Exponential Moving Average Filter Algorithmus

Exponentieller Moving Average - EMA BREAKING DOWN Exponentieller Moving Average - EMA Die 12- und 26-Tage-EMAs sind die beliebtesten Kurzzeitdurchschnitte und sie werden verwendet, um Indikatoren wie die gleitende durchschnittliche Konvergenzdivergenz (MACD) und den prozentualen Preisoszillator zu erzeugen (PPO). Im Allgemeinen werden die 50- und 200-Tage-EMAs als Signale von Langzeittrends verwendet. Händler, die technische Analysen verwenden, finden bewegte Durchschnitte sehr nützlich und aufschlussreich, wenn sie richtig angewendet werden, aber schaffen Verwüstung, wenn sie unsachgemäß verwendet oder falsch interpretiert werden. Alle gleitenden Mittelwerte, die üblicherweise in der technischen Analyse verwendet werden, sind ihrer Natur nach hintere Indikatoren. Folglich sollten die Schlussfolgerungen, die aus der Anwendung eines gleitenden Durchschnitts auf eine bestimmte Marktkarte gezogen werden, darin bestehen, eine Marktbewegung zu bestätigen oder ihre Stärke anzugeben. Sehr oft, bis zu der Zeit, in der eine gleitende durchschnittliche Indikatorlinie eine Änderung vorgenommen hat, um einen bedeutenden Marktzugang zu reflektieren, ist der optimale Markteintritt bereits vergangen. Eine EMA dient dazu, dieses Dilemma zu einem gewissen Grad zu lindern. Weil die EMA-Berechnung mehr Gewicht auf die neuesten Daten setzt, umarmt sie die Preisaktion etwas fester und reagiert daher schneller. Dies ist wünschenswert, wenn eine EMA verwendet wird, um ein Handelseingangssignal abzuleiten. Interpretation der EMA Wie alle gleitenden durchschnittlichen Indikatoren sind sie für die Trends in den Märkten besser geeignet. Wenn der Markt in einem starken und anhaltenden Aufwärtstrend ist. Die EMA-Indikatorlinie zeigt auch einen Aufwärtstrend und umgekehrt für einen Down-Trend. Ein wachsamer Trader wird nicht nur auf die Richtung der EMA-Linie achten, sondern auch auf das Verhältnis der Änderungsrate von einem Bar zum nächsten. Zum Beispiel, da die Preiswirkung eines starken Aufwärtstrends beginnt zu glätten und umzukehren, beginnt die EMAs-Änderungsrate von einem Bar zum nächsten zu verkleinern, bis zu diesem Zeitpunkt die Indikatorlinie abflacht und die Änderungsrate Null ist. Wegen der nacheilenden Wirkung, bis zu diesem Punkt, oder sogar ein paar Takte vorher, sollte die Preisaktion bereits umgekehrt sein. Daraus folgt, dass die Beobachtung einer konsequenten Abnahme der Änderungsrate der EMA selbst als Indikator verwendet werden könnte, der dem Dilemma, das durch die nacheilende Wirkung der sich bewegenden Mittelwerte verursacht wurde, weiter entgegenwirken könnte. Gemeinsame Verwendungen der EMA EMAs werden häufig in Verbindung mit anderen Indikatoren verwendet, um signifikante Marktbewegungen zu bestätigen und ihre Gültigkeit zu beurteilen. Für Händler, die intraday und schnell bewegte Märkte handeln, ist die EMA mehr anwendbar. Häufig verwenden Händler EMAs, um eine Handelsvorspannung zu bestimmen. Zum Beispiel, wenn ein EMA auf einer Tages-Chart zeigt einen starken Aufwärtstrend, eine Intraday-Trader-Strategie kann es sein, nur von der langen Seite auf einem Intraday-Chart zu handeln. Im Codierung etwas in dem Moment, wo ich eine Reihe von Werten im Laufe der Zeit aus Ein Hardwarekompass. Dieser Kompass ist sehr genau und aktualisiert sich sehr oft, mit dem Ergebnis, dass, wenn es leicht wackelt, ich am Ende mit dem ungeraden Wert, der wild unvereinbar mit seinen Nachbarn ist. Ich möchte diese Werte ausgleichen. Nachdem ich etwas gelesen habe, scheint es, dass das, was ich will, ein Hochpassfilter, ein Tiefpassfilter oder ein gleitender Durchschnitt ist. Gleitender Durchschnitt kann ich mit unten, halten Sie einfach eine Geschichte der letzten 5 Werte oder was auch immer, und verwenden Sie den Durchschnitt dieser Werte stromabwärts in meinem Code, wo ich war einmal nur mit dem neuesten Wert. Das heißt, ich denke, glätte diese Wackeln schön, aber es schlägt mich, dass seine wahrscheinlich ziemlich ineffizient, und dies ist wahrscheinlich eines der Bekannten Probleme zu richtigen Programmierer, auf die theres eine wirklich ordentliche Clever Math Lösung. Ich bin aber einer dieser schrecklichen, selbstgelehrten Programmierer ohne einen Fetzen der formalen Erziehung in irgendetwas, das sogar vage mit CompSci oder Mathematik verwandt ist. Das Lesen um ein bisschen deutet darauf hin, dass dies ein High-oder Tiefpass-Filter sein kann, aber ich kann nicht alles finden, was erklärt, in verständlich für einen Hack wie mich, was die Wirkung dieser Algorithmen wäre auf eine Reihe von Werten, geschweige denn, wie die Mathematik Arbeitet. Die hier gegebene Antwort Zum Beispiel, technisch beantwortet meine Frage, aber nur in verständlich für diejenigen, die wahrscheinlich schon wissen, wie das Problem zu lösen. Es wäre eine sehr schöne und kluge Person in der Tat, die die Art von Problem erklären könnte, das ist, und wie die Lösungen arbeiten, im Sinne verständlich für einen Kunst-Absolvent. Fragte am 21. September um 13:01 Wenn dein gleitender Durchschnitt lang sein muss, um die erforderliche Glättung zu erreichen, und du brauchst wirklich keine besondere Form des Kernels, dann bist du besser dran, wenn du einen exponentiell verfallenden gleitenden Durchschnitt nimmst: wo du bist Wählen Sie winzig eine passende Konstante (zB wenn Sie winzige 1- 1N wählen, wird es die gleiche Menge an Mittelwert wie ein Fenster der Größe N haben, aber anders verteilt über ältere Punkte). Jedenfalls, da der nächste Wert des gleitenden Durchschnitts nur von der vorherigen und Ihren Daten abhängt, muss man keine Warteschlange behalten. Und du kannst das daran denken, so etwas zu tun, Nun, ich habe einen neuen Punkt, aber ich vertraue es nicht wirklich, also werde ich 80 meiner alten Schätzung der Messung behalten und nur diesem neuen Datenpunkt vertrauen So ziemlich das gleiche wie zu sagen, Nun, ich vertraue nur diesem neuen Punkt 20, und ich benutze 4 andere Punkte, die ich vertraue, die gleiche Menge, außer dass anstatt explizit die 4 anderen Punkte, youre vorausgesetzt, dass die Mittelung Sie letzte Mal War sinnvoll, also kannst du deine bisherige Arbeit benutzen. Antwortete Sep 21 10 at 14:27 Hey, ich weiß, das ist 5 Jahre zu spät, aber danke für eine tolle Antwort. Ich arbeite an einem Spiel, bei dem sich der Klang auf der Grundlage deiner Geschwindigkeit ändert, aber wegen des Spiels auf einem langsamen Computer, würde die Geschwindigkeit wild schwanken, was für das Lenken gut war, aber super nervig in Sachen Sound. Dies war eine wirklich einfache und billige Lösung für etwas, was ich dachte, wäre ein wirklich komplexes Problem. Wenn du versuchst, den gelegentlichen ungeraden Wert zu entfernen, ist ein Tiefpassfilter der beste der drei Optionen, die du identifiziert hast. Deutsch:. Englisch: emagazine. credit-suisse. com/app/art...1007 & lang = en Wenn Sie versuchen, den gelegentlichen ungeraