Nyquist Média Móvel

MetaTrader 4 - Indicators. Moving Averages, MA - indicador para MetaTrader 4.O Indicador Técnico de Média Móvel mostra o valor médio do preço do instrumento para um determinado período de tempo Quando se calcula a média móvel, uma média do preço do instrumento para este período Como O preço varia, a sua média móvel aumenta ou diminui Existem quatro tipos diferentes de médias móveis Simples também referido como Aritmética, Exponencial, Suavizado e Linear Ponderado As médias móveis podem ser calculadas para qualquer conjunto de dados seqüenciais, incluindo preços de abertura e fechamento, Os preços mais altos e mais baixos, o volume de negociação ou qualquer outro indicador É frequentemente o caso quando as médias móveis dobro são usadas A única coisa onde as médias móveis de tipos diferentes divergem consideravelmente de se, é quando os coeficientes do peso, que são atribuídos aos dados os mais atrasados, São diferentes No caso de estamos falando de simples média móvel, todos os preços do período em questão, são iguais em valor Expo A média mais comum para interpretar a média móvel de preços é comparar sua dinâmica com a ação do preço Quando o preço do instrumento sobe acima de sua média móvel, um sinal de compra aparece, se o preço cair Abaixo de sua média móvel, o que temos é um sinal de venda Este sistema de comércio, que é baseado na média móvel, não é projetado para fornecer entrada no mercado no seu ponto mais baixo, e sua saída para a direita no pico Ele permite agir De acordo com a tendência a seguir para comprar logo após os preços atingem o fundo, e para vender logo após os preços atingiram o seu pico. Simple SMA. Simple Moving Médio, em outras palavras, a média aritmética móvel é calculado pela soma dos preços do instrumento Fechamento sobre um certo número de períodos únicos por exemplo, 12 horas Este valor é então dividido pelo número de tais períodos. SMA SUM CLOSE, N N. Onde N é o número de períodos de cálculo. Exponente Ial Moving Average EMA. Motiva móvel suavizada exponencialmente é calculada adicionando a média móvel de uma determinada parcela do preço de fechamento atual para o valor anterior Com médias móveis exponencialmente suavizadas, os preços mais recentes são de mais valor P-porcentagem de média móvel exponencial vai olhar Like. Where FECHAR i o preço do encerramento do período atual EMA i-1 Exponencialmente Movendo Média do período anterior encerramento P a percentagem de utilização do valor de preço. Smoomed Moving Average SMMA. O primeiro valor desta média móvel suavizada é calculado como o Média móvel simples SMA. SUM1 SUM CLOSE, N. As médias móveis segundo e sucessivas são calculadas de acordo com esta fórmula. Quando SUM1 é a soma total dos preços de fechamento para N períodos SMMA1 é a média móvel suavizada da primeira barra SMMA i é a Suavizada média móvel da barra atual, exceto para o primeiro FECHAR i é o preço de fechamento atual N é o período de suavização. Linear Weighted média móvel LWMA. In o c A média móvel ponderada é calculada pela multiplicação de cada um dos preços de fechamento dentro da série considerada, por um determinado coeficiente de ponderação. LWMA SUMO Fechar ii, N SUM i, Onde a SOMA i, N é a soma total dos coeficientes de peso. As médias de movimento também podem ser aplicadas aos indicadores É aí que a interpretação das médias móveis de indicadores é semelhante à interpretação das médias móveis de preços se o indicador sobe acima da sua média móvel, Isso significa que o movimento indicador ascendente é provável que continue se o indicador cai abaixo de sua média móvel, isso significa que é provável que continue indo para baixo. Aqui estão os tipos de médias móveis no gráfico. Simple Moving Average SMA. Exponential Moving Average EMA. Smoothed Média Móvel SMMA. Linear Média Móvel Ponderada LWMA.3rd Geração Média Móvel