ZLEMA - nulllag eksponentiell flytende gjennomsnitt ZLEMA er en forkortelse for nulllag eksponentiell flytende gjennomsnitt. Det ble utviklet av John Ehlers og Rick Way. ZLEMA er en slags eksponentiell glidende gjennomsnitt, men hovedtanken er å eliminere det lag som stammer fra selve bevegelighetenes gjennomsnitt og andre trend-indikatorer. Som det følger prisen nærmere, gir det også bedre prisverdi og reagerer bedre på prisendringer. Eksempel: Bare prøv å forestille seg rett linje med data ndash det kan skje når eiendomsprisene stiger eller faller konstant. Hvis en forhandler bruker en klassisk EMA (eksponentiell glidende gjennomsnitt), kan han finne ut at EMA er lik assetrsquos Close pris (n-1) 2 dager siden. Med andre ord ndash for 5-dagers EMA-beregning, vil den nåværende EMA-verdien være den samme som Lukk pris (n-1) 2 2 dager siden. Du kan se resultatet i bildet nedenfor. Som du kanskje allerede har lagt merke til, ser ZLEMA-verdier forskjellig ut. Det er ingen forskjell mellom verdiene og lukkede priser. Equations (formel) for ZLEMA beregning ser ut som følger: Lag: (n dagrsquos periode ndash 1) 2 Opptaksdata for EMA: Lukk (Lukk ndash Lukk for noen dager siden) ZLEMA EMA of (Entry data for EMA) Beregningen eliminerer lag og Det endelige resultatet er et eksponentielt glidende gjennomsnitt som følger nærmere eiendomsprisene. Skulle prisene være en rett linje, vil ZLEMA være den samme rette linjen. Se bildet nedenfor. Den grønne linjen viser ASSET-prisene. De blå punktene representerer ZLEMA-verdier. Den rosa linjen og poengene representerer EMA-verdier. Som du kan se, når prisene oppretter en rett linje, er ZLEMA-verdiene nøyaktig de samme som prisene er. Det er ingen lag, ingen forskjell. ZLEMA reagerer bare mye raskere enn EMA. Interessant nok, isnrsquot det Og hva skjer hvis prisene endres raskt Se på bildet nedenfor. Du kan se igjen at det tar litt tid for EMA å tilpasse seg endringsforholdene på markedet. På den andre siden kan ZLEMA tilpasse seg nesten i samme øyeblikk som prisendringen skjer. Det er fordi ZLEMA-beregningen blir gjort på en forsinket data, i stedet for en vanlig. De nåværende prisene er overvektige og jo mer vi går til fortiden, blir dataene undervektige. ZLEMA fjerner forsinkelsen ved å doble prisøkningen eller redusere mellom n og (n-1) 2 dager for å minimere kumulativ effekt. Slik bruker du denne tekniske analyseindikatoren for handel Du kan bruke den som alle andre bevegelige gjennomsnitt (FRAMA. KAMA. HMA. T3. Vidya. DEMA. VAMA etc.). Den viser de rådende trendene på markedet, slik at du kan gå inn i bransjer som er i tråd med dagens trend. Du kan kombinere ZLEMA med alle andre bevegelige gjennomsnitt og se etter krysset. Du kan se etter diagrammønstre (støtter, motstander, topper og bunner etc.) som ZLEMA produserer jevnere data enn Lukk priser gjør. Du kan også prøve å kjøpe en eiendel når ZLEMA-verdiene stiger og selger aktiva når verdiene faller. Bildet nedenfor illustrerer denne handelsstrategien. De gule kurveplottene ZLEMA og pilene viser gjennombruddspunkter av gjennomsnittet. Som med nesten alle de tekniske indikatorene, er det beste hver handelsmann kan gjøre, er å teste sine egne data, egne innstillinger og egne regler om handel. Overraskende, det beste resultatet kan noen ganger oppnås med innstillinger som ikke er vanlige og regler som er ganske rart ved første øyekast, og desto flere ting kan en handler endre og eksperimentere med det bedre for ham og hans handelsstrategi. Hvis du er interessert i en dypere studie av denne tekniske indikatoren og foretrekker klar til å betjene løsninger, kan dette avsnittet være av interesse for deg. Der kan du finne alle tilgjengelige indikatorer i Excel-filer for nedlasting.8.20 Zero-Lag eksponentiell flytende gjennomsnitt Det null-lagte eksponentielle glidende gjennomsnittet (ZLEMA) er en variasjon av EMA (se eksponentiell flytende gjennomsnitt) som legger til et momentum som tar sikte på å redusere lag i gjennomsnittet for å spore dagens priser nærmere. For en gitt N-dagers periode er formelen Hvor ldquolagrdquo-perioden er (N-1) 2. En vanlig EMA som er brukt på rette linjepunkt slutter alltid å være nær ved (N-1) 2 dager siden. Så ideen om å legge i denne forskjellen ldquoclose - closelagrdquo er å kompensere for det forsinkelsen, slik at ZLEMA sporer en rett linje nøyaktig. Selvfølgelig er reelle data sjelden en rett linje, men prinsippet er å skyve ZLEMA mot omtrent den nåværende nærmen. Beregningen slutter fremdeles som ulike vekter på hver tidligere pris. Effekten av momentumperioden er å gjøre de siste prisene ldquoover weightrdquo og dermed sporet nøye, og med negative vekter på tidligere vilkår. Therersquos et plutselig hopp i vekter på momentumforsinkelsespunktet. For eksempel er følgende graf vektene for N15 (lag punkt 7). EMA-lagret på en rett linje kan beregnes enkelt ved hjelp av kraftformelen for EMA (se eksponentiell flytende gjennomsnitt), anvendt på en uendelig prissekvens som går nedover med 1 hver dag og når 0 i dag. På ikke-line-sekvenser er laget ikke en enkel (N-1) 2. men vil variere i henhold til form, periode med sykliske komponenter osv. Copyright 2002, 2003, 2004, 2005, 2006, 2007, 2008, 2009 Kevin Ryde Chart er fri programvare du kan omfordele den og modifisere den i henhold til GNU General Offentlig lisens som publisert av Free Software Foundation enten versjon 3 eller (etter eget valg) en senere versjon. John Ehlers TEKNISKE PAPIR John Ehlers, utvikler av MESA, har skrevet og publisert mange papirer knyttet til prinsippene som brukes i markeds sykluser. Synopses for tilgjengelige papirer vises nedenfor. Last ned hver ved å velge tilhørende HyperText. Hvorfor handlende mister penger (og hva som skal gjøres om det) En artikkel i mai 2014-utgaven av Stock amp Commodities Magazine beskrev hvordan man lager kunstige egenkapitalkurver ved bare å kjenne Profit Factor and Percent Winners of a Trading Strategy. Bell Curve statistikk for handel tilfeldig utvalgte aksjer og porteføljehandel er også inkludert. Dette er et Excel-regneark som gjør at du kan oppleve disse statistiske beskrivelsene av handelssystemets ytelse. Prediktive indikatorer for effektive handelsstrategier Tekniske forhandlere forstår at indikatorer må glatte markedsdataene være nyttige, og at utjevning introduserer lag som uønsket bivirkning. Vi vet også at markedet er fraktal, en ukentlig intervalldiagram ser ut som en månedlig, daglig eller intradagskjema. Det som kanskje ikke er så tydelig, er at etter hvert som tidsintervallet langs x-aksen øker, øker også de høye lavpris-svingene langs y-aksen, omtrent i forhold. Denne spektrale dilatasjonsfenomenet forårsaker uønsket forvrengning, en