Skip to main content
Дорожка Adaptive moving average
10 / 24
Библиотека

1998выпуск C031-3

Построение адаптивного среднего по коэффициенту эффективности и фильтра входа

После прогрева lookback адаптивное среднее обновляется рекурсивно квадратом смеси быстрого и медленного весов, задаваемой коэффициентом эффективности. Фильтр приращения, размер которого берётся из волатильности приращений самой линии, затем требует, чтобы вход по правилу ждал, пока линия не пройдёт полную полосу от текущего экстремума.

  • Пока число баров не превысит lookback, адаптивное среднее инициализируется текущей ценой; после этого оно равно предыдущему адаптивному значению плюс адаптивный коэффициент сглаживания, умноженный на разницу до последнего закрытия.
  • Коэффициент эффективности — это абсолютное чистое изменение за lookback, делённое на сумму абсолютных однобаровых изменений. Он служит весом смеси между быстрым весом 0.6667 и медленным весом 0.0645, и эта смесь возводится в квадрат, образуя адаптивный коэффициент сглаживания.
  • Проработанные конструкции используют lookback 10 и задают фильтр приращения как 0.15 стандартного отклонения последовательных изменений адаптивного среднего за этот lookback.
  • Вход по правилу фиксируется только когда адаптивное среднее стоит более чем на один фильтр приращения за своим текущим экстремумом, и одна закодированная система действует на закрытии бара, на котором это расстояние пересекает фильтр.
Записи этого разбора3 записи

Инициализация и рекурсивное обновление

После прогрева lookback адаптивное среднее обновляется рекурсивно как предыдущее адаптивное значение плюс переменный адаптивный коэффициент сглаживания, умноженный на разницу между последним закрытием и этим предыдущим значением.

Пока число баров не превысит lookback, адаптивное среднее инициализируется текущей ценой вместо применения рекурсивного обновления.

Коэффициент эффективности и адаптивный коэффициент сглаживания

Коэффициент эффективности, который задаёт адаптивный коэффициент сглаживания, — это абсолютное чистое изменение за lookback, делённое на сумму абсолютных однобаровых изменений за тот же lookback.

Адаптивный коэффициент сглаживания — это квадрат смеси между быстрым весом 0.6667, эквивалентно 2/(2+1), и медленным весом 0.0645, эквивалентно 2/(30+1), где коэффициент эффективности служит весом смеси.

Когда чистое изменение велико относительно вариации пути, переменный вес приближается к максимуму и среднее теснее следует за ценой. Когда цены идут зигзагом, вес приближается к минимуму и среднее выполаживается.

Фильтр приращения и текущие экстремумы

Проработанные конструкции используют lookback 10 и задают сопутствующий фильтр приращения как стандартное отклонение последовательных изменений адаптивного среднего за этот lookback, умноженное на 0.15. Фильтр приращения — это процент стандартного отклонения последовательных изменений адаптивного среднего за lookback, используемый как минимальная дистанция хода.

Текущий минимум адаптивного среднего обновляется на нисходящих движениях, а текущий максимум — на восходящих. Эти текущие экстремумы служат опорными точками для сравнения с фильтром.

Вход по правилу после полной полосы хода

Условие покупки фиксируется, когда адаптивное среднее стоит более чем на один фильтр приращения выше своего текущего минимума. Условие продажи фиксируется, когда оно стоит более чем на один фильтр приращения ниже своего текущего максимума.

Одна закодированная система ждёт, пока расстояние от текущего экстремума не пересечёт фильтр приращения снизу вверх, и затем действует на закрытии этого бара. Этот вход по правилу — условие лонга или шорта, которое становится истинным только когда ход от текущего экстремума превышает или пересекает фильтр приращения.

Не является инвестиционной рекомендацией. Исторический материал не подтверждает актуальную результативность метода.
10 из 24 в дорожке «Adaptive moving average»
20011-6 с.Дальше про «Adaptive moving average»Кодирование структуры свечи как числового фильтраCandleCode присваивает отдельные целочисленные веса цвету тела, размеру тела, верхней тени, нижней тени и гэпу, затем складывает эти знаковые компоненты в одну оценку бара.
Все разборы дорожки · 24 разбора
  1. 1991Построение скользящих средних переменной длины по разбиению изменений цены
  2. 1991Скользящая средняя переменной длины по дисперсии изменений
  3. 1992Построение адаптивного к волатильности экспоненциального сглаживания
  4. 1995Построение адаптивной скользящей средней с коэффициентом эффективности и фильтром
  5. 1995Подтверждение пробоя по двум воротам с адаптивными средними
  6. 1995Построение адаптивных скользящих средних, масштабируемых импульсом
  7. 1995Адаптивная длина как выбор конструкции внутри экспоненциального сглаживания
  8. 1998Тестирование пробоев ценового канала с адаптивной средней, учитывающей лаг
  9. 1998Построение фильтров вложением смещений и переменных весов
  10. 1998Построение адаптивного среднего по коэффициенту эффективности и фильтра входа
  11. 2001Кодирование структуры свечи как числового фильтра
  12. 2001Адаптивные средние, управляемые скоростью фазы цикла
  13. 2005Построение адаптивной скользящей средней из веса фрактальной размерности
  14. 2005Адаптивный экспоненциальный фильтр на основе размерности диапазона
  15. 2010Построение простой, экспоненциальной и адаптивной средних
  16. 2010Как из обычных средних собирается сглаживатель, который прижимается к ценам
  17. 2013Оценка адаптивной скользящей средней в сравнении со скользящей средней с тем же окном
  18. 2016Трёхслойное подтверждение: адаптивная средняя, стохастический индекс относительной силы и stop-and-reverse
  19. 2017Одно-альфа reverse-path экспоненциальное сглаживание
  20. 2018Поставьте в пару две адаптивные средние, чтобы отфильтровать свинг-развороты
  21. 2018Две адаптивные скользящие средние как подтверждающая пара
  22. 2018Построение адаптивного фильтра для разворотов цикла освоения
  23. 2018Построение deviation-scaled adaptive moving average
  24. 2020Walk-forward и адаптивные средние как два теста одного и того же тренда
Все 28 разборов с записью «Adaptive moving average»
Тоже про «Adaptive moving average»5 разборов