro M-point Moving Average e também faz a resposta de freqüência para vários comprimentos de filtro. Resposta de Domínio de Tempo: no primeiro gráfico, temos a entrada que está entrando no filtro de média móvel. A entrada é barulhenta e nosso objetivo é reduzir o ruído. A próxima figura é a resposta de saída de um filtro de média móvel de 3 pontos. Pode deduzir-se da figura que o filtro de 3 pontos de média móvel não fez muito na filtragem do ruído. Aumentamos os toques de filtro para 51 pontos e podemos ver que o ruído na saída reduziu muito, o que é retratado na próxima figura. Aumentamos as torneiras até 101 e 501 e podemos observar que mesmo - embora o ruído seja quase zero, as transições são apagadas drasticamente (observe a inclinação de cada lado do sinal e compare-os com a transição ideal da parede de tijolos em Nossa contribuição). Resposta de frequência: a partir da resposta de freqüência, pode-se afirmar que o roll-off é muito lento ea atenuação da faixa de parada não é boa. Dada esta atenuação da faixa de parada, claramente, o filtro de média móvel não pode separar uma faixa de freqüências de outra. Como sabemos que um bom desempenho no domínio do tempo resulta em desempenho fraco no domínio da freqüência e vice-versa. Em suma, a média móvel é um filtro de suavização excepcionalmente bom (a ação no domínio do tempo), mas um filtro passa-baixa excepcionalmente ruim (a ação no domínio da freqüência) Links externos: Livros recomendados: barra lateral primáriaDebunking a divergência da convergência média móvel Indicador (MACD) Quando algo tem um nome que tem mais sílabas do que posso contar, geralmente me chama a idéia de que poderia ser um monte de pelúcia. As médias móveis são ótimas se forem usadas corretamente no comércio técnico. Isso é verdade por uma razão que eles apresentam atraso. A quantidade de atraso nas médias móveis introduzidas é uma função do seu comprimento. Uma média móvel de 20 períodos, por exemplo, apresentará 10 períodos de atraso a partir dos dados em que se baseia. Se você quiser que ele rastreie os dados de perto, você o compensará em 10 períodos (12 o comprimento médio). Então, quando você olha para o seu gráfico, ele irá rastrear os dados de forma muito próxima. A compensação por obter essa capacidade de rastreamento é que os dados serão atualizados apenas a 10 bares atrás. Vamos ver um gráfico para que possamos ver o que isso significa (elogios da TradeStation): o gráfico acima mostra um gráfico de 10 minutos com uma média móvel de 30 períodos (a linha azul clara). Como você pode ver, o ponto de viragem na média móvel que está na borda da elipse à esquerda vem 15 barras após o preço real alto. Na elipse à direita, a baixa da média móvel também vem 15 barras após o preço real baixo. Em média, uma média móvel de 30 períodos, apresentará 15 períodos de atraso. Se compensarmos a média móvel por esse valor, isso coincidirá perfeitamente (em média, com as voltas no mercado). Agora, com o deslocamento de 15 períodos (12 o comprimento médio móvel de 30 períodos), a média móvel rastreia as voltas com muita precisão. Este atraso de meia onda que as médias móveis apresentam é a questão mais importante que você precisa entender ao usar médias móveis em sua negociação. Será que a média móvel de meia onda sempre rastreará os dados tão perfeitamente quanto acima, não, não. Isto é devido ao fato de que o comprimento do comprimento médio móvel não corresponde ao comprimento do ciclo que está presente nos dados originais. Isso significa que os diferentes comprimentos médios móveis baseados acompanharão os dados subjacentes mais precisamente em momentos diferentes. Normalmente, o comprimento médio móvel que rastreará os dados de forma mais precisa está em constante mudança. Tenha isso em mente à medida que avançamos na nossa discussão sobre a Divergência da Convergência Médica em Movimento. A Divisão de Convergência Média Mover Base na maioria dos pacotes de gráficos é composta por duas médias móveis que são 12 períodos e 26 períodos de duração (fixos). Então, a computação é tomar a diferença entre essas duas médias para gerar o que é chamado de Linha de Sinal. A linha de sinal é então atrasada novamente por outra média (exponencial) de 9 períodos. Em linguagem simples, uma linha de sinal é a diferença diferida entre duas médias móveis (atrasos). Basicamente, então, quando a média móvel mais rápida (12 períodos) está acima da média móvel mais longa, a diferença será positiva e indicará que o mercado está subindo. Quando a média móvel mais rápida está abaixo da mais longa, a diferença se tornará negativa, indicando que o mercado está em declínio. Para mim, é impossível ser um usuário MACD, porque simplesmente olhar um gráfico me dirá se o mercado está subindo ou caindo. Olhar para o gráfico também me diz isso sem demora. Isso é particularmente importante quando você adiciona as complexidades de ter uma computação feita de duas médias móveis (atrasando a introdução) que não estão em sincronia com o comprimento do ciclo do mercado. Essas complexidades podem resultar em MACD fazendo coisas muito estranhas, particularmente em mercados em movimento abrupto, onde o comprimento do ciclo está mudando ou se tornando mais longo do que as médias das bases 12 e 26. Vamos dar uma olhada em um exemplo: no gráfico acima, podemos ver o MACD na parte inferior. Tem as médias de 12 e 26 períodos no gráfico e a linha de sinal, que é mostrada como um histograma. Como você pode ver, começando pouco antes do meio do dia, o MACD começou a diminuir (quando a linha amarela de 12 períodos mais curtos cruzou abaixo da linha de 26 períodos mais longa). A linha de sinal é negativa neste momento, enquanto o mercado continua a subir. Devido às mudanças de comprimento de onda e aos atrasos introduzidos pelos componentes da média móvel, o MACD realmente se inverteu do que o mercado realmente estava fazendo. Levaria cerca de 26 barras, ou períodos (mais ou menos) para corrigir isso. A questão é essa, é o fator de inversão que nos encaminha para uma inexatidão no MACD. Existe um indicador de tendência melhor que não tenha essas questões. Olhemos para uma grade de otimização de sistema comercial simples com base na negociação do MACD e veja como é estável É por conta própria. Por simplicidade, vou apenas otimizar os comprimentos de 12 e 26 períodos e não o atraso MACD que é introduzido pela média móvel exponencial de 9 períodos. Permitirei que o sistema simplesmente pare e retroceda, sempre no mercado. Durante um período de teste de dois anos usando a estratégia MACD para gerar sinais de compra e venda nos contratos SampP Emini em um gráfico de 10 minutos, os resultados são claros. Nenhum conjunto de parâmetros único foi rentável (um teste muito maior foi realizado do que o mostrado). Ouch O que isso nos diz é que fazer exatamente o oposto do MACD é um ponto de partida melhor para o desenvolvimento do sistema do que a sabedoria convencional nos faria acreditar. Claro que isso variará de acordo com o prazo (ou seja, 5 minutos, 10 minutos de dados diários etc.). Por diversão, vamos virar sinais de compra em sinais de venda e executar nosso teste novamente. Aqui estão os resultados: Wow Isso é bastante incrível. Classificando para os conjuntos superiores, vemos algumas coisas interessantes. Um é o lucro é notável. Dois, muitos dos melhores conjuntos otimizam para um período de 2 na média móvel de curto prazo. Isso nos diz que a parte média mais curta do MACD (assim como outros atrasos na linha de sinal) provavelmente poderia ser eliminada, desacreditando ainda mais o design extravagante do MACD. Isso está muito além das minhas expectativas pessoais quanto ao que encontraríamos nesses testes. Antes de ficar muito animado, isso é negociável Não, infelizmente não é. O comércio médio é apenas cerca de 15, menos do que as despesas de negociação. Em última análise, o que isso nos diz é que estamos em ou sobre o limite de aleatoriedade com nosso estudo MACD. Isto significa que MACD não tem valor. Depende de você. Quanto a mim, na próxima vez eu quero saber se o mercado está indo para cima ou para baixo, eu vou olhar para um gráfico. É muito mais fácil entender o que está acontecendo sem introduzir camadas de atrasos e incapacidade de rastrear corretamente o ciclismo. Treinar os olhos para ver as coisas diretamente do gráfico é a melhor maneira para mim. O MACD poderia ser usado de outras maneiras. Certamente, poderia, mas talvez uma média móvel sozinha pudesse realizar a mesma coisa sem todos os problemas introduzidos por esse indicador elegante e designado. Você usa o MACD Você já teve sucesso nisso Você mudou de idéia no MACD depois de ler este artigo Quais indicadores você usa? Você gostaria que eu desconsidera quaisquer outros indicadores que i8217d gostaria de ouvir de você, deixe um comentário abaixo. 6 Eu uso o macd como meu principal indicador de troca de scalping, mas eu o uso de maneira diferente do que você descreveu. O que você descreveu o trabalho won8217t. Levei muito tempo para descobrir o sistema, então eu não devia dar isso, mas funciona e muito bem devo dizer. E quanto ao uso de linhas de tendência e Macd togeather - Pegue o comércio quando há uma linha de tendência - juntamente com uma Macd Divergence ou Macd Cross 1. A partir da seleção 8220about8221, a idéia afirma que meu tipo é definitivamente algum. Pagamentos mínimos de alguns (8E200) no caso, a fim de. Cheers, 1 ° eu fiquei perdendo sobre o coaching de 2, depois disso é extremamente fácil, uma vez que eu navego pelas 3 direções, muito obrigado, a Comissão, posteriormente, apresenta apenas 2 lucros em comparação com 4 de receita ao negociar o e-mini Dow. Olá, eu gosto da sua escrita, uma proporção tão grande que nos mantém em contato mais aproximadamente seu artigo sobre AOL. Preciso de um especialista nesta área para desvendar meu problema. Pode ser que você esteja ansioso para olhar para você. Deixe um comentário