som enten ikke er blitt gjenkjent eller i stor grad blitt ignorert av indikatorutviklere og markedsteknikker. Inferring Trading Strategies fra målte sannsynlighetsdensitetsfunksjoner Dette var Runner-up-vinneren av MTAs 2008 Charles H. Dow Award. I dette papiret viser jeg implikasjonene til de ulike former for nedbryting og hvordan de resulterende Sannsynlighetsfordelingene kan brukes som strategier for å generere effektive handelssystemer. Resultatene av disse robuste handelssystemene er sammenlignet med standardmetoder. Denne papirvisningen og den interaktive måten å eliminere så mye lag som ønsket fra utjevningsfiltre. Selvfølgelig kommer redusert lag til prisen på redusert filterglatthet. Filteret viser ingen forbigående overshoot som ofte finnes i høyere rekkefiltre. Empirisk modus dekomponering En ny tilnærming til syklus og trendmodus deteksjon. Fourier Transform for Traders Problemet med Fourier Transform for måling av markedssykluser er at de har en svært dårlig oppløsning. I dette papiret viser jeg hvordan du bruker en annen ikke-lineær transformasjon for å forbedre oppløsningen slik at Fourier-transformene kan brukes. Det målte spektrumet vises som en varmekart. Sveitsiske Army Knife Indicator Indikatorer er bare overføringssvar av inngangsdata. Ved en enkel endring av konstanter kan denne indikatoren bli et EMA, SMA, 2 Pole Gaussisk lavpasfilter, 2 Pole Butterworth lavpasfilter, en FIR-jevnere, et Bandpass-filter eller et Bandstop-filter. Ehlers Filter Et uvanlig, ikke-lineært FIR-filter er beskrevet. Dette filteret er blant de mest responsive til prisendringer, men jevnest i sidelengs markeder. System Performance Evaluation Profittfaktor (brutto gevinst dividert med brutto tap) er analog med utbetalingsfaktoren i spill. Når fortjenestefaktoren kombineres med prosentvise vinnere i en rekke tilfeldige hendelser, er det således mulig å simulere en handelsstrategisk egenkapitalvekst. Dette papiret beskriver hvordan vanlige ytelsesbeskrivelser er relatert til disse to parametrene. Et Excel-regneark er beskrevet, slik at du kan utføre en Monte Carlo-analyse av handelssystemene dine hvis du kjenner disse to parametrene (ut av prøven). FRAMA (FRactal Adaptive Moving Average). Et ikke-linjært bevegelige gjennomsnitt er avledet ved hjelp av Hurst-eksponenten. MAMA er mor til alle adaptive glidende gjennomsnitt. Actualy navnet er et akronym for MESA Adaptive Moving Average. Den ikke-lineære virkningen av dette filteret er produsert av flyback av fase hver halvsyklus. Når kombinert med FAMA, et Følgende Adaptive Moving Average, danner kryssene gode inngangs - og utgangssignaler som er relativt fri for whipsaws. Time Warp Without Space Reise Laguerre Polynomene brukes til å generere en filterstruktur som ligner et enkelt bevegelige gjennomsnitt med forskjellen mellom at tidsavstanden mellom filterkraner er nolinær. Resultatet gjør det mulig å lage meget korte filtre som har utjevningsegenskapene til mye lengre filtre. Kortere filtre betyr mindre lagring. Fordelene ved å bruke Laguerre-polynomene i filtre er demonstrert i både indikatorer og automatiske handelssystemer. Artikkelen inneholder EasyLanguage-kode. CG-oscillatoren CG-oscillatoren er unik fordi den er en oscillator som både er glatt og har nulllag. Den finner tyngdepunktet (CG) av prisverdiene i et FIR-filter. CG har automatisk utjevning av FIR-filteret (ligner et enkelt glidende gjennomsnitt) med posisjonen til CG som er nøyaktig i fase med prisbevegelsen. EasyLanguage-koden er inkludert. Bruke Fisher Transform Mange handelssystemer er utformet ved å anta at sannsynlighetsfordelingen av priser har en normal eller gaussisk, sannsynlighetsfordeling om gjennomsnittet. Faktisk kan ingenting være lenger fra sannheten. Dette papiret beskriver hvordan Fisher Transform konverterer data for å ha nesten en normal sannsynlighetsfordeling. Gitt sannsynlighetsfordelingen er Normal etter bruk av Fisher Transform, blir dataene brukt til å lage inngangspunkter med kirurgisk presisjon. Artikkelen inneholder EasyLanguage-kode. Inverse Fisher Transform Inverse Fisher Transform kan brukes til å generere en oscillator som bytter raskt mellom oversold og overkjøpt uten whipsaws. Gaussian Filters Lag er fallet av utjevningsfiltre. Denne artikkelen viser hvordan lagring kan reduseres, og den høyeste fidelity utjevning oppnås ved å redusere lag av høyfrekvente komponenter i dataene. En komplett tabell med gaussiske filterkoeffisienter er gitt. Poler og nuller En beskrivelse av digitale filtre når det gjelder Z Transforms. Forgreningene av høyereordningsfiltre er beskrevet. Tabeller av koeffisienter for 2 Pole og 2 Pole Butterworth filtre er gitt. Gjennomgangsstoffer Motivert med e-post fra Robert B. Jeg får denne e-postmeldingen om Hull Moving Average (HMA) og. Og du har aldri hørt om det før. Uh. det er riktig. Faktisk, da jeg googlede, oppdaget jeg mange bevegelige gjennomsnittsverdier som Id aldri har hørt om, for eksempel: Zero Lag eksponentiell Moving Gjennomsnittlig Wilder Moving Gjennomsnittlig minste Square Moving Gjennomsnittlig trekantet Moving Average Adaptive Moving Gjennomsnittlig Jurik Moving Average. Så Så jeg trodde vi snakket om å flytte gjennomsnitt og. Hadde du gjort det før, som her og her og her og her og. Ja, ja, men det var før jeg visste om alle disse andre bevegelige gjennomsnittene. Faktisk var de eneste jeg spilte med, disse, hvor P 1. P 2. P n er de siste n aksjekursene (P n er den nyeste). Enkel Flytende Gjennomsnitt (SMA) (P 1 P 2. P n) K hvor K n. Vektet bevegelige gjennomsnitt (WMA) (P 1 2 P 2 3 P 3. N P n) K hvor K (12. n) n (n1) 2. Eksponensiell flytende gjennomsnitt (Ema) (P n 945 P n-1 945 2 P n-2 945 3 P n-3.) K hvor K 1 945945 2. 1 (1-945). Whoa Ive har aldri sett den EMA-formelen før. Jeg har alltid tenkt det var. Ja, det er normalt skrevet forskjellig, men jeg ville vise at disse tre har lignende resept. (Se EMA-ting her og her.) Faktisk ser de alle ut: Merk at hvis alle Ps er lik, si, Po, så er det glidende gjennomsnitt lig med Po også. og det er måten noen selvrespektive gjennomsnitt skulle oppføre seg på. Så som er best Definer best. Her er noen få bevegelige gjennomsnitt, som forsøker å spore en rekke aksjekurser som varierer i sinusformet mote: Aksjekurser som følger en sinuskurve Hvor fant du et lager på denne måten Vær oppmerksom på at de vanligste bevegelige gjennomsnittene (SMA, WMA og EMA) når deres maksimum senere enn sinuskurven. Det er lag og. Men hva med den HMA-fyren. Han ser ganske bra Ja, og det er det vi vil snakke om. Faktisk. Og hva er 6 i HMA (6) og jeg ser noe som heter MMA (36) og. Tålmodighet. Hull Moving Average Vi begynner med å beregne 16-dagers vektet flytende gjennomsnitt (WMA) slik: 1 WMA (16) (P 1 2 P 2 3 P 3. 