การย้าย ค่าเฉลี่ย Recursive กรอง

นักวิทยาศาสตร์และวิศวกรในการประมวลผลสัญญาณดิจิตอลโดย Steven W. Smith, Ph. D. ข้อดีอย่างมากของตัวกรองค่าเฉลี่ยเคลื่อนที่คือสามารถนำมาใช้กับอัลกอริทึมที่รวดเร็วมาก เพื่อทำความเข้าใจกับอัลกอริธึมนี้ลองจินตนาการผ่านสัญญาณอินพุต x ผ่านตัวกรองเฉลี่ย 7 จุดเพื่อสร้างสัญญาณเอาท์พุท y ตอนนี้ดูว่ามีการคำนวณจำนวนจุดส่งออกที่อยู่ติดกันสองจุดคือ y 50 และ y 51 อย่างไร: ต้องมีการคำนวณจุดการคำนวณใกล้เคียงกัน x 48 ถึง x 53 สำหรับ y 50 และอีกครั้งสำหรับ y 51 ถ้า y 50 ถูกคำนวณแล้ว วิธีที่มีประสิทธิภาพที่สุดในการคำนวณ y 51 คือเมื่อ y 51 ถูกค้นพบโดยใช้ y 50 แล้ว y 52 สามารถคำนวณได้จากตัวอย่าง y 51 และอื่น ๆ หลังจากที่จุดแรกถูกคำนวณใน y แล้วจุดอื่น ๆ ทั้งหมดสามารถพบได้โดยมีเพียงการบวกและการลบต่อจุดเท่านั้น นี่สามารถแสดงออกได้ในสมการ: สังเกตว่าสมการนี้ใช้ข้อมูลสองแหล่งในการคำนวณแต่ละจุดในเอาท์พุท: จุดจากอินพุทและจุดที่คำนวณก่อนหน้านี้จากเอาต์พุต นี่เรียกว่าสมการ recursive ซึ่งหมายความว่าผลการคำนวณหนึ่ง ๆ ถูกนำมาใช้ในการคำนวณในอนาคต (คำ recursive ยังมีความหมายอื่นโดยเฉพาะในวิทยาการคอมพิวเตอร์) บทที่ 19 กล่าวถึงตัวกรองแบบ recursive ในรายละเอียดเพิ่มเติม โปรดทราบว่าตัวกรอง recursive ค่าสัมบูรณ์ที่เคลื่อนที่แตกต่างจากตัวกรองแบบ recursive ทั่วไป โดยเฉพาะอย่างยิ่งตัวกรอง recursive ส่วนใหญ่มีการตอบสนองแรงดึงดูดอันยาวนาน (IIR) อนันต์ประกอบด้วย sinusoids และ exponentials การตอบสนองต่ออิมพัลส์ของค่าเฉลี่ยเคลื่อนที่เป็นรูปสี่เหลี่ยมผืนผ้า (pulse impulse response หรือ FIR) อัลกอริธึมนี้เร็วกว่าตัวกรองสัญญาณดิจิตอลอื่น ๆ ด้วยเหตุผลหลายประการ ขั้นแรกมีการคำนวณเพียง 2 จุดต่อจุดโดยไม่คำนึงถึงความยาวของเคอร์เนลตัวกรอง ประการที่สองการบวกและการลบคือการดำเนินงานทางคณิตศาสตร์เพียงอย่างเดียวที่ต้องการในขณะที่ตัวกรองดิจิทัลส่วนใหญ่ต้องการการคูณที่ใช้เวลานาน ประการที่สามรูปแบบการจัดทำดัชนีเป็นเรื่องง่ายมาก แต่ละดัชนีในสมการ 15-3 ได้ด้วยการเพิ่มหรือลบค่าจำนวนเต็มจำนวนเต็มซึ่งสามารถคำนวณได้ก่อนที่การกรองจะเริ่มต้น (เช่น p และ q) ขั้นตอนทั้งหมดสามารถดำเนินการได้ด้วยการแทนจำนวนเต็ม ขึ้นอยู่กับฮาร์ดแวร์ที่ใช้จำนวนเต็มสามารถมากกว่าลำดับความสำคัญได้เร็วกว่าจุดลอยตัว น่าแปลกที่การแทนจำนวนเต็มจะทำงานได้ดีกว่าจุดลอยตัวด้วยอัลกอริทึมนี้นอกจากจะเร็วกว่า ข้อผิดพลาดในการปัดเศษทศนิยมจากเลขคณิตลอยตัวสามารถให้ผลลัพธ์ที่ไม่คาดคิดได้หากคุณไม่ระมัดระวัง ตัวอย่างเช่นสมมติว่ามีการกรองตัวอย่างสัญญาณ 10,000 รายการด้วยวิธีนี้ ตัวอย่างสุดท้ายในสัญญาณที่ผ่านการกรองมีข้อผิดพลาดสะสม 10,000 ครั้งและการลบออก 10,000 ครั้ง นี้จะปรากฏในสัญญาณเอาท์พุทเป็นออฟเซ็ทลอย จำนวนเต็มไม่มีปัญหานี้เนื่องจากไม่มีข้อผิดพลาดในการคำนวณ ถ้าคุณต้องใช้จุดลอยตัวด้วยอัลกอริทึมนี้โปรแกรมในตารางที่ 15-2 จะแสดงวิธีการใช้เครื่องวัดความแม่นยำแบบคู่เพื่อลดการไหลลื่นนี้โรบินเฉลี่ยตัวกรอง bull quot (0) 0 bull 2 ​​160160160160 ตัวกรองค่าเฉลี่ยเคลื่อนที่คือ กรอง FIR ของความยาว N กับก๊อกทุกชุดเท่ากับ (1N) .160 รู้จักการแยกความถี่หมัด แต่การตอบสนองเวลาที่ยอดเยี่ยม - ในแง่นั้นมันออก - Bessels Bessel filter.160 คุณสามารถใช้กับบล็อก SigmaStudios FIR ตามที่อธิบายไว้ที่นี่: ตัวกรองยิ่งยาวนานขึ้นเท่านั้น แต่ขั้นตอนการกรอง FIR มาตรฐานใช้คำแนะนำสำหรับตัวกรองขนาดใหญ่จำนวนมากเนื่องจากต้องคูณค่าสัมประสิทธิ์สำหรับการแตะทั้งหมด 160 นี่เป็นของเสียเมื่อค่าสัมประสิทธิ์ทั้งหมดเหมือนกัน .160 เป็นบทที่ 15 ของ Steven W. Smiths หนังสือชี้ให้เห็นคุณสามารถสร้างตัวกรองค่าเฉลี่ยเคลื่อนที่ด้วยเทคนิคการเวียนเกิดที่มีการแตะก่อนและหลังการหน่วงเวลาขนาด (N-1) 160 ตัวกรองดังกล่าวจะปรากฏด้านล่างเป็นส่วนหนึ่งของ วงจรทดสอบที่มีแหล่งสัญญาณและ ตัวกรอง Bessel สำหรับการเปรียบเทียบ: 160160160160 ค่าสัมประสิทธิ์ถูกดึงออกมาที่บล็อกการรับค่าเดียวที่อินพุท 160 ตัวอย่างปัจจุบันจะเพิ่มเอาต์พุตเมื่อมันเข้าสู่ความล่าช้าตัวอย่างที่ล่าช้าถูกลบออกจากเอาต์พุตเมื่อมันออกมา 160 เครื่องบวกกับ การตอบรับสะสมเหล่านี้เพิ่มเติมและ subtractions เพื่อรูปแบบการส่งออก - นี้ไม่สิ่ง thats เล็กน้อยใน C แต่เป็นอย่างอื่นเจ็บปวดใน GUI.160 แม้ว่าเทคนิค recursive ใช้กรองยังคงกรอง FIR จริง - ความยาวของแรงกระตุ้นของ การตอบสนองจะได้รับการตั้งค่าตามความล่าช้าเท่านั้น 160160160160 อินพุตทดสอบของฉันเป็นคลื่นสี่เหลี่ยมที่มีเสียงรบกวนเพิ่มขึ้น 160 ผลลัพธ์ที่กรองออกมาจะปรากฏเป็นภาพด้านบนในภาพถ่ายทั้งสองรูป - แรกคือตัวกรองเฉลี่ยเคลื่อนที่: ตัวกรอง Bessel: 160160160160 ตัวกรองค่าเฉลี่ยเคลื่อนที่ช่วยให้มีเสียงรบกวนมากขึ้น แต่ให้ดีขึ้น รูปสี่เหลี่ยมจัตุรัสเป็นรูปทรงสี่เหลี่ยมจัตุรัส (รูปสี่เหลี่ยมจัตุรัส) มีรูปทรงเป็นรูปสี่เหลี่ยมจัตุรัส (รูปสี่เหลี่ยมจัตุรัส) มีรูปทรงเป็นรูปสี่เหลี่ยมจัตุรัสและลาดขึ้นและลงเป็นสมมาตร (เฟสเชิงเส้น). 160 การฟังรูปคลื่นสองรูปแบบด้วยหูฟังแสดงให้เห็นถึงผลที่คล้ายคลึงกัน - มีเสียงรบกวนมากขึ้น เสียงของคลื่นสแควร์มาผ่านทางมัวร์มัวร์บริการให้คำปรึกษาด้านเทคนิคหลักทรัพย์และการวิเคราะห์ทางเทคนิคตัวกรองแบบดิจิตอล - ค่าเฉลี่ยเคลื่อนที่แบบเสด็จพระราชดำเนิน (1) ตัวกรองดิจิทัลแบบ recursive วิธีหนึ่งในการสร้างตัวกรองดิจิทัลแบบพื้นฐานบนพื้นฐานที่มีประสิทธิภาพมากขึ้นคือการใช้เอาต์พุตบางตัวและนำไปใช้ ไปยังอินพุต ซึ่งทำให้ตัวกรอง recursive เป็นผลลัพธ์ที่เกิดขึ้นอีกครั้งในอินพุตทำให้ตัวกรองปรากฏขึ้นเป็นจำนวนอนันต์ ด้วยเหตุนี้ตัวกรองเหล่านี้จึงมีตัวกรองฟิลเตอร์ Impulse Response (IIR) เนื่องจากการตอบสนองสามารถดำเนินการต่อไปได้ภายในอินฟินิตี้ในกรณีนี้ตัวกรอง IIR แบบง่ายๆนี้มีเพียงขั้นตอนเดียวและใช้เปอร์เซ็นต์ของผลลัพธ์ก่อนหน้านี้ สมการสำหรับตัวกรองดิจิตอล IIR แบบง่ายๆนี้คือ: การวาดภาพของตัวกรอง IIR แบบง่ายๆนี้มีลักษณะคล้ายกับด้านล่างกราฟด้านล่างแสดงให้เห็นว่าเกิดอะไรขึ้น ชุดข้อมูลที่ 1 อินพุตขั้นตอนบาง ๆ จะให้ผลลัพธ์แบบชั่วคราวต่อไปนี้ ด้วยค่า 9 สำหรับ k k k 0.09 แล้วซีรี่ส์ 2 (เส้นหนา) เป็นคำตอบแรกโดยทั่วไป ถ้าเปอร์เซ็นต์ (k) ลดลงเป็น 5 (k 0.05) ซีรี่ย์ 3 (เส้นบาง ๆ ภายใต้ซีรี่ส์ 1) เป็นผลที่คาดหวังไว้ กับ k ลดลงไปอีก 1 (k 0.01) แล้วเรามี Series 4 (เส้นประใต้สองอีกสองเอาท์พุท) คือการตอบสนอง ผลลัพธ์เหล่านี้ทั้งหมดทำตามการตอบสนองตามเวลาที่ระบุ ดังนั้นด้วยความคิดเห็นเพียงเล็กน้อยเราได้เปลี่ยนตัวกรองที่ไม่ใช่ recursive ที่ค่อนข้างซับซ้อนลงในตัวกรองแบบทวนซ้ำที่มีการตอบสนองต่อความถี่เดียวกันมาก แต่การตอบสนองต่อเวลาที่ต่างกันรูปแบบการกรองสัญญาณ IIR จะยังคงอยู่ต่อเนื่องไปเรื่อย ๆ จนถึงอนันต์ value และนั่นคือเหตุผลที่ตัวกรองเหล่านี้ได้รับตัวกรอง Impulse Response (Infinite Impulse Response IIR) ปัญหานี้คือการผูกคำตอบเหล่านี้ไว้เพื่อให้สัมพันธ์กับแต่ละอื่น ๆ ด้วย Technical Trading ตัวหารร่วมคือช่วงเวลา (โดยปกติคือวัน) ดังนั้นจึงจำเป็นต้องสร้างปัจจัยการนับตัวนับ (k) เป็นปัจจัยระยะเวลา โชคดีที่มีความสัมพันธ์โดยตรงที่กำหนดและเป็นสูตรดังต่อไปนี้: เมื่อเราเลือก k 0.09 สูตรนี้จะแปลงเป็น 21.2222 ระยะเวลาและสำหรับ k 0.05 สูตรนี้จะแปลงเป็น 39.0 งวดและสำหรับ k 0.01 สูตรนี้จะแปลงเป็น 199.0 ระยะเวลา ย้อนกลับไปเราต้องการหาค่า k factor จากระยะเวลาและโดยการเปลี่ยนสูตรที่จะกลายเป็น: ดังนั้นสำหรับ 11.0 งวดแล้ว k 0.1666666 สำหรับ 21.0 ระยะเวลาแล้ว k 0.090909 และสำหรับ k 40.0 ระยะเวลาแล้ว k 0.0487804 ทั้งหมดนี้จะปรากฏขึ้นง่ายมาก แต่ความสัมพันธ์ต้องผูกไว้ อ้างอิงกลับไปที่กราฟเห็นได้ชัดว่าการตอบสนองต่อเวลาคือการสลายตัวแบบเลขแจง ในฟิสิกส์แผ่นดินการกระทำตามธรรมชาติทั้งหมดจะมีอัตราการคิดและการสลายตัวที่เป็นเอกลัษณ์ ดูถังน้ำล้าง: varoosh ทั้งหมดที่เริ่มต้นและมันจะจบลงหยด (ก่อนที่จะเสียบปลั๊กเพื่อเติมเงินในถัง) เมื่อไฟหน้ารถดับไฟพวกเขาไปสลัวและมืดในลักษณะที่ชี้แจง ปรากฏการณ์ทางธรรมชาติของมันทุกหนแห่งเมื่อฝนเริ่มตกและหยุดตกหนาแน่นของฝนในช่วงเวลาเป็นฟังก์ชันเลขชี้กำลังและเป็นไปตามกฎของการสลายตัวแบบ exponential เช่นกัน Back in Electronics การย่อยสลายแบบ exponential เป็นเรื่องธรรมดาและเวลาในการคิดค่าใช้จ่ายและการปลดปล่อยจะวัดได้ด้วยวิธี normalised เรียกว่า Time Constants (T) การปลดปล่อยคงที่ครั้งเดียวประมาณ 37 สองถึง 14 สามถึงประมาณ 5 สี่ถึงประมาณ 1.8 และ 5 ถึง 0.6 ซึ่งโดยทั่วไปไม่มีอะไรเมื่อชิ้นส่วนอิเล็กทรอนิกส์คิดค่าใช้จ่ายตามที่ผกผันของอัตราการปลดปล่อยเช่น 63, 86, 95 , 98.2, 99.4 และอื่น ๆ หมายถึงสมการ Digital Filter IIR ที่เรียบง่ายซึ่งตอบสนองต่อฟังก์ชัน Heaviside Step เส้นประจุมีสมการดังนี้ y (t) x (0) (1-exp-tT) โดยที่ T ค่าคงที่ (หรือช่วง) ค่า กราฟของสมการนี้ตรงกับตัวกรอง recursive แบบง่ายๆที่อธิบายไว้ข้างต้นดังนั้นโดยการใช้ Heavisides Step function (โดยการเปลี่ยนค่า input ให้เป็น 1 แทน 0) แล้วใช้แทนค่า Period เป็นตัวประกอบเวลา t (39) ใน โดยตรงกับสมการแล้ว y (39) (1-exp -39T) 0.8646647 ดังนั้น 0.1353352 exp -39T และ ln (0.1353352) -2 ดังนั้น exp -2 exp -39T ดังนั้น -2 -39T และ transposing, T 19.5 ดังนั้นสิ่งที่ทำ ทั้งหมดที่โรงเรียนคณิตศาสตร์หมายถึงหมายความว่าโดยทั่วไปหมายถึงจำนวนที่ระบุของระยะเวลาในตัวกรอง recursive ง่ายเทียบเท่ากับสอง (2) เวลาคงที่ ในคำอื่น ๆ เมื่อเราระบุตัวกรอง recursive 100 วัน (พูด) วันที่ 100 ผลลัพธ์ของการตอบสนองของตัวกรอง (จาก Step Input) จะเท่ากับค่าคงที่ของเวลาสอง (86 ของจำนวนสูงสุด) ขณะนี้เรามีคณิตศาสตร์ที่ถูกต้องทำนายผลลัพธ์ของตัวกรองจากการป้อนข้อมูลใด ๆ ที่รู้จักไม่เดาได้ขอบคุณ Oliver Heaviside และนักคณิตศาสตร์ที่ยอดเยี่ยมเหล่านี้ตอนนี้เราสามารถใช้คณิตศาสตร์พื้นฐานของเขาในการคำนวณการตอบสนองต่อทางลาดและข้อผิดพลาดด้วยกราฟบน ด้านซ้ายมือด้านล่างแสดงอินพุตขั้นต่ำ 100 หน่วยที่ใช้กับทั้ง SMA20 และตัวกรอง