Como um exemplo SMA, considere uma segurança com os seguintes preços de fechamento em 15 dias: Semana 1 (5 dias) 20, 22, 24, 25, 23 Semana 2 (5 dias) 26, 28, 26, 29, 27 Semana 3 (5 dias) 28, 30, 27, 29, 28 Uma MA de 10 dias seria a média dos preços de fechamento para os primeiros 10 dias como o primeiro ponto de dados. O ponto de dados seguinte iria cair o preço mais antigo, adicionar o preço no dia 11 e tomar a média, e assim por diante, como mostrado abaixo. Conforme mencionado anteriormente, MAs atraso ação preço atual, porque eles são baseados em preços passados quanto maior for o período de tempo para o MA, maior o atraso. Assim, um MA de 200 dias terá um grau muito maior de atraso do que um MA de 20 dias porque contém preços nos últimos 200 dias. A duração da MA a ser utilizada depende dos objetivos de negociação, com MAs mais curtos usados para negociação de curto prazo e MAs de longo prazo mais adequados para investidores de longo prazo. O MA de 200 dias é amplamente seguido por investidores e comerciantes, com quebras acima e abaixo desta média móvel considerada como sinais comerciais importantes. MAs também transmitir sinais comerciais importantes por conta própria, ou quando duas médias se cruzam. Um aumento MA indica que a segurança está em uma tendência de alta. Enquanto um declínio MA indica que ele está em uma tendência de baixa. Da mesma forma, o impulso ascendente é confirmado com um crossover de alta. Que ocorre quando um MA de curto prazo cruza acima de um MA de longo prazo. Momento descendente é confirmado com um crossover de baixa, que ocorre quando um MA de curto prazo cruza abaixo de um MA de longo prazo. O cientista e engenheiros guia para processamento de sinal digital Por Steven W. Smith, Ph. D. Filtros de Filtros Móveis Filtros do Filtro de Média Móvel Em um mundo perfeito, os designers de filtros só teriam que lidar com informações de domínio de tempo ou de domínio de freqüência codificadas, mas nunca uma mistura dos dois no mesmo sinal. Infelizmente, existem algumas aplicações em que ambos os domínios são simultaneamente importantes. Por exemplo, os sinais de televisão caem nesta categoria desagradável. As informações de vídeo são codificadas no domínio do tempo, ou seja, a forma da forma de onda corresponde aos padrões de brilho na imagem. No entanto, durante a transmissão, o sinal de vídeo é tratado de acordo com a sua composição de frequência, tal como a sua largura de banda total, como as ondas portadoras para a cor do amplificador de som são adicionadas, a restauração do amplificador de eliminação da componente de corrente contínua, etc. É melhor compreendida no domínio da frequência, mesmo se a informação de sinais é codificada no domínio do tempo. Por exemplo, o monitor de temperatura em uma experiência científica pode estar contaminado com 60 hertz das linhas de energia, 30 kHz a partir de uma fonte de alimentação comutada, ou 1320 kHz de uma estação de rádio AM local. Os parentes do filtro de média móvel têm um melhor desempenho no domínio da frequência, e podem ser úteis nestas aplicações de domínio misto. Os filtros de média móvel de passagem múltipla envolvem passar o sinal de entrada através de um filtro de média móvel duas ou mais vezes. A Figura 15-3a mostra o núcleo de filtro global resultante de uma, duas e quatro passagens. Duas passagens são equivalentes à utilização de um kernel de filtro triangular (um núcleo de filtro retangular convolveu-se consigo mesmo). Após quatro ou mais passagens, o kernel do filtro equivalente parece um Gaussiano (lembre-se do Teorema do Limite Central). Como mostrado em (b), passagens múltiplas produzem uma resposta de passo em forma de s, em comparação com a linha reta da passagem simples. As respostas de freqüência em (c) e (d) são dadas pela Eq. 15-2 multiplicado por si para cada passagem. Isto é, cada vez que a convolução do domínio resulta numa multiplicação dos espectros de frequência. A Figura 15-4 mostra a resposta de freqüência de outros dois parentes do filtro de média móvel. Quando um Gaussiano puro é usado como um kernel de filtro, a resposta de freqüência é também um Gaussiano, como discutido no Capítulo 11. O Gaussiano é importante porque é a resposta de impulso de muitos sistemas naturais e artificiais. Por exemplo, um breve pulso de luz que entra numa longa linha de transmissão de fibra óptica irá sair como um pulso Gaussiano, devido aos diferentes caminhos tomados pelos fótons dentro da fibra. O kernel de filtro gaussiano também é usado extensivamente no processamento de imagens porque possui propriedades únicas que permitem a rápida convolução bidimensional (ver Capítulo 24). A segunda resposta de freqüência na Fig. 15-4 corresponde a usar uma janela de Blackman como um kernel de filtro. (A janela do termo não tem nenhum significado aqui é simplesmente parte do nome aceitado desta curva). A forma exata da janela de Blackman é dada no Capítulo 16 (Equação 16-2, Fig. 16-2) no entanto, se parece muito com um Gaussiano. Como são esses parentes do filtro de média móvel melhor do que o filtro de média móvel em si Três maneiras: Primeiro, e mais importante, esses filtros têm melhor atenuação de banda de interrupção do que o filtro de média móvel. Em segundo lugar, os grãos de filtro diminuem para uma amplitude menor perto das extremidades. Lembre-se de que cada ponto no sinal de saída é uma soma ponderada de um grupo de amostras da entrada. Se o kernel do filtro diminui, as amostras no sinal de entrada que estão mais distantes recebem menos peso do que as próximas. Em terceiro lugar, as respostas de passo são curvas suaves, ao invés da linha recta abrupta da média móvel. Estes dois últimos são geralmente de benefício limitado, embora você possa encontrar aplicações onde eles são verdadeiras vantagens. O filtro de média móvel e seus parentes são todos aproximadamente o mesmo na redução de ruído aleatório, mantendo uma resposta passo agudo. A ambiguidade reside na forma como o tempo de subida da resposta ao passo é medido. Se o tempo de subida é medido de 0 a 100 do passo, o filtro de média móvel é o melhor que você pode fazer, como mostrado anteriormente. Em comparação, a medição do tempo de subida de 10 para 90 torna a janela Blackman melhor do que o filtro de média móvel. O ponto é, isto é apenas disputas teóricas considerar estes filtros iguais neste parâmetro. A maior diferença entre esses filtros é a velocidade de execução. Usando um algoritmo recursivo (descrito a seguir), o filtro de média móvel será executado como relâmpagos em seu computador. Na verdade, é o mais rápido filtro digital disponível. Várias passagens da média móvel serão correspondentemente mais lentas, mas ainda assim muito rápidas. Em comparação, os filtros Gaussiano e Blackman são extremamente lentos, porque eles devem usar convolução. Pense um fator de dez vezes o número de pontos no kernel do filtro (com base na multiplicação sendo cerca de 10 vezes mais lento que a adição). Este exemplo mostra como usar filtros de média móvel e reamostragem para isolar o efeito de componentes periódicos da hora do dia sobre as leituras de temperatura por hora, como por exemplo, esperar que um Gaussiano de 100 pontos seja 1000 vezes mais lento do que uma média móvel usando recursão. Bem como remover o ruído de linha não desejado de uma medida de voltagem 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. Suavização de Motivação é como descobrimos padrões importantes em nossos dados enquanto deixamos de lado coisas que não são importantes (ou seja, ruído). Utilizamos a filtragem para executar esta suavização. 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 2011. 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 Na 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 1/24 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 Peak Envelope Às vezes, também gostaríamos de ter uma estimativa suavemente variável de como os altos e baixos de 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 idéia 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 (1 / 2,1 / 2) n Este tipo de filtro aproxima-se de uma curva normal para grandes valores de n. É útil para a filtragem de ruído de alta freqüência para pequenas n. Para encontrar os coeficientes para o filtro binomial, convolve 1/2 1/2 com si mesmo e, em seguida, convida iterativamente a saída com 1/2 1/2 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 simples filtro Low Pass FIR (Finite Impulse Response) comumente usado para suavizar uma matriz de dados / sinal amostrados. 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 é útil para cientistas e engenheiros para filtrar o componente ruidoso indesejado 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 feitas cada vez mais sem corte. Isto implica que este filtro tem 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 à computação / cálculos envolvidos. O filtro introduz uma quantidade definida de atraso 3) O filtro age como um Filtro de Passagem Baixa (com fraca resposta de domínio de freqüência 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 barulhenta e nosso objetivo é reduzir o ruído. A figura a seguir 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. Aumentamos os toques do filtro para 51 pontos e podemos ver que o ruído na saída reduziu