16 P n) K med K 12. 16 136. Selv om det er fint og smoooth, det har et lag større enn vi liker: Så vi ser på 8-dagers WMA: Jeg liker det Ja, det følger prisvariasjonene ganske pent. men det er mer. Mens WMA (8) ser på nyere priser, har det fortsatt et lag, så vi ser hvor mye WMA har endret når det går fra 8-dagers til 16-dagers. Denne forskjellen vil se slik ut: På den måten gir forskjellen noe indikasjon på hvordan WMA endrer seg. så legger vi til denne endringen i vår tidligere WMA (8) for å gi: 2 WMA (8) WMA (8) WMA (8) - WMA (16) 2 WMA (8) - WMA (16). MMA Hvorfor kaller det MMA jeg stikker. Uansett, ville MMA (16) se slik ut: Jeg tar det tålmodighet. det er mer. Nå presenterer vi den magiske transformasjonen og får. Ta-DUM Thats Hull Ja. som jeg forstår det Men hva er det magiske ritualet Etter å ha generert en serie MMA s som involverer 8-dagers og 16-dagers vektede glidende gjennomsnitt, stirrer vi nøye på denne sekvensen av tall. Deretter beregner vi WMA de siste 4 dagene. Det gir Hull Moving Average som vi har kalt HMA (4). Huh 16 dager deretter 8 dager deretter 4 dager. Kaster du en mynt for å se hvor mange. Du velger et antall dager, som n 16. Da ser du på WMA (n) og WMA (n2) og beregner MMA 2 WMA (n2) - WMA (n). (I vårt eksempel er det 2 WMA (8) - WMA (16). Deretter beregner du WMA (sqrt (n)) ved å bruke bare de siste sqrt (n) tallene fra MMA-serien. en WMA (4), ved hjelp av MMA-serien.) Og for det morsomme SINE-diagrammet, så gjør du det hvor regnearket jeg fortsatt jobber med: MA-stuff. xls Det er interessant å se hvordan de ulike bevegelige gjennomsnittene reagerer på pigger: Er HMA virkelig et vektet glidende gjennomsnitt. Vel, se: Vi har: MMA 2 WMA (8) - WMA (16) 2 (P 1 2 P 2 3 P 3. 8 P n) 36 - (P 1 2 P 2 3 P 3. 16 P n) 136 eller MMA 2 (136) - (1136) P 1 2 P 2. 8 P 8 - (1136) 9 P 9 10 P 10. 16 P 16 Skriv av følgende grunner for sanitære årsaker: MMA w 1 P 1 w 2 P 2. W 16 P 16. Merk at alle vekter legger til 1. Videre, wk 2 (136) - (1136) K for K 1, 2. 8 og wk - (1136) K for K 9, 10. 16. Deretter gjør du den magiske kvadratroterritalen (hvor sqrt (16) 4). Vi har (husker at P 16 er den nyeste verdien). HMA 4-dagers WMA for de ovennevnte MMA-ene (w 1 p 1 w 2 p 2. w 16 P 16) 2 (w 1 P 0 w 2 P 1, w 16 P 15) 3 (w 1 P -1 w 2 P 0, w 16 P 14) 4 (w 1 P -2 w 2 P -1 W 16 P 13) 10 (bemerker at 1234 10). Huh P 0. P -1. Hva. MMA (16) bruker de siste 16 dagene, tilbake til prisen var callling P 1. Hvis vi beregner det 4-dagers vektede gjennomsnittet av disse MMA-ene, må du bruke gårsdagens MMA (og det går tilbake 1 dag før P 1) og dagen før, går MMA tilbake til 2 dager før P 1 og dagen før det. Okay, så du ringer dem priser P 0. P -1 etc. etc. Du har det. Så en 16-dagers HMA bruker faktisk info som går tilbake mer enn 16 dager, du har det. Men det er negative vekter for dem gamle priser Er det lovlig Beviset er i. Jaja. Beviset er i pudding. Så hva gjør regnearket Så langt ser det slik ut: (Klikk på bildet for å laste ned.) Du kan velge en SINE-serie eller en RANDOM-serie av aksjekurser. For den sistnevnte, hver gang du klikker på en knapp, får du et annet sett med priser. Da kan du velge antall dager: det er vår n. (For eksempel brukte vi n 16 til vårt eksempel ovenfor.) Videre, hvis du velger SINE-serien, kan