EMA20 และทั้งสองเอาต์พุตจะเห็นได้ชัดเจน จากอินพุตขั้นตอนสัญญาณเอาต์พุตของ SMA20 จะเพิ่มขึ้นเป็นทางลาดจนกระทั่งถึงค่าสูงสุดเช่นเดียวกับเครื่องขยายสัญญาณที่มีอัตรา จำกัด การสลายตัว EMA20 จะเพิ่มขึ้นอย่างรวดเร็วจากนั้นจึงหลุดออกมาเพื่อชี้แจงให้พอดีกับการส่งออกที่มีเสถียรภาพแบบ asymptotically ทั้งสองเอาท์พุทข้ามไปที่เครื่องหมาย 80 และเป็นข้อมูลอ้างอิงที่จะใช้เมื่อเปรียบเทียบกับคำตอบอื่น ๆ กราฟด้านขวามือด้านล่างแสดงการตอบสนองของตัวกรอง IIR ต่อทางลาด (หนึ่งตำแหน่งแนวตั้งต่อขั้นตอนแนวนอน) (ซึ่งอาจดูเป็นร้อยละ 1 ต่อวัน) คราวนี้ k 0.15 ดังนั้นช่วง 12.33333 และเวลาคงที่ (T) จึงเป็น 6.166667 ระยะเวลา Ramp หน่วยเป็นเส้นตรงที่มีเส้นบาง ๆ เป็นเส้นตรงและใต้เส้นที่มีการตอบสนองต่อทางลาดหนาไปยังทางลาดซึ่งจะหลุดออกและกลายเป็นแบบขนานกับทางลาด ระยะห่างแนวตั้งระหว่างสองตัวนี้คือข้อผิดพลาด ดังนั้นตอนนี้เรารู้ว่าตัวกรอง IIR แบบง่ายนี้มีการตอบสนองคำสั่งซื้อลำดับแรกซึ่งมีข้อผิดพลาดเป็นศูนย์ถึงค่าอินพุตที่มั่นคงและมีข้อผิดพลาดคงที่ที่รู้จักกับการป้อนข้อมูลทางลาด สูตรสำหรับข้อผิดพลาดคือข้อผิดพลาด Rk 1 โดยที่ R คืออัตราความชันของอินพุต การแทน k 0.15 ลงในสมการนี้จะมีข้อผิดพลาดอนันต์ที่ 5.66666 และนั่นคือสิ่งที่กราฟแสดงให้เห็น ตัวกรอง Recursive (IIR) ในการปฏิบัติส่วนข้างต้นได้อธิบายถึงการทำงานด้านล่างของตัวกรองข้อมูลแบบ recursive filter ที่ง่ายที่สุด (IIR filter) ซึ่งเป็นผลงานที่เหมือนกันของ Exponential Moving Average (EMA) และแทบจะไม่มีการเปลี่ยนแปลงอะไรเลย ตัวอย่างเช่น EMA 20 วันเป็นตัวกรอง IIR ที่มี k 0.095238 และไม่ควรแปลกใจ ตอนนี้เราทราบด้วยว่าค่าตัวกรองเวลาคงที่สำหรับตัวกรอง EMA 20 วันเป็นเวลา 10 วันและค่าความผิดพลาดทางลัดคือ 9.5 (สมมติว่ามีอัตราการเล่นต่อเนื่องหนึ่งร้อยต่อวัน) กราฟด้านบน (จากแผนภูมิ MarketTools) แสดงความแตกต่างของการตอบสนองระหว่าง SMA20 (สีเขียว) กับ EMA20 (สีฟ้า) ขณะที่ราคาปิดเริ่มไต่ไปตามทาง EMA เริ่มติดตามอย่างใกล้ชิดและเวียนรอบขณะที่ SMA20 สไลด์ช้าลง (กลม) และสร้างเส้นตรง ไม่ควรแปลกใจเพราะเรารู้ว่า SMA มีปฏิกิริยาน้อยกว่าการเปลี่ยนแปลงล่าสุดเมื่อเทียบกับ EMA คุณสามารถเห็นข้อผิดพลาดที่พวกเขามีทางลาดในราคาและสามารถใช้ประโยชน์เมื่อทำการวิเคราะห์ทางเทคนิคกราฟนี้ยังแสดงค่าเฉลี่ยเคลื่อนที่ที่ติดตามราคา แต่มีราคาใกล้เคียงกัน (ข้อผิดพลาด) ที่เกิดจากแทบ อัตราคงที่ของการเปลี่ยนแปลงในราคาในช่วงเวลาที่ จำกัด (ในกรณีนี้) ปัญหาเกี่ยวกับราคาคือมีระบบข้อเสนอแนะที่ควบคุมการเปลี่ยนแปลงของราคาและข้อเสนอแนะนี้มีการจัดการโดยมนุษย์ซึ่งทำงานได้ดังนี้: ด้วยเหตุผลบางอย่างใครบางคนเห็นว่าต้องการซื้อหุ้นโดยเฉพาะ แต่ราคาแพงกว่าเล็กน้อย ราคาซื้อขายก่อนหน้านี้ เมื่อพวกเขาซื้อหุ้นราคาใหม่สูงขึ้น คนอื่น ๆ เห็นว่าราคาสูงหรือถูกหรือถูก ด้วยความคิดนี้ผู้ค้ารายอื่นใช้ราคาก่อนหน้านี้เป็นข้อมูลอ้างอิงและมีแนวโน้มที่จะแก้ไขราคาดังกล่าวให้กลับสู่ราคาอ้างอิงที่แต่ละรายการมี ทำให้ราคามีความผันผวนในลักษณะที่แกว่งตัวซึ่งมีแนวโน้มที่จะปรับตัวได้ตามกาลเวลา ทั้งหมดจะไม่สูญหายเพราะเป็นสิ่งสำคัญที่ต้องเข้าใจว่าเทคโนโลยี Moving Average เป็นระบบลำดับที่หนึ่งสำหรับตอนนี้สามารถใช้ความรู้ได้ว่าหากราคาโดยทั่วไปอยู่ต่ำกว่าค่าเฉลี่ยเคลื่อนที่แล้วราคาจะร่วงลงจริง