Helst vill du att en filtrerad signal ska vara både smidig och lagfri. Lag orsakar förseningar i dina affärer, och ökad fördröjning i dina indikatorer resulterar vanligtvis i lägre vinster. Med andra ord, sena komnar får vad som är kvar på bordet efter att festet redan har börjat. Det är därför som investerare, banker och institutioner världen över frågar efter Jurik Research Moving Average (JMA). Du kan ansöka det precis som du skulle ha något annat populärt glidande medelvärde. Men JMAs förbättrade timing och jämnhet kommer att förbluffa dig. Den ihåliga grå linjen i diagrammet simulerar prisåtgärder som börjar i ett lågt handelsintervall och sedan luckor till ett högre handelsintervall. Eftersom ingen gillar att vänta på sidlinjen, kommer ett perfekt ljudreducerande filter (grön linje) att röra sig smidigt längs mitten av det första handelsområdet och sedan hoppa till mitten av det nya handelsområdet nästan omedelbart. Medelvärdena släpper ut bruset av prisdataströmmar på bekostnad av fördröjning (fördröjning) I gamla dagar kan du få fart på bekostnad av minskad utjämning. I gamla dagar kan du bara få din utjämning på bekostnad av lag. Tänk hur många timmar du slösat bort med att försöka få dina medelvärden snabbt och smidigt Kom ihåg hur irriterande det är att se ökande hastighet orsakar ökat brus Kom ihåg hur du önskade för lågt lagring och lågt ljud Trött på att träna hur du har din tårta Ät det Förtvivlan, nu har saker förändrats, du kan ha din tårta och du kan äta den Precision Lagless-genomsnittet jämfört med andra avancerade filtreringsmodeller Av de grundläggande branschstandardgenomsnitten (filter) är det vägda glidande medlet snabbare än exponentiellt men erbjuder inte bra utjämning, däremot har exponentiell utmärkta utjämning, men stora mängder fördröjning (Lag). Moderna quothigh techquot-filter, även om de förbättras på de gamla basmodellerna, har inneboende svagheter. Vissa av dessa observeras i Jurj JMA-filtret och de värsta av dessa svagheter är överskridande. Jurikforskning erkänner öppet att ha kvadratisk överskottskvot som tenderar att indikera någon form av prediktiv algoritm som arbetar med sin kod. Kom ihåg att filter är avsedda att observera vad som händer nu och tidigare. Att förutse vad som händer nästa är en olaglig funktion i Precision Trading Systems verktygssats, dataen slätas och försvinner bara. Eller du kan säga att trender följs exakt istället för att berätta vilken väg att gå nästa, som det är fallet med dessa illegala typfilteralgoritmer. Precision Lagless-genomsnittet försöker INTE förutse nästa prisvärde. Hull-genomsnittet hävdas av många att vara lika snabbt och smidigt som JMA genom Jurik-undersökningen, det har bra hastighet och låg lagring. Problemet med formeln som används i Hull-genomsnittet är att det är mycket förenklat och leder till prisförvrängningar som har dålig noggrannhet som orsakas av att man väger för mycket (x 2) på de senaste data (Golv (längd 2)) och sedan subtraherar den gamla data, vilket leder till svåra överskridande problem, som i vissa fall är många standardavvikelser från de verkliga värdena Precision Lagless-genomsnittet har NULL överskridande. Diagrammet nedan visar den enorma hastighetsskillnaden på en 30 period PLA och 30 period Hull-medelvärde. PLA var fyra barer före Hull-genomsnittet på båda större vändpunkterna som anges på 5-minuterschemat över FT-SE100 Future (vilket är en 14 skillnad i Lag). Om du omsatte medelvärdena vid deras vändpunkter för att klara av slutkursen i det här exemplet, var PLA signalerande vid 3 977,5 och Hull var en bagatell senare vid 3 937, ungefär 40,5 poäng eller i monetära termer 405 per kontrakt. Den långa signalen på PLA var vid 3936 jämfört med Hulls 3,956,5, vilket motsvarar en kostnadsbesparing på 205 per kontrakt med PLA-signalen. Det är en fågel. Är det ett plan. Nej det är de Precision Lagless Average Filters som VIDAYA-genomsnittet av Tuscar Chande, som använder volatilitet för att ändra längderna har en annan typ av formel som ändrar deras längd, men denna process utförs inte med någon logik. Även om de kan fungera mycket bra ibland kan det också leda till ett filter som kan drabbas av både lagring och överskridande. Tidsseriegenomsnittet som verkligen är ett mycket snabbt medelvärde kan väl omdöpa quotovershooting averagequot denna felaktighet gör den oanvändbar för allvarlig bedömning av data för handelsanvändning. Kalman-filtret ligger ofta bakom eller överskrider prisuppsättningar på grund av dess överdrivna algoritmer. Andra filterfaktorer i prismoment för att försöka förutse vad som kommer att hända i nästa prisintervall, och det här är också en felaktig strategi när de överskridar när höga momentmätningar vänds, vilket lämnar filtret högt och torrt och mil bort från den faktiska prisaktiviteten . Precision Lagless-genomsnittet använder ren och enkel logik för att bestämma sitt nästa utmatningsvärde. Många utmärkta matematiker har försökt och misslyckats med att skapa laglösa medelvärden, och i allmänhet är anledningen till deras extrema matematik intellekt inte backas upp av en hög grad av commonsense logik. Precision Lagless Average (PLA) är uppbyggt av rent logiska skälalgoritmer, som undersöker många olika värden som lagras i arrayer och väljer vilket värde som ska skickas till utgång. PLAs överlägsen hastighet, utjämning och noggrannhet gör det till ett utmärkt handelsverktyg för aktier, terminer, valutor, obligationer etc. Och som med alla produkter som utvecklats av Precision Trading-system är det underliggande temat detsamma. skrivet för handlare, av en handlare. PLA Längd 14 och 50 på E-Mini Nasdaq futureHow att minska fördröjningen i ett glidande medelvärde Hull Moving Average (HMA): Indikatorn förklarade Traditionella glidmedel fördröjer prisaktiviteten. Men med lite smart matematik kan lagret minimeras. Heres hur av Alan Hull Tillbaka 2005 när jag arbetade med en ny indikator blev jag tillfälligt sidospårad genom att försöka lösa problemet med fördröjning i glidande medelvärden, vars resultat var Hull Moving Average. HMA har sedan dess funnit sig in i kartläggningsprogram runt om i världen och diskuteras regelbundet på handelsförmedlingstavlor på olika språk runt om i världen. Det var resultatet av en intellektuell nyfikenhet som jag lade upp i allmänheten genom att skriva följande artikel. Hull Moving Average löser det ålders gamla dilemmaet för att göra ett rörligt medelvärde som är mer responsivt mot den aktuella prisaktiviteten, samtidigt som kurvlindheten upprätthålls. Faktum är att HMA nästan eliminerar lagret totalt och klarar av att förbättra utjämningen samtidigt. För att förstå hur det uppnår båda dessa motsatta resultat samtidigt måste vi börja med en lättförståelig referensram. Nedanstående diagram innehåller ett 16 veckor enkelt glidande medelvärde som ständigt sänker prisaktiviteten och har dålig jämnhet. För det första kan man lösa problemet med kurvutjämning genom att ta medeltalet av medelvärdet. d. v.s. 16 period SMA (16 period SMA (Pris)) Den dåliga nyheten är att det orsakar en stor ökning av fördröjning enligt nedan. Att lösa problemet med lag är lite mer involverat och kräver en förklaring med siffror snarare än diagram. Tänk på en serie med 10 nummer från 0 till 9 och föreställ dig att de är successiva prispunkter på ett diagram med 9 som den senaste prispunkten på höger sida. Om vi tar det 10 enkla genomsnittet av dessa siffror så kommer vi inte överraskande att bestämma mittpunkten på 4,5 som ligger väsentligt bakom den senaste prispunkten på 9. Heres den smarta delen, först låter vi halva medeltiden till 5 och tillämpa det på de senaste siffrorna 5, 6, 7, 8 och 9, resultatet är mittpunkten på 7. För att ta bort lagret tar vi mittpunkten 7 och lägger skillnaden mellan de två genomsnitten som motsvarar 2,5 (7 - 4,5). Detta ger ett slutligt svar på 9,5 (7 2,5) vilket är en liten överkompensation. Men den här överkompensationen är väldigt praktisk eftersom den kompenserar den näthandlade effekten av den kapslade medelvärdet. Följaktligen är resultatet av att kombinera dessa 2 tekniker en nära perfekt balans mellan lagreduktion och kurvutjämning. HMA lyckas hålla fast vid snabba förändringar i prisaktiviteten samtidigt som den har överlägsen utjämning över en SMA av samma period. HMA sysselsätter viktade glidmedel och dämpar utjämningseffekten (och resulterande fördröjning) genom att använda periodens kvadratrots i stället för själva perioden, se nedan. Följande formel för Hull Moving Average (HMA) är för MetaStock men kan enkelt anpassas för användning med andra kartläggningsprogram som kan anpassas till indikatorkonstruktion. WMA (Pris) - Period WMA (Pris) period: Inmatning (period, 1,200,20) kvadratperiod: Sqrt (period) Mov (2Mov) (C, period2, W) - Mov (C, period, W), LastValue (sqrtperiod), W) En enkel applikation för HMA, med tanke på dess överlägsen utjämning, skulle vara att använda vridpunkterna som entryexit-signaler. Men det borde inte användas för att generera crossover-signaler, eftersom denna teknik är beroende av fördröjning. Dela den här artikeln:
No comments:
Post a Comment