du introdusere pigger og flytte dem langs diagrammet. som dette . Merk at weve brukte n 16 og n 36 (i bildet av regnearket) fordi n2 og sqrt (n) er begge heltall. Hvis du bruker noe som n 15, bruker regnearket INT eger-delen av n2 og sqrt (n), nemlig 7 og 3. Så er Hull Moving Average den beste Definer best. Hva med det Jurik Average jeg vet ingenting om det. Den er proprietær og du må betale for å bruke den. men lar oss spille med glidende gjennomsnitt. Et annet flytende gjennomsnitt Anta at i stedet for vektet flytte gjennomsnittet (hvor vektene er proporsjonale med 1, 2, 3.). Vi bruker den magiske Hull-ritualen med det eksponentielle flytende gjennomsnittet. Det er, vi vurderer: MAg 2 EMA (n2) - EMA (n) MAg Ja, det er M oving En ver g g immick eller M oving En ver g e g e nalisert eller M oving En verage g rand eller. Eller M oving A verage g ummy Vær oppmerksom Vi velger vårt favoritt antall dager, som n 16, og beregner MAg (n, 945, k) 945 EMA (nk) - (1-945) EMA (n). Vi kan spille med 945 og k og se hva vi får: For eksempel, her er noen MAgs (hvor stod i 16 dager, men endrede verdiene 945 og k): MAg (16) 2 EMA (4) - EMA 16) MAg (16) 1.5 EMA (5) - 0,5 EMA (16) Vær oppmerksom på at når vi velger k 3 får vi nk 163 5,333 som vi bytter til ren og enkel 5,0. Hvorfor holder du ikke med Hulls valg: 945 2 og k 2 God ide. Vi får dette: MAg (16) 2 EMA (8) - EMA (16) Ser ut som diagrammet med 945 1.5 og k 3. Det gjør det, gjorde det ikke. igjen muligens. Så hva med den kvadratroterritalen jeg forlater som en øvelse. for deg Ok, mens du spiller med den MAg-tingen, finner jeg at Hulls k 2 fungerer ganske bra. så godt hold deg til det. Men vi får ofte et ganske fint gjennomsnitt når vi legger til bare et lite stykke endringen: EMA (n2) - EMA (n). Faktisk, legg bare til en brøkdel 946 av den endringen. Det gir: MAg (n, 946) EMA (n2) 946 EMA (n2) - EMA (n). Det vil si at vi velger 946 0,5 eller kanskje bare 946 0,25 eller hva som helst og bruk: For eksempel, hvis vi sammenligner vår gaggle av bevegelige gjennomsnitt som de sporer en STEP-funksjon, får vi dette, der vi bare legger til (for MAg) 946 12 av forandringen. Ja, men hva er den beste verdien av beta. Definer best: Merk at beta 1 er Hull-valget. bortsett fra å bruke EMAer i stedet for WMAer. Og du lar ut den kvadratroten ting. Uh, ja. Jeg glemte det. Merk . Regnearket endres fra time til time. Det ser for øyeblikket ut noe å spille med. Jeg fikk meg et regneark som ser ut som dette. Klikk på bildet for å laste ned. Du velger en aksje og klikker på en knapp og får et år verdt av daglige priser. Du velger enten HMA eller MAg, endrer antall dager og, for MAg, parameteren, og se når du skal kjøpe ro SELL. Når Basert på hvilke kriterier Hvis det bevegelige gjennomsnittet er NED x fra sitt maksimum i løpet av de siste 2 dagene, kjøper du. (I eksempelet x 1.0) Hvis det er UP y fra sitt minimum i løpet av de siste 2 dagene, selger du. (I eksemplet y 1.5) Du kan endre verdiene for x og y. Er det noe bra. disse kriteriene sa jeg at det var noe å leke med. Det er denne andre utjevningsteknikken som kalles Hodrick-Prescott Filter. Med hjelp av Ron McEwan, er den nå inkludert i dette regnearket: Er det noe bra å spille med det. Du vil legge merke til at det er en parameter du kan endre i celle M3. og kjøp og selg signaler.
No comments:
Post a Comment