Movimento de atraso médio

Desmantelar o Indicador de Divergência de Convergência de Média Móvel (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 fluff. As médias móveis são grandes se forem usadas corretamente no comércio técnico. Isso é verdade por uma razão que eles introduzem atraso. A quantidade de atraso que as médias móveis introduzem é uma função do seu comprimento. Uma média móvel de 20 períodos, por exemplo, introduzirá 10 períodos de atraso a partir dos dados em que se baseia. Se você deseja que ele rastreie os dados de perto, você irá compensá-lo por 10 períodos (12 o comprimento médio). Então, quando você olhar para ele em seu gráfico, ele irá acompanhar os dados muito de perto. A compensação para obter essa capacidade de rastreamento próximo é que os dados serão então atuais para apenas 10 bares atrás. Vamos olhar para um gráfico para que possamos ver o que isso significa (elogios de TradeStation): O gráfico acima mostra um gráfico de 10 minutos com uma média móvel período 30 sobre ele (a linha azul claro). Como você pode ver, o ponto de viragem na média móvel que está na borda da elipse na esquerda vem 15 barras após o preço real elevado. Na elipse à direita, a baixa na média móvel também vem 15 bares após o real baixo no preço. Em média, uma média móvel de 30 períodos, vai introduzir 15 períodos de atraso. Se compensarmos a média móvel por esse valor, ela 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 segue as voltas com muita precisão. Este atraso de meia-onda que as médias móveis apresentam é a única questão mais importante que você precisa entender quando usando médias móveis em sua negociação. Será que a meia onda média móvel sempre rastrear os dados perfeitamente como acima Não, ele não vai. Isto é devido ao facto de o comprimento do comprimento médio móvel não corresponder ao comprimento do ciclo que está presente nos dados originais. Isso significa que diferentes comprimentos de média móvel de base acompanharão os dados subjacentes com mais precisão em momentos diferentes. Normalmente, o comprimento médio móvel que rastreará os dados com mais precisão está mudando constantemente. Tenha isto em mente à medida que avançamos em nossa discussão de Moving Average Convergence Divergence. A Divergência de Convergência de Média Móvel básica na maioria dos pacotes de gráficos é composta por duas médias móveis que são 12 períodos e 26 períodos de comprimento (fixo). Em seguida, a computação é fazer a diferença entre essas duas médias, a fim de gerar o que é chamado de uma linha de sinal. A Linha de Sinal é então retardada novamente por outra média (exponencial) de 9 períodos. Em Inglês simples, uma linha de sinal é a diferença atrasada entre duas médias móveis (atrasos). Basicamente então, quando a média móvel mais rápida (período 12) 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, então a diferença se tornará negativa, indicando que o mercado está em declínio. Para mim, é impossível ser um usuário MACD porque simplesmente olhando um gráfico me diria se o mercado está subindo ou caindo. Olhando 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 de movimento (atraso introduzindo) que não estão em sincronia com a duração do ciclo do mercado em tudo. Estas complexidades podem resultar no MACD fazendo algumas coisas muito estranhas, particularmente em mercados abruptamente em movimento onde o ciclo de comprimento está mudando ou se tornando mais do que a base 12 e 26 médias de período. 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 na linha de sinal, que é mostrada como um histograma. Como você pode ver, começando logo antes do meio dia, o MACD começou a cair para baixo (quando a linha amarela mais curta do período 12 cruzou abaixo da linha de 26 períodos mais longa). A Linha de Sinal vai negativa neste momento, enquanto o mercado continua a subir. Devido às mudanças de comprimento de onda e atrasos introduzidos pela média móvel componentes, o MACD realmente inverteu do que o mercado estava realmente fazendo. Levaria cerca de 26 barras, ou períodos (mais ou menos) para corrigir isso. A questão é esta, é o fator de inversão keying-nos em uma imprecisão indo no MACD Existe um indicador de tendência melhor que não têm essas questões Vamos olhar para uma rede de otimização de sistema de negociação simples com base no comércio MACD e ver como estável ele É por conta própria. Para simplificar, 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 reverta, estando sempre no mercado. Durante um período de teste de dois anos usando a estratégia MACD para gerar sinais de compra e venda nos contratos da SampP Emini em um gráfico de 10 minutos, os resultados são claros. Nenhum conjunto de parâmetros foi rentável (foi realizado um teste muito maior do que o mostrado). Ouch O que isso nos diz é que fazer exatamente o oposto do MACD é um melhor ponto de partida para o desenvolvimento do sistema do que o que a sabedoria convencional nos faria acreditar. Evidentemente, isto variará de acordo com o intervalo de tempo (isto é, 5 minutos, dados diários de 10 minutos, etc.). Por diversão, vamos lançar os sinais de compra