Skip to main content
Дорожка Adaptive moving average
3 / 24
Поиск по архивуБиблиотека
Библиотека

1992выпуск C121-2

Построение адаптивного к волатильности экспоненциального сглаживания

Динамическая средняя с переменным индексом сохраняет рекурсию экспоненциального сглаживания и заменяет фиксированный коэффициент смешивания коэффициентом волатильности, поэтому то же обновление можно перестроить на ряде цен закрытия, максимумов или минимумов.

  • Динамическая средняя с переменным индексом — это экспоненциальное сглаживание, у которого коэффициент смешивания следует за измеренной волатильностью, а не остаётся фиксированным.
  • Коэффициент волатильности — это 30-дневное стандартное отклонение сглаживаемого ряда, масштабированное опорным стандартным отклонением 0.5.
  • Рекурсивное обновление смешивает последнее наблюдение с предыдущей средней, масштабируя смесь этим коэффициентом волатильности и фиксированным коэффициентом 0.065.
  • Та же конструкция применяется к дневным максимумам или дневным минимумам, если этот ряд используется и в окне стандартного отклонения, и в обновлении.
Записи этого разбора2 записи
Текущая дорожкаAdaptive moving average28 разборовExponential smoothing117 разборов

Сохраните рекурсию, измените вес

Динамическая средняя с переменным индексом строится из экспоненциального сглаживания: коэффициент смешивания меняется вместе с измеренной волатильностью, а не остаётся фиксированным. Экспоненциальное сглаживание — это рекурсивная средняя, которая применяет постоянный коэффициент смешивания к новейшему наблюдению и дополнительный вес к предыдущей средней. Адаптивная скользящая средняя — это рекурсивная средняя, у которой коэффициент смешивания может меняться вместе с измеренным свойством входного ряда. Динамическая средняя с переменным индексом — это экспоненциальный сглаживатель, у которого коэффициент смешивания масштабируется недавним стандартным отклонением относительно опорного стандартного отклонения.

Сформируйте коэффициент волатильности на сглаживаемом ряде

Входом по волатильности служит отношение 30-дневного стандартного отклонения выбранного ценового ряда к опорному стандартному отклонению. Это 30-дневное стандартное отклонение берётся по окну из 30 наблюдений того же ряда, который сглаживается. Опорное стандартное отклонение, которым масштабируется 30-дневное окно, равно 0.5. Коэффициент волатильности — это частное этого стандартного отклонения на коротком окне и выбранного опорного стандартного отклонения.

Смешайте последнее наблюдение с предыдущей средней

Рекурсивное обновление смешивает последнее наблюдение с предыдущей средней; смесь масштабируется коэффициентом волатильности и фиксированным коэффициентом 0.065. Вес сглаживания — это коэффициент, который определяет, какая доля последнего наблюдения входит в обновлённую среднюю. Коэффициент волатильности позволяет этому весу сглаживания меняться вместе с измеренной волатильностью, тогда как сама рекурсия остаётся той же.

VIDYA на листе цен закрытия

Цены закрытия с середины августа по 1 October 1992 и пять значений VIDYA, которые лист реально считает, как только доступно 30-дневное стандартное отклонение. Трейдеру стоит обратить внимание: адаптивная скользящая средняя держится около 105.5, пока закрытие колеблется примерно от 103.2 до 106.9; последние пять строк взяты из исходной таблицы, а не перерисованы с кривой.
Цены закрытия с середины августа по 1 October 1992 и пять значений VIDYA, которые лист реально считает, как только доступно 30-дневное стандартное отклонение. Трейдеру стоит обратить внимание: адаптивная скользящая средняя держится около 105.5, пока закрытие колеблется примерно от 103.2 до 106.9; последние пять строк взяты из исходной таблицы, а не перерисованы с кривой.daily · 1992-08-14T00:00:00.000Z по 1992-10-01T00:00:00.000Z

VIDYA начинается только со строки 31, потому что 30-дневному окну STDEVP нужен диапазон D6:D35. Источник фиксирует опорное отклонение на 0.5 и базовую альфу на 0.065 в формуле =(E35/0.5*0.065*D35)+((1-(E35/0.5*0.065))*F34).

Перестройте то же обновление на максимумах или минимумах

Ту же конструкцию можно применить к дневным максимумам или дневным минимумам, подставив этот ряд и в окно стандартного отклонения, и в рекурсивное обновление. Окно и средняя остаются на одном ряде: сглаживатель на максимумах использует максимумы для стандартного отклонения на 30 наблюдениях и для рекурсивного смешивания, а сглаживатель на минимумах делает то же с минимумами. Историческое изложение рассматривает метод как расширение экспоненциальной скользящей средней.

Не является инвестиционной рекомендацией. Исторический материал не подтверждает актуальную результативность метода.
3 из 24 в дорожке «Adaptive moving average»
19951-3 с.Дальше про «Adaptive moving average»Построение адаптивной скользящей средней с коэффициентом эффективности и фильтромДва n-периодных входа — чистое изменение как направление и сумма абсолютных однопериодных изменений как волатильность — образуют коэффициент эффективности, который равен 1 в однонаправленном окне и приближается к 0, когда чистое перемещение мало относительно пути.
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
По областиИндикаторы и фильтры682 разбораПо году1992115 разборов
Все 28 разборов с записью «Adaptive moving average»
Тоже про «Adaptive moving average»5 разборов
1995Адаптивная длина как выбор конструкции внутри экспоненциального сглаживания1998Построение фильтров вложением смещений и переменных весов2005Построение адаптивной скользящей средней по фрактальной размерности2005Адаптивный экспоненциальный фильтр на основе размерности диапазона2010Построение простой, экспоненциальной и адаптивной средних