muito, o que é mostrado 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 ditas (observe a inclinação em ambos os lados 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 de 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 que um bom desempenho no domínio do tempo resulta em mau 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 passa-baixa excepcionalmente ruim (a ação no domínio da freqüência) Links externos: Livros recomendados: Primary SidebarMoving Average The Moving Average Technical Indicador mostra o valor médio do preço do instrumento por um determinado período de tempo. Quando se calcula a média móvel, uma média do preço do instrumento para este período de tempo. À medida que o preço muda, sua média móvel aumenta ou diminui. Existem quatro tipos diferentes de médias móveis: Simples (também referido como Aritmética), Exponencial. Suavizado e Ponderado. A média móvel pode ser calculada para qualquer conjunto de dados seqüenciais, incluindo preços de abertura e fechamento, preços mais altos e mais baixos, volume de negociação ou quaisquer outros indicadores. É freqüentemente o caso quando se utilizam médias móveis duplas. A única coisa em que as médias móveis de diferentes tipos divergem consideravelmente umas das outras, é quando os coeficientes de peso, que são atribuídos aos dados mais recentes, são diferentes. No caso de nós estamos falando de média móvel simples. Todos os preços do período de tempo em questão são iguais em valor. A média móvel exponencial e a média móvel ponderada linear atribuem mais valor aos preços mais recentes. A maneira mais comum de interpretar a média móvel de preços é comparar sua dinâmica com a ação de preço. Quando o preço do instrumento sobe acima de sua média móvel, um sinal de compra aparece, se o preço cai 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 direito de mercado em seu ponto mais baixo, e sua saída direita no pico. Permite agir de acordo com a seguinte tendência: comprar logo após os preços chegarem ao fundo, e vender logo depois que os preços atingiram seu pico. As médias móveis também podem ser aplicadas aos indicadores. É aí que a interpretação das médias móveis dos indicadores é semelhante à interpretação das médias móveis de preços: se o indicador se eleva acima da média móvel, isso significa que o movimento do indicador ascendente deverá continuar: se o indicador cair abaixo da sua média móvel, Significa que é provável que continue indo para baixo. Aqui estão os tipos de médias móveis no gráfico: Média móvel simples (SMA) Média móvel exponencial (EMA) Média móvel suavizada (SMMA) Média móvel ponderada linear (LWMA) Você pode testar os sinais comerciais desse indicador criando um especialista Em Assistente MQL5. Simples, ou seja, a média móvel aritmética é calculada resumindo os preços de encerramento do instrumento ao longo de um certo número de períodos únicos (por exemplo, 12 horas). Este valor é então dividido pelo número de tais períodos. SMA SOMA (FECHAR (i), N) / N SUM soma FECHAR (i) período de fechamento preço próximo N número de períodos de cálculo. Média Móvel Exponencial (EMA) A média móvel suavizada exponencialmente é calculada pela adição de uma determinada parcela do preço de fechamento atual ao valor anterior da média móvel. Com médias móveis exponencialmente suavizadas, os últimos preços próximos são de maior valor. A média móvel exponencial de P por cento se parecerá com: EMA (CLOSE (i) P) EMA (i - 1) (1 - P) De um período precedente P a percentagem de utilização do valor do preço. (SMMA) O primeiro valor desta média móvel suavizada é calculado como a média móvel simples (SMA): SUM1 SUM (CLOSE (i), N) A segunda média móvel é calculada de acordo com esta fórmula: SMMA (i) (I-1) FIM (i)) / N As médias móveis sucessivas são calculadas de acordo com a seguinte fórmula: ) / N Soma SUM SUM1 soma total dos preços de fechamento para N períodos é contada a partir da barra anterior PREVSUM suavização da barra anterior SMMA (i-1) suavizada média móvel da barra anterior SMMA (i) média móvel suavizada da (Exceto para o primeiro) CLOSE (i) preço de fechamento atual N período de suavização. Após conversões aritméticas a fórmula pode ser simplificada: SMMA (i) (SMMA (i - 1) (N - 1) FECHAR (i)) / N Média Móvel Ponderada Linear (LWMA) No caso da média móvel ponderada, É mais valioso do que dados mais cedo. A média móvel ponderada é calculada multiplicando-se cada um dos preços de fechamento dentro da série considerada, por um determinado coeficiente de ponderação: LWMA SOMA (FECHAR (i) i, N) Soma (i, N) soma total dos coeficientes de peso N período de suavização.
No comments:
Post a Comment