em vender sinais e executar o nosso teste novamente. Aqui estão os resultados: Wow Isso é muito surpreendente A classificação para os conjuntos de cima, vemos algumas coisas interessantes. Um é o lucro é notável. Dois, muitos dos melhores conjuntos otimizar a um período de 2 sobre a média móvel de curto prazo. Isso nos diz que a porção média do período mais curto do MACD (assim como outros atrasos na Linha de Sinal) provavelmente poderia ser eliminada, desacreditando ainda mais o design extravagante do MACD. Isso é muito além das minhas expectativas pessoais quanto ao que encontraríamos nesses testes. Antes de ficar muito animado, este 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 limiar de aleatoriedade com o nosso MACD estudo. É isto para dizer que o MACD não tem nenhum valor que é até você. Quanto a mim, da próxima vez que eu quero saber se o mercado está indo para cima ou para baixo, vou olhar para um gráfico. É muito mais fácil entender o que está acontecendo sem introduzir camadas de atrasos e incapacidade de rastrear ciclismo corretamente. Treinar olho para ver as coisas diretamente do gráfico é a melhor maneira para mim. Poderia o MACD ser usado de outras maneiras Certamente poderia, mas talvez uma média móvel só poderia realizar muito a mesma coisa sem todos os problemas introduzidos por este fantasia e verbosamente nomeado indicador. Você usa MACD Você foi bem sucedido nisso Você mudou sua mente em MACD depois de ler este artigo Que indicadores você usa Você gostaria que eu debunk todos os outros indicadores i8217d gostam de ouvir de você, deixe um comentário abaixo. 6 Comentários Eu uso o macd como o meu principal indicador de comércio para scalping, mas eu usá-lo de uma maneira diferente do que você descreveu. O que você descreveu não funcionará. Levei muito tempo para descobrir o sistema para que eu não o desse, mas funciona e muito bem, devo dizer. E sobre o uso de tendências e Macd togeather-Take o comércio quando há uma linha de tendência break-, juntamente com um Macd Divergência ou Macd Cross 1. Da seleção 8220about8221, a idéia afirma que o meu tipo é definitivamente alguns. Pagamentos mínimos alguns (8E200) no caso, a fim de. Cheers, primeiro eu tenho perdendo sobre coaching de 2, depois que é extremamente fácil ao invés uma vez eu navegar nas 3 direções, muito obrigado Comissão apresenta subseqüentemente apenas 2 de lucro em comparação com 4 de receita, enquanto negociação e-mini Dow. Olá, eu gosto de sua escrita por isso muito proporção que manter em contato mais aproximadamente o seu artigo sobre AOL Eu preciso de um especialista nesta área para desvendar meu problema. Pode ser que é você Olhando para a frente para olhar você. Deixe um comentárioDocumentação Este exemplo mostra como usar filtros de média móvel e reamostragem para isolar o efeito de componentes periódicos da hora do dia em leituras de temperatura por hora, bem como remover o ruído de linha indesejável de uma medida de tensão em malha aberta. O exemplo também mostra como suavizar os níveis de um sinal de relógio enquanto preserva as bordas usando um filtro mediano. O exemplo também mostra como usar um filtro Hampel para remover outliers grandes. Motivação A suavização é como descobrimos padrões importantes em nossos dados enquanto deixamos de lado coisas que não são importantes (ou seja, ruído). Utilizamos a filtragem para realizar este alisamento. O objetivo do alisamento é produzir mudanças lentas no valor de modo que seu mais fácil ver tendências em nossos dados. Às vezes, quando você examinar os dados de entrada, você pode desejar 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 Logan para todo o mês de janeiro de 2017. Note que podemos ver visualmente o efeito que a hora do dia tem sobre as leituras de temperatura. Se você está interessado somente na variação diária da temperatura durante o mês, as flutuações de hora em hora só contribuem o ruído, que pode fazer as variações diárias difíceis de discernir. 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 Em sua forma mais simples, um filtro de média móvel de comprimento N toma a média de cada N amostras consecutivas da forma de onda. Para aplicar um filtro de média móvel a cada ponto de dados, 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 ao longo de cada período de 24 horas. Filter Delay Note que a saída filtrada está atrasada em cerca de doze horas. Isto é devido ao fato de que nosso filtro de média móvel tem um atraso. Qualquer filtro simétrico de comprimento N terá um atraso de (N-1) 2 amostras. Podemos contabilizar esse atraso manualmente. Extraindo Diferenças Médicas Alternativamente, também podemos usar o filtro de média móvel para obter uma melhor estimativa de como a hora do dia afeta a temperatura global. Para fazer isso, primeiro, subtraia os dados suavizados das medições de temperatura por hora. Em seguida, segmente os dados diferenciados em dias e tome a média em todos os 31 dias do mês. Extraindo o Envelope de Pico Às vezes gostaríamos também de ter uma estimativa suavemente variável de como os altos e baixos do nosso sinal de temperatura mudam diariamente. Para fazer isso, podemos usar a função envelope para conectar altos e baixos extremos detectados em um subconjunto do período de 24 horas. Neste exemplo, garantimos que haja pelo menos 16 horas entre cada extrema alta e extrema baixa. Podemos também ter uma noção de como os altos e baixos tendem tomando a média entre os dois extremos. Filtros de Média Móvel Ponderada Outros tipos de filtros de média móvel não pesam igualmente cada amostra. Outro filtro comum segue a expansão binomial de (12,12) n Este tipo de filtro se aproxima de uma curva normal para grandes valores de n. É útil para filtrar o ruído de alta freqüência para pequenas n. Para encontrar os coeficientes para o filtro binomial, convolve 12 12 com ele mesmo e então convolua iterativamente a saída com 12 12 um número prescrito de vezes. Neste exemplo, use cinco iterações totais. Outro filtro um pouco semelhante ao filtro de expansão gaussiano é o filtro de média móvel exponencial. Este tipo de filtro de média móvel ponderada é fácil de construir e não requer um tamanho de janela grande. Você ajusta um filtro de média móvel ponderado exponencialmente por um parâmetro alfa entre zero e um. Um valor maior de alfa terá menos suavização. Amplie as leituras durante um dia. Selecione seu Filtro Médio de Filtragem (Filtro MA) Carregando. O filtro de média móvel é um filtro simples Low Pass FIR (Finite Impulse Response) comumente usado para alisar uma matriz de datasign amostrada. Ele toma M amostras de entrada de cada vez e pegue a média dessas M-amostras e produz um único ponto de saída. É uma estrutura de LPF (Low Pass Filter) muito simples que vem à mão para cientistas e engenheiros para filtrar componentes indesejados ruidosos dos dados pretendidos. À medida que o comprimento do filtro aumenta (o parâmetro M) a suavidade da saída aumenta, enquanto que as transições nítidas nos dados são tornadas cada vez mais sem corte. Isto implica que este filtro tem uma excelente resposta no domínio do tempo mas uma resposta de frequência pobre. O filtro MA executa três funções importantes: 1) Toma M pontos de entrada, calcula a média desses pontos M e produz um único ponto de saída 2) Devido aos cálculos computacionais envolvidos. O filtro introduz uma quantidade definida de atraso 3) O filtro age como um Filtro de Passagem Baixa (com resposta de domínio de freqüência fraca e uma boa resposta de domínio de tempo). Código Matlab: O código matlab seguinte simula a resposta no domínio do tempo de um filtro M-point Moving Average e também traça a resposta de freqüência para vários comprimentos de filtro. Time Domain Response: No primeiro gráfico, temos a entrada que está entrando no filtro de média móvel. A entrada é ruidosa e nosso objetivo é reduzir o ruído. A figura seguinte é a resposta de saída de um filtro de média móvel de 3 pontos. Pode-se deduzir da figura que o filtro de média móvel de 3 pontos não fez muito na filtragem do ruído. Nós aumentamos os toques de filtro para 51 pontos e podemos ver que o ruído na saída reduziu muito, que é descrito na próxima figura. Nós aumentamos as derivações para 101 e 501 e podemos observar que mesmo que o ruído seja quase zero, as transições são drasticamente apagadas (observe a inclinação de cada lado do sinal e compare-as com a transição ideal da parede de tijolo em Nossa entrada). Resposta de Freqüência: A partir da resposta de freqüência pode-se afirmar que o roll-off é muito lento ea atenuação da banda de parada não é boa. Dada esta atenuação de banda de parada, claramente, o filtro de média móvel não pode separar uma banda de freqüências de outra. Como sabemos, um bom desempenho no domínio do tempo resulta em fraco desempenho 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 de passagem baixa excepcionalmente ruim (a ação no domínio da freqüência) Links externos: Livros recomendados: Primary SidebarMoving Average Este exemplo ensina você Como calcular a média móvel de uma série de tempo no Excel. Uma média móvel é usada para suavizar irregularidades (picos e vales) para reconhecer facilmente as tendências. 1. Primeiro, vamos dar uma olhada em nossa série de tempo. 2. No separador Dados, clique em Análise de dados. Nota: não é possível encontrar o botão Análise de dados Clique aqui para carregar o suplemento do Analysis ToolPak. 3. Selecione Média móvel e clique em OK. 4. Clique na caixa Input Range e selecione o intervalo B2: M2. 5. Clique na caixa Intervalo e escreva 6. 6. Clique na caixa Output Range e seleccione a célula B3. 8. Faça um gráfico destes valores. Explicação: porque definimos o intervalo como 6, a média móvel é a média dos 5 pontos de dados anteriores eo ponto de dados atual. Como resultado, os picos e vales são suavizados. O gráfico mostra uma tendência crescente. O Excel não consegue calcular a média móvel para os primeiros 5 pontos de dados porque não existem pontos de dados anteriores suficientes. 9. Repita os passos 2 a 8 para o intervalo 2 eo intervalo 4. Conclusão: Quanto maior o intervalo, mais os picos e vales são suavizados. Quanto menor o intervalo, mais próximas as médias móveis são para os pontos de dados reais.