Indicator.3rd Geração Moving Average. Moving Médias com base no Nyquist-Shannon Teorema do sinal Sugere-se matematicamente que o menor atraso possível seja menor que as médias gerais e de segunda geração, como as médias de atraso zero de Ehler. Fig 1 Comparação das médias móveis A média da terceira geração é a melhor com menos atraso em comparação com todas as outras médias Todas as médias foram Executar com o mesmo tamanho de janela 21 Os dados representam 3x60 pontos de dados com uma distribuição gaussiana em torno de 100 e 200 e um desvio padrão de 5 pontos Fórmulas como em Drschner 2011 EMA implementação baseada em MetaTrader4 algoritmo, segunda geração usa Ehler 2001 correção, Com base no teorema de Nyquist-Shannon como delineado em Drschner 2011 com lambda de 4.Moving Médias da 3ª Geração. Moving médias são supostamente para suavizar os dados e para remover o ruído e informação inútil Várias variantes médias são amplamente utilizados, por exemplo, Simple Moving Average SMA ou Exponentially Moving Average EMA Wikipedia, Médias Móveis, 2011 Um desafio é que as médias móveis intr Figura 1 Médias móveis adaptativas, como VIYDA Chande, 1992 Brown e Kaufman s Mudança de Moeda Adaptativa KAMA Kaufmann, 1995 tentou abordar esta questão incorporando variáveis ​​dinâmicas Em 2001, J Ehler introduziu Um conceito geral baseado na teoria do sinal que nós nos referimos como médias de segunda geração Ehler, 2001 Aqui, a suposição básica é que a série temporal é composta de um número limitado de fases de sinal sobrepostas que fariam a teoria de sinais aplicável Ehler, 2001 Huang, et al. Drschner, 2011 Em seu trabalho, Drschner esboçou que as médias de acordo com esses critérios teriam o menor atraso teoricamente possível e que, em 2011, MG Drschner afirmou que, sob o modelo de teoria do sinal, o teorema Nyquist-Shannon Wikipedia, Nyquist, Chamou-os 3 ª geração de Médias Móveis. Indicador Parameter. I tem um valor contínuo para o qual eu gostaria de calcular uma média móvel exponencial Normalmente Eu apenas uso a fórmula padrão para isso. Onde S n é a nova média, é o alfa, Y é a amostra, e S n-1 é a média anterior. Infelizmente, devido a várias questões que eu não tenho uma amostra consistente Tempo, talvez eu saiba que posso provar no máximo, digamos, uma vez por milissegundo, mas devido a fatores fora do meu controle, eu não posso ser capaz de tomar uma amostra por vários milissegundos de cada vez. Que eu simples amostra um pouco cedo ou tarde em vez de amostragem em 0, 1 e 2 ms I amostra em 0, 0 9 e 2 1 ms Eu antecipo que, independentemente dos atrasos, a minha freqüência de amostragem será muito, muito acima do Nyquist Limite e, portanto, eu não preciso se preocupar com aliasing. I acho que eu posso lidar com isso de uma forma mais ou menos razoável, variando o alfa adequadamente, com base no período de tempo desde a última amostra. Parte do meu raciocínio que Isso funcionará é que o EMA interpola linearmente entre o ponto de dados anterior eo atual Se considerarmos o cálculo de um EMA Da seguinte lista de amostras a intervalos t 0,1,2,3,4 Devemos obter o mesmo resultado se usarmos o intervalo 2t, onde os inputs se tornam 0,2,4, right Se a EMA tivesse assumido que, em t 2 o valor tinha sido 2 desde t 0 que seria o mesmo que o cálculo do intervalo t calculando em 0,2,2,4,4, o que não está fazendo Ou faz isso sentido. Can alguém pode me dizer como Variar o alfa adequadamente Por favor, mostre seu trabalho Eu e mostrar-me a matemática que prova que o seu método realmente está fazendo a coisa certa. Perguntou Jun 21 09 às 13 05. Você não deve ter o mesmo EMA para diferentes entradas Pense EMA como um filtro , A amostragem em 2t é equivalente a uma amostragem para baixo, e o filtro vai dar uma saída diferente Isso fica claro para mim já que 0,2,4 contém componentes de freqüência mais alta do que 0,1,2,3,4 A