กับเวลาและหากราคาสูงกว่าค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยของราคาจะเพิ่มขึ้นตามระยะเวลา ดังนั้นจึงทำให้รู้สึกเป็นอย่างมากที่จะรู้กฎขั้นพื้นฐานนี้เนื่องจากหมายความว่าเฉพาะหุ้นที่มีส่วนเกี่ยวข้องคือกลุ่มที่มีราคาสูงกว่าเส้นค่าเฉลี่ยเคลื่อนที่ แต่สิ่งที่คงที่เวลาที่ควรจะใช้สำหรับค่าเฉลี่ยเคลื่อนที่และทำไมแทบไม่มีแพคเกจการวิเคราะห์ทางเทคนิคมาที่ใดก็ได้ใกล้ระดับความลึกนี้และพวกเขาทั้งหมดรักษา SMA และ EMA ด้วยความเข้าใจที่แท้จริงของความเข้าใจ ปัญหาคือเกือบจะอธิบายได้ง่ายว่าแทบทุกข้อมูลเป็นข้อมูลจาก EOD และด้วยเหตุนี้การข้ามข้ามค่าเฉลี่ยเคลื่อนที่สามารถแก้สัญญาณการขายได้มากที่สุดในคำอื่น ๆ ความก้าวหน้าของการวิเคราะห์ทางเทคนิคก็หยุดลงเช่นรถบัสชนหน้าผาเมื่อเคลื่อนที่โดยเฉลี่ย แก้ไขด้วยข้อมูล EOD ค่าเฉลี่ยเคลื่อนที่ 1 ค่าเฉลี่ยความเชื่อมั่นว่า SMA และ EMA เป็นระบบลำดับที่ 1 และทั้งสองมีประสิทธิภาพในการลดเสียงรบกวนของการเปลี่ยนแปลงทางการค้าโดยเฉพาะอย่างยิ่งค่าปิด จากข้อมูลของ EOD เราไม่แปลกใจเลยว่าค่าเฉลี่ยเหล่านี้ใช้เป็นตัวบ่งชี้การซื้อหรือไม่ซื้อหลักทรัพย์ที่มีรูปแบบใด ๆ การใช้งานของพวกเขาเป็นโปรแกรมง่ายๆที่ข้อผิดพลาดระหว่างราคาปิดจริงกับค่าเฉลี่ยเคลื่อนที่เมื่อบวกแสดงให้เห็นว่าควรมีการรักษาความปลอดภัยและการสนทนา ตัวบ่งชี้นี้เป็นแบบดั้งเดิมที่สุดของตัวชี้วัดทางเทคนิคทั้งหมดและเป็นปีที่อ่อนเกินกว่าที่จะใช้รูปแบบใด ๆ ของการบ่งชี้ทางการเงินที่สร้างขึ้นเพื่อแสดงให้เห็นว่าราคาประกันกำลังเพิ่มขึ้นหรือลดลงในแนวโน้ม ตัวบ่งชี้จริงๆส่องเมื่อความปลอดภัยอยู่ในแนวโน้ม แต่เมื่อราคา hovers หรือ flattens ออกมีปัญหาของการไม่แน่ใจ กราฟด้านล่างแสดงถึงสถานการณ์นี้และเป็นตัวอย่างโดยการรวมฟังก์ชันสวิทช์เพื่อแสดงสิ่งที่สามารถเกิดขึ้นได้ ฟังก์ชั่นสวิทช์จะแสดงกราฟเฉลี่ยที่เคลื่อนไหวโดยใช้ราคา ในกรณีทางซ้ายมือเป็น EMA12 และเมื่อราคาปิดผันผวนสวิทช์จะไม่ได้รับการตัดสินใจมากนักเมื่อแนวโน้มราคาขึ้นหรือเปลี่ยนทิศทาง วิธีหนึ่งในการแก้ปัญหาคือการใช้ค่าเฉลี่ยเคลื่อนที่ช้าลงเช่น EMA21 ตามที่แสดงไว้ทางด้านขวามือ จำนวนจุดหักเหจะลดลงซึ่งหมายความว่าจำนวนการค้าที่ไม่มีประโยชน์จะลดลงอย่างมีนัยสำคัญ แต่มองใกล้และการทำกำไรมากจะหายไปเนื่องจากค่าเฉลี่ยเคลื่อนที่มีการเปลี่ยนสายเกินไป ในเบื้องหลังมีค่าเป็นบวกว่าค่าเฉลี่ยเคลื่อนที่ของ EOD 12 และ 21 EOD จะนุ่มนวลกว่าการปิด EOD และสามารถใช้ประโยชน์ได้ในตัวเอง สองค่าเฉลี่ยเคลื่อนที่โดยการเปรียบเทียบค่าเฉลี่ยเคลื่อนที่สองค่า (ซึ่งในตัวเองได้รับการปรับปรุงให้เรียบขึ้นโดยใช้คุณลักษณะของตนเอง) สามารถหาข้อบ่งชี้ที่สะอาดขึ้นและสามารถนำเสนอข้อดีบางอย่างได้ กราฟด้านล่างแสดงตัวอย่างบางส่วนเกี่ยวกับการรักษาความปลอดภัยเดียวกันสำหรับการเปรียบเทียบโดยตรง กราฟด้านซ้ายมือมีฟังก์ชันสวิทซ์เหมือนกันโดยอิงจากค่าเฉลี่ยเคลื่อนที่สองค่าคือ EMA12 และ EMA26 และเห็นว่าความไม่แน่ใจค่อนข้างต่ำ นี่เป็นขั้นตอนที่เป็นบวก แต่การมองข้ามจุดเปลี่ยนที่เกิดขึ้นจริงแสดงให้เห็นว่าเป็นเรื่องที่อนุรักษ์นิยมมากและในหลายกรณีการสูญเสียรายได้สำคัญก่อนที่จะมีการตัดสินใจดึงออก ถ้าไม่ได้สำหรับการนี้แล้วนี้อาจเป็นตัวบ่งชี้ที่เหมาะสมเหมาะสำหรับการถือหุ้นโดยอิงจากราคาปิดจากตัวเลข EOD กราฟด้านขวาบน (นำมาจาก OmniTrader) แสดงมุมมอง 6 เดือนของสต็อกและมีกราฟค่าการเคลื่อนที่เชิงตัวเลขสองเส้น (EMA) อยู่บนกราฟ ในกรณีนี้ค่าเฉลี่ยเคลื่อนที่ที่กอดราคาหุ้นคือ EMA8 และอีกค่าหนึ่งที่ผันแปรไปในราคาหุ้นคือ EMA35 นี่เป็นตัวอย่างที่ดีเนื่องจาก EMA ที่เร็วกว่ามีช่วงของค่า EOD ของราคาหุ้นซึ่งตัดกันหลายต่อหลายครั้ง EMA ที่ช้าลงแทบไม่ถึงระดับราคา EOD OmniTrader มีคุณสมบัติที่ดีมากในการที่ตัวบ่งชี้การทดสอบแต่ละตัวสามารถตั้งค่าให้เหมาะกับตัวเองเพื่อความปลอดภัยในแต่ละประวัติที่ระบุ (เช่น 250 วันทำการ) สิ่งนี้ทำให้ตัวบ่งชี้มีโอกาสที่จะได้รับอัตราการเข้าชมดีกว่าที่คุณได้รับโดยการตั้งค่าตัวบ่งชี้ด้วยตัวคุณเอง ในกรณีนี้พวกเขาเริ่มต้นที่ EMA12 และ EMA40 และตัดสินใน EMA8 และ EMA35 เพื่อผลลัพธ์ที่ดีที่สุด ปัญหาคือความไม่แน่นอนเนื่องจากทั้งสองค่าเฉลี่ยเคลื่อนที่เคลื่อนที่เข้าหากันและไม่มีการครอสโอเวอร์ที่สะอาด นี่ไม่ใช่ประเด็นสำคัญที่เรารู้ว่า SMA และ EMA ทั้งสองเป็นระบบลำดับที่ 1 และเนื่องจากว่าพวกเขาพัวพันกับการป้อนข้อมูลอย่างต่อเนื่องดังนั้นหากราคายังคงเป็นค่าคงที่ค่าเฉลี่ยเคลื่อนที่สองค่านี้จะมีการรวมตัวกันที่ค่าคงที่นั้น มูลค่า แต่ในอัตราที่แตกต่างกัน ปัญหาที่เกิดขึ้นจริงคือเสียงหนึ่ง (ความผันผวนของราคาที่แท้จริงเกี่ยวกับค่าคงที่) และนี่อาจเป็นสาเหตุให้ค่าเฉลี่ยเคลื่อนที่เร็วขึ้นเพื่อให้มีค่าเฉลี่ยเคลื่อนที่ช้าลง (ยาวขึ้น) มีปัญหาหลายอย่างในการแก้ปัญหานี้และแต่ละข้อมีประโยชน์ ค่าเฉลี่ยเคลื่อนที่หลายแบบการขยายไปสู่รูปแบบการเคลื่อนที่โดยเฉลี่ยตั้งแต่หนึ่งถึงสองเป็นจำนวนมากคือความก้าวหน้าเชิงตรรกะและวิธีการของค่าเฉลี่ยเคลื่อนที่หลาย ๆ เส้นค่อนข้างเป็นแนวคิดง่ายๆในการมองเห็นภาพ Daryl Guppy คิดค้นและประกอบด้วยค่าเฉลี่ยเคลื่อนที่สิบตัวในสองกลุ่มที่มีระยะห่างทางเรขาคณิต กลุ่มแรกคือ EMA3, EMA5, EMA7, EMA10 และ EMA15 ระยะสั้นในขณะที่ค่าเฉลี่ยเคลื่อนที่ในระยะยาวคือ EMA30, EMA35, EMA40, EMA50 และ EMA60 เพื่อดูภาพว่ามีลักษณะอย่างไรกราฟทั้งสองด้านล่างแสดงภาพทั่วไป กราฟด้านซ้ายมือด้านล่างมีค่าเฉลี่ยเคลื่อนที่ระยะยาว 5 ระยะตามแนวเส้นขนานทั่วไปเมื่อราคาหุ้นปรับตัวสูงขึ้นแล้วราคาจะสูงขึ้นเรื่อย ๆ และเส้นค่าเฉลี่ยเคลื่อนที่จะขยายตัวออกจากกันและกันและจะขยายตัวเป็นแนวโน้มใหม่ ชุดในสถานที่และค่าเฉลี่ยเคลื่อนที่อีกครั้งเป็นเส้นคู่ขนาน มองอย่างใกล้ชิดในกราฟด้านขวาของสต็อกเดียวกันกับชุดค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยที่สั้นลงจะเห็นได้ชัดว่าเมื่อค่าเฉลี่ยเคลื่อนที่แบบเสวนามาบรรจบกันหรือพองตัวแล้วสิ่งที่กำลังจะเกิดขึ้นเหตุผลที่ค่าเฉลี่ยเคลื่อนที่เหล่านี้มีรูปแบบเส้นคู่ขนานได้อย่างมีประสิทธิภาพ แนวโน้มที่เกิดขึ้นคือข้อผิดพลาดจากราคาที่แท้จริงต่อค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับค่าความคิดเห็นใน EMA ในการเปรียบเทียบโดยตรง SMA ตามค่าคงที่ในเวลาเดียวกันจะแสดงไว้ด้านล่างกราฟด้านบนแสดงเส้นรุ้งเดียวกัน แต่ใช้ SMA แทน EMA เนื่องจากการตอบสนองการป้อนข้อมูลที่ไม่ใช่เชิงเส้นเพื่อให้ EMA มีเส้นโค้งที่ทำให้เกิดการรวมกันของแต่ละตำแหน่งซึ่งชุดของเส้นโค้ง SMA ในกราฟล่างสองเหล่านี้จะทำให้เกิดการชนกันมากกว่ากัน ค่าเฉลี่ยของการเคลื่อนไหวของ Guppy Daryl Guppy ได้พัฒนารุ้งของค่าเฉลี่ยเคลื่อนที่หลาย ๆ แบบเรียกว่า Guppy Moving Averages (GMA) ซึ่งเมื่อวางไว้บนกราฟราคาให้มาบรรจบกันเมื่อแนวโน้มเริ่มขึ้นและกลับมาบรรจบกันอีกครั้งเมื่อแนวโน้มลดลง ค่าคงที่ของ Daryls EMA สำหรับระยะสั้นคือ 3, 5, 8, 10, 12, 15 และระยะยาว 30, 35, 40, 45, 50, และ 60 สำหรับค่าคงที่ในระยะสั้นฉันเดาว่านี่เป็นพื้นฐานของชุดเลข EMA แบบเลขคณิตที่เรียบง่ายซึ่งมีระยะเวลา 2.4 ปีในนามและตั้งค่าเป็นจำนวนเต็มที่ใกล้ที่สุดในช่วงนี้ส่งผลให้: , 5.4, 7.8, 10.2, 12.6 และ 15.0 ให้ 3, 5, 8, 10, 13 และ 15 กับ 13 ดึงกลับไปที่ 12 ดูเหมือนว่าผมว่าค่าคงที่ในระยะยาวขึ้นอยู่กับการคำนวณทางคณิตศาสตร์อื่นที่มี 55 หายไป ออกอาจเป็นเพราะมันมีแคบเกินไปที่นั่นและที่บอกฉันว่าลำดับนี้ควรได้รับความคืบหน้าทางเรขาคณิตในกรณีใด ๆ ช่วงเวลาระหว่างห้าถึง 30 ช่วงคือ 60 ถึง 60 คูณประมาณ 1.1487 ดังนั้นลำดับจะกลายเป็น 30.00, 34.46, 39.59, 45.47, 52.23, 60.00 และนำค่านี้ไปให้กับ Integers ที่ใกล้ที่สุดให้ดังนี้: 30, 34, 40, 45, 52, 60 และนี้จะ ให้ชุดยาวของ EMA ระยะยาวจากความก้าวหน้าทางเรขาคณิตได้รับค่าคงที่ในระยะยาว ดังนั้นทำไมฉันติดยาเสพติดในความคืบหน้าทางเรขาคณิตและทำไมพวกเขาสอนสิ่งเหล่านี้ที่โรงเรียนดีเป็นเช่นนี้ความสัมพันธ์ชีวิตเป็นจริงเรขาคณิตที่เกี่ยวข้องทุกอย่างเป็นอัตราส่วนของสิ่งอื่น ๆ แม้แต่การเพิ่มให้กับครอบครัวที่เกี่ยวข้องทางเรขาคณิตไม่เกี่ยวข้องกับคณิตศาสตร์ใน ขนาดใหญ่ ฉันรู้ว่าครูไม่ได้แสดงให้ฉันเห็นเมื่ออยู่ที่โรงเรียนและฉันก็มีครูที่เยี่ยมยอด ครูที่ดีที่สุดคือบรรดาครูที่มีทักษะทางอุตสาหกรรมและธุรกิจผ่านประสบการณ์ที่ไม่ใช่โรงเรียนและเป็นที่อิจฉาของผู้ที่ไม่ได้ ทั้งสองข้างต้นแสดงตัวอย่างของค่าเฉลี่ยการเคลื่อนที่ของ Guppy (GMMA) และค่าเหล่านี้คือค่าเฉลี่ยเคลื่อนที่แบบเสี้ยว (Exponential Moving Averages) ไม่ใช่ค่าเฉลี่ยเคลื่อนที่แบบธรรมดา (Simple Moving Averages) ที่น่าสนใจเนื่องจาก SMA มีการตอบสนองที่กลมกลืนเนื่องจากไม่ได้ตอบสนองต่อค่าล่าสุดที่ EMA ทำ มีสองครอบครัวของเหล่านี้และด้านซ้ายมือแสดงแถบระยะยาวห่างจากราคาและบรรจบกับการเปลี่ยนแปลง ด้านขวามือแสดงค่าเฉลี่ยเคลื่อนที่ระยะสั้นใกล้เคียงกับราคา (ใกล้เคียง) มากขึ้น ไปตามการสัมผัสกันอีกโดยการตั้งค่าความก้าวหน้าทางเรขาคณิตขึ้นอยู่กับราก 2 ตามเลนส์ถ่ายภาพลำดับโดยทั่วไปคือ 5, 7, 10, 14, 20, 28, 40, 56, 80, 113, 200 ฯลฯ ด้านซ้าย hand หนึ่งจะขึ้นอยู่กับ EMA และทางด้านขวาจะขึ้นอยู่กับ SMA เนื่องจาก SMA มีการตอบสนองชั่วคราวเชิงเส้นการติดตามโดยรวมค่อนข้างกลมกว่า EMA ที่มีการตอบสนองการสลายตัวที่ลดลงดังนั้นการสเปรย์ของค่าเฉลี่ยเคลื่อนที่ที่เป็นไปในเชิงบวกเมื่อเทียบกับจำนวนไขว้กับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย นี้เป็นเครื่องมือที่นิยมมากและรุ้ง Guppys ให้ผลกระทบสูงภาพและหากเป็นสิ่งที่คุณกำลังมองหาแล้วนี้มันไม่เพียง แต่มันน่าสนใจในการดูค่าเฉลี่ยเคลื่อนที่ต่างๆแตกต่างกันและมาบรรจบกัน แต่ไปที่หนึ่งขั้นตอนต่อไป คำนวณและแสดงว่า divergence และ convergence เป็นขั้นตอนวิวัฒนาการเชิงตรรกะถัดไป ขณะที่รุ้งเส้นรุ้งเหล่านี้มีผลต่อภาพโดยใช้ข้อมูล EOD เมื่อพูดถึงข้อมูลการค้ามันเป็นเรื่องที่แตกต่างไปจากเดิมอย่างสิ้นเชิงเนื่องจากการเพิ่มขึ้นมีขนาดเล็กลงเนื่องจากระยะเวลาสั้น ๆ และทำให้เกิดการวิเคราะห์ลำดับของไขว้ , เช่นนี้หยิบความแตกต่างระหว่างการค้าและการลงทุน แต่ในภายหลังการสลับไปใช้ข้อมูลทางการค้า (live) คือการใช้ตัวกรองที่ดีกว่าหรือน้ำตก (ใส่อีกอันหนึ่ง) ตัวกรองคำสั่งซื้อบางตัวแรกในการพยายามทำให้สูงขึ้น การสูญเสียในแถบหยุดที่มี risetime ที่สั้นกว่าและมีเส้นตรงมากขึ้นและ Cascaded EMAs คือขั้นตอนการผจญภัยต่อไปฉันจะใช้ตัวกรองเฉลี่ยหลาย ๆ ตัวสำหรับการส่งผ่านข้อมูลแบบ 80-72-64-48 สำหรับระบบฝังตัวใน C และจุดคงที่ การดำเนินการเป็นบัฟเฟอร์แบบวงกลมที่ im เก็บผลรวมที่ใช้งานได้และคำนวณ yn yn-1 xn - xn - M โดยที่ M คือความยาวของตัวกรอง นี้จะทำสำหรับแต่ละตัวกรองที่มีการส่งออกจากการให้บริการเป็นหนึ่งสำหรับการป้อนข้อมูลอื่น อิ่มปรับค่าสัมประสิทธิ์ของฉันโดย 2 ซึ่งทำให้ฉันมีสัมประสิทธิ์ของความยาว 2 หรือ 2 ขึ้นอยู่กับความยาวของตัวกรอง จากนั้นผลจะลดลงอีกครั้งโดย 2 เพื่อให้ได้ผลลัพธ์ที่ถูกต้อง ตอนนี้ทุกอย่างดูดีในช่วงเวลาสั้น ๆ แต่ในช่วงเวลานานฉันจะได้รับการเลื่อนลอย สาเหตุของการใช้งานแบบทวนซ้ำคือการประหยัดการคำนวณในตัวประมวลผลแบบฝัง ฉันได้รวมภาพบางส่วนของตัวกรอง internals ของฉันนี่คือตอนที่มีการใช้การตอบสนองขั้นตอนและเราจะเห็นฟังก์ชันการถ่ายโอนข้อมูลของตัวกรองที่ใช้รูปสี่เหลี่ยมจัตุรัสเป็นรูปสามเหลี่ยมแล้วประมาณ gaussian เพื่อให้ตัวกรองทำงานตามที่คาดหมาย มีวิธีใดในการแก้ไขปัญหานี้และแหล่งที่มาของสิ่งนี้น่าจะเป็นที่ใด เป็นล่องลอยนี้เนื่องจากบิตหายไปในขยับหรืออย่างอื่น การล่องลอยไม่มีอยู่สำหรับอินพุท DC แต่สำหรับสัญญาณ AC จะค่อยๆลอยขึ้น แก้ปัญหา: ปัญหาอยู่ใน accumulator เป็น robert แนะนำในความคิดเห็น ปัญหาก็คือองค์ประกอบหนึ่งของการคำนวณได้ผ่านการเปลี่ยนแปลงพิเศษขึ้นและลงเมื่อเทียบกับส่วนที่เหลือซึ่งสร้างรอบชดเชยที่สะสม ถาม 27 เม. ย. 27 เวลา 21:12 เป็นข้อมูลสะสมของคุณที่ถูกปัดเศษหรือ quantized ในลักษณะใดคุณต้องตรวจสอบให้แน่ใจว่า xn-M ที่ถูกลบออกจะเหมือนกับค่าที่ xn ที่ถูกเพิ่มตัวอย่าง M ที่ผ่านมา ดังนั้นคุณจึงต้องการที่จะทำผลรวมเคลื่อนที่ แทนที่จะเป็นค่าเฉลี่ยเคลื่อนที่และปรับขนาดผลลัพธ์ของยอดรวมเคลื่อนที่ของคุณ (ด้วย 1 ล้าน) เพื่อให้ได้ค่าเฉลี่ย นี้ค่อนข้าง doable และทำได้ดียิ่งขึ้นในจุดคงที่มากกว่าจุดลอย ฉันสมมติว่าคุณหารด้วย M หลังจากแต่ละขั้นตอนและนั่นคือค่าสัมประสิทธิ์ที่คุณ scale นั่นอาจเป็นสาเหตุของการชดเชย. ดีกว่าที่จะแบ่งโดย prod Mi ตอนท้ายของตัวกรองทั้งหมด คุณจำเป็นต้องติดตาม amplitudes ภายในแม้ว่าเป็นคุณที่สุดจะล้น accumulators อย่างไรก็ตามวิธีนี้สามารถแก้ไขได้โดยใช้คณิตศาสตร์แบบโมดูโล (ซึ่งเป็นกรณีพิเศษ) ndash Oscar 28 เม. ย. เวลา 7:00 น. ออสการ์นี่เป็นตัวกรองจุดคงที่ ความหมายฉันทำเลขคณิตจำนวนเต็มเท่านั้น สำหรับค่าเฉลี่ยเคลื่อนที่ของความยาว gt 1 ที่มีการเพิ่มขึ้น 1 ค่าคงที่ของตัวกรองจะเป็นเศษส่วนที่ไม่สามารถแสดงได้ในจำนวนเต็ม ดังนั้นค่าสัมประสิทธิ์จะถูกปรับขนาดเพื่อทำให้จำนวนเต็มโดยซ้ายขยับ x หลายบิต ด้วยเหตุนี้ผลลัพธ์สุดท้ายต้องถูกเลื่อนไปทางด้านขวาให้มากที่สุดเท่าที่จะเป็นไปได้ฉันไม่สามารถเก็บผลรวมทั้งหมดได้ 4 ตัวโดยไม่มีการคืนค่าเอาต์พุตระหว่างสัญญาณอินพุตคือ 16 บิตและมีการปรับค่าสัมประสิทธิ์และความยาว ตัวกรองเดียวใช้พื้นที่สะสมทั้งหมดของฉัน 32 บิต ndash user70614 เมษายน 28 15 เวลา 8:20