2010выпуск C0532-39
Построение Trend filter как низкочастотной модели
Trend filter собирается из декомпозиции «цена плюс шум» и каузального сглаживателя. Выберите Moving average или другой Lowpass filter, чей lookback соответствует торговому горизонту, затем рассматривайте результат как модель направления и сопоставляйте его с явной базовой моделью.
- Ценовой ряд можно представить как константу плюс трендовую составляющую, циклические составляющие и шум, а затем перегруппировать по частоте относительно выбранного торгового горизонта.
- Полезный метод идентификации тренда должен быть объективным, воспроизводимым и согласованным с торговым таймфреймом, потому что тренд одного таймфрейма может быть сегментом цикла на другом.
- Moving average — обычная конструкция Lowpass filter во временных рядах, и lookback следует задать так, чтобы нежелательные циклические составляющие были удалены или сильно ослаблены.
- Редакция: рассматривайте Trend filter как низкочастотную модель направления и сопоставляйте его с явной базовой моделью, а не как торговый сигнал.
Задайте декомпозицию «цена плюс шум»
Ценовой ряд можно представить как константу плюс трендовую составляющую, циклические составляющие и шум. Эти компоненты затем можно перегруппировать по частоте относительно выбранного торгового горизонта.
Полезный метод идентификации тренда должен быть объективным, воспроизводимым и согласованным с торговым таймфреймом. Тренд одного таймфрейма может быть сегментом цикла на другом.
Редакция: сначала задайте декомпозицию и горизонт. Trend filter — это модель низкочастотной траектории, относящейся к этому горизонту.
Определите низкочастотную траекторию
Линия тренда наилучшего соответствия задаётся так, чтобы средние отклонения были минимизированы, а вторичные циклические признаки плюс шум были удалены из моделируемой низкочастотной траектории.
Сглаживание, сохраняющее низкочастотные компоненты, используется, чтобы классифицировать состояние рынка как рост, снижение или боковик, задать базу для полос и каналов и измерить скорость изменения тренда.
В конструкции низкочастотного тренда методом линейной регрессии знак наклона указывает направление, а величина наклона измеряет силу. Сама линия рассматривается как модель направления, а не как генератор торговых сигналов.
Выберите каузальный Lowpass filter
Более отзывчивая модель тренда строится пропусканием ряда через Lowpass filter так, чтобы выбранные длиннопериодные циклические составляющие оставались на выходе.
Идеальный Lowpass filter пропускал бы частоты ниже частоты среза без изменений и удалял частоты выше неё. Каузальный фильтр реального времени может использовать только текущие и прошлые входы и поэтому не может воспроизвести эту идеальную характеристику.
Moving average — обычная конструкция низкочастотного сглаживателя во временных рядах. Lookback, кратный периоду цикла, удаляет этот цикл. Существенно более длинный lookback сильно ослабляет его даже тогда, когда кратность не точная.
Редакция: выберите каузальный сглаживатель, чей lookback соответствует торговому горизонту. Moving average — обычная конструкция, и она не может воспроизвести идеальную характеристику Lowpass filter.
Как простая скользящая средняя ослабляет частоту
Исходный рисунок схематичен. Вертикальные отсчёты идут по сетке амплитуды 0.25 и приблизительны. Нули лежат на нормированных частотах 1, 2 и 3. Соответствующая фазовая панель линейна и опущена, потому что использует шкалу в градусах.
Все разборы дорожки · 9 разборов
- 1991Построение совпадающей скользящей средней как фильтра нижних частот
- 1994Центрирование полосового фильтра из двух низкочастотных на посчитанном цикле
- 1997Zero-lag циклические фильтры могут давать сбой на ценовом ряде
- 2002Построение конечно-импульсных и экспоненциальных сглаживателей с нулевым лагом
- 2010Построение фильтров режимов цикл против тренда
- 2010Построение Trend filter как низкочастотной модели
- 2015Отбелённые фильтры низких частот для тренда и контртренда
- 2016Построение трендовых фильтров нижних частот, безопасных по Найквисту
- 2018Построение Finite Impulse Response Filter в сравнении с Exponential smoothing