menos que a questão seja, como Eu mudo o filtro na mosca para fazê-lo dar a mesma saída Talvez eu estou faltando algo freespace Jun 21 09 em 15 52. Mas a entrada não é diferente, é apenas amostrado menos de Dez 0,2,4 em intervalos 2t é como 0,, 2, 4 em intervalos t, onde indica que a amostra é ignorada Curt Sampson Jun 21 09 at 23 45. Esta resposta baseada na minha boa compreensão do low-pass Filtros de média móvel exponencial é realmente apenas um filtro singlepass pólo, mas a minha compreensão obscuros do que você está procurando Eu acho que o seguinte é o que você want. First, você pode simplificar a sua equação um pouco parece mais complicado, mas é mais fácil No código eu vou usar Y para saída e X para entrada em vez de S para saída e Y para entrada, como você tem feito. Em segundo lugar, o valor de aqui é igual a 1-e - t onde t é o tempo entre amostras , E é a constante de tempo do filtro de passagem baixa eu digo igual em citações porque isso funciona bem quando t é pequeno em comparação com 1 e 1-e-tt Mas não muito pequeno você vai correr em questões de quantização e, a menos que você recorrer Para algumas técnicas exóticas que você geralmente precisa de um extra N bits de resolução em sua variável de estado S, onde N - log 2 Para valores maiores o Ft o efeito de filtragem começa a desaparecer, até chegar ao ponto onde está perto de 1 e você está basicamente apenas atribuindo a entrada para a saída. Este deve funcionar corretamente com valores variáveis ​​de t a variação de t não é muito importante, Como alfa é pequeno, caso contrário, você vai correr em alguns problemas bastante estranho Nyquist aliasing etc, e se você estiver trabalhando em um processador onde a multiplicação é mais barato do que a divisão, ou questões de ponto fixo são importantes, precalculate 1, e tentar tentar aproximar o Para X. Se você realmente quer saber como derivar a fórmula, então considere sua fonte de equação diferencial. Quando X é uma função de etapa unitária, tem a solução Y 1 - e - t Para valores pequenos de t, a derivada pode Ser aproximado por Y t, rendendo. e a extrapolação de 1-e-t vem de tentar combinar o comportamento com o caso de função de etapa unitária. Você poderia por favor elaborar sobre a tentativa de igualar a parte do comportamento que eu entendo o seu contínuo - Tempo de resposta Em Y 1 - exp - t e sua generalização para uma função escalonada em escala com magnitude x e condição inicial y 0, mas eu não estou vendo como juntar essas idéias para alcançar seu resultado Rhys Ulerich 4 de maio 13 a 22 34.Isto não é Uma resposta completa, mas pode ser o começo de um É tão longe quanto eu tenho com isso em uma hora ou assim de jogar eu estou postando-lo como um exemplo do que eu estou procurando, e talvez uma inspiração para outros que trabalham na Eu começo com S 0, que é a média resultante da média anterior S -1 ea amostra Y 0 tomada em t 0 t 1 - t 0 é o meu intervalo de amostra e é ajustada para o que é apropriado para esse intervalo de amostra e Período sobre o qual eu desejo média. I considerou o que acontece se eu perder a amostra em t 1 e em vez disso tem que se contentar com a amostra Y 2 tomadas em t 2 Bem, podemos começar por expandir a equação para ver o que teria acontecido Se tivéssemos tido Y 1.I notar que a série parece se estender infinitamente desta forma, porque podemos substituir o S N no lado direito indefinidamente. Ok, então não é realmente um polinômio bobo mim, mas se multiplicamos o termo inicial por um, então vemos um pattern. Hm é uma série exponencial Quelle surpresa Imagine que saindo de A equação para uma média móvel exponencial. Então, de qualquer maneira, eu tenho essa coisa x 0 x 1 x 2 x 3 indo, e eu tenho certeza que estou cheirando e ou um logaritmo natural chutando por aqui, mas eu não consigo lembrar onde eu estava indo A seguir antes de eu ficar sem tempo. Qualquer resposta a esta pergunta, ou qualquer prova de correção de tal resposta, depende muito dos dados que você está medindo. Se suas amostras foram tomadas em t 0 0ms t 1 0 9ms e t 2 2 1 ms, mas sua escolha é baseada em intervalos de 1 ms e, portanto, você quer um ajustado localmente n a prova de correção da escolha significaria conhecer os valores de amostra em t 1ms e t 2ms. Isso leva à pergunta Você pode interpolar Seus dados resonably para ter suposições sanas de que valores in-between pôde ter sido Ou pode você mesmo interpolar o aver Se nenhuma destas é possível, então, tanto quanto eu vejo, a escolha lógica de um valor intermediário Y t é a média calculada mais recentemente, ou seja, Y t S n onde n é maxmial tal que tn t. Escolha tem uma conseqüência simples Deixe sozinho, não importa qual a diferença de tempo era. Se, por outro lado, é possível interpolar seus valores, então isso lhe dará averagable constante-intervalo amostras Por último, se é mesmo possível interpolar A média em si, que iria tornar a pergunta sem sentido. Eu acho que posso interpolar meus dados, dado que estou a amostragem em intervalos discretos, eu já estou fazendo isso com Um padrão EMA Anyway, suponha que eu preciso de uma prova que mostra que funciona bem como um padrão EMA, que também tem irá produzir um resultado incorreto se os valores não estão mudando muito bem entre os períodos de amostra Curt Sampson 21 jun 09 em 15 21. Mas isso é o que eu estou dizendo Se você considerar a EMA um interp Olation de seus valores, você re feito se você deixar alfa como é porque inserindo a média mais recente como Y não muda a média Se você diz que você precisa de algo que funciona tão bem como um padrão EMA - o que está errado com o original A menos que você tenha mais informações sobre os dados que você está medindo, quaisquer ajustes locais para alfa será no melhor balpha arbitrária Jun 21 09 at 15 31.I deixaria o valor alfa sozinho, e preencher os dados faltantes. Como você não sabe O que acontece durante o tempo em que você não pode amostra, você pode preencher essas amostras com 0s, ou manter o valor anterior estável e usar esses valores para o EMA Ou alguma interpolação para trás uma vez que você tem uma nova amostra, preencha os valores faltando e Recompute o EMA. O que eu estou tentando obter é que você tem uma entrada xn que tem buracos Não há nenhuma maneira de contornar o fato de que você está faltando dados Então você pode usar uma espera de ordem zero, ou defini-lo a zero, ou alguns Tipo de interpolação entre xn e xn M onde M é o número de mis Cantar amostras e n o início do intervalo Possivelmente mesmo usando valores antes n. answered Jun 21 09 em 13 35.Desde gastar uma hora ou assim mucking sobre um pouco com a matemática para isso, eu acho que simplesmente variando o alfa vai realmente dar Me a interpolação adequada entre os dois pontos que você fala, mas de uma maneira muito mais simples Além disso, eu acho que a variação do alfa também corretamente tratar com amostras tomadas entre os intervalos de amostragem padrão Em outras palavras, eu estou procurando o que você descreveu , Mas tentando usar a matemática para descobrir a maneira simples de fazê-lo Curt Sampson 21 jun 09 às 14 07.I don t pensar que existe uma besta como interpolação adequada Você simplesmente don t saber o que aconteceu no tempo que você não está amostragem Boa e má interpolação implica algum conhecimento do que você perdeu, uma vez que você precisa medir contra isso para julgar se uma interpolação é bom ou ruim Embora isso dito, você pode colocar restrições, ou seja, com aceleração máxima, velocidade, etc Eu acho que se você fizer saber como Para modelar os dados faltantes, então você apenas modelaria os dados faltantes, a seguir aplicaria o algoritmo do EMA sem a mudança, melhor que mudando o alfa Apenas meu 2c freespace Jun 21 09 em 14 17.This é exatamente o que eu estava começando em minha edição Para a pergunta 15 minutos atrás Você simplesmente don t saber o que aconteceu no tempo que você não está amostragem, mas isso é verdade mesmo se você amostra em cada intervalo designado Assim, a minha contemplação Nyquist, desde que você sabe a forma de onda não muda de direção mais Do que cada par de amostras, o intervalo de amostra real não deve importar e deve ser capaz de variar A equação de EMA me parece exatamente para calcular como se a forma de onda mudou linearmente a partir do último valor de amostra para o atual Curt Sampson 21 jun 09 at 14 26.Não acho que seja muito verdadeiro o teorema de Nyquist requer um mínimo de 2 amostras por período para ser capaz de identificar o sinal de forma exclusiva Se você não fizer isso, você terá aliasing Seria o mesmo que amostragem como fs1 para Um tempo, então f S2, então de volta a fs1, e você obtém aliasing nos dados quando você amostra com fs2 se fs2 está abaixo do limite de Nyquist Eu também devo confessar Eu não entendo o que você quer dizer com alterações de forma de onda linearmente da última amostra para a corrente Você poderia por favor Explicar Cheers, Steve freespace Jun 21 09 em 14 36.This é semelhante a um problema aberto na minha lista de tudo Tenho um esquema funcionou até certo ponto, mas não tem trabalho matemático para apoiar esta sugestão yet. Update resumo Gostaria de manter O alfa alfa independente do fator de compensação que eu me refiro como beta aqui Jason resposta excelente s já aceito aqui funciona muito bem para mim. Se você também pode medir o tempo desde a última amostra foi tomada em múltiplos arredondado do seu tempo de amostragem constante - Então 7 8 ms desde a última amostra seria de 8 unidades, que poderia ser usado para aplicar o alisamento várias vezes Aplicar a fórmula 8 vezes neste caso Você efetivamente fez um alisamento tendenciosa mais para o valor atual. Para obter uma aposta Ter suavização, precisamos de ajustar o alfa, aplicando a fórmula 8 vezes no caso anterior. Qual será essa aproximação de suavização miss. It já perdeu 7 amostras no exemplo acima. Este foi aproximado no passo 1 com uma aplainada re-aplicação Do valor atual um adicional de 7 vezes. Se definimos um fator de aproximação beta que será aplicado juntamente com alfa como alfa beta em vez de apenas alfa, vamos estar assumindo que as 7 amostras perdidas estavam mudando suavemente entre os valores da amostra anterior e atual Eu pensei sobre isso, mas um pouco de muco sobre com a matemática me levou ao ponto onde eu acredito que, ao invés de aplicar a fórmula de oito vezes com o valor da amostra, eu posso fazer um Cálculo de um novo alfa que me permitirá aplicar a fórmula uma vez, e me dar o mesmo resultado Além disso, isso iria lidar automaticamente com a questão das amostras de deslocamento de exato vezes amostra Curt Sampson 21 de junho 09 em 13 47.A aplicação única N está bem O que eu ainda não tenho certeza sobre o quão boa é a aproximação dos 7 valores em falta Se o movimento contínuo faz o valor jitter muito ao longo dos 8 milissegundos, as aproximações podem ser bastante fora da realidade Mas, então se você é Amostragem em 1ms resolução mais alta, excluindo as amostras atrasadas você já figurou o jitter dentro de 1ms não é relevante Será que este trabalho de raciocínio para você Eu ainda estou tentando me convencer nik 21 de junho 09 às 14 08.Right Esse é o fator beta da minha descrição Um fator beta seria calculado com base no intervalo de diferença e as amostras atuais e anteriores. O novo alfa será alfa beta, mas ele será usado apenas para essa amostra. Enquanto você parece estar movendo o alfa na fórmula, eu tende a alfa constante Fator de suavização e um beta independentemente calculado um fator de ajuste que compensa amostras perdidas agora nik 21 de junho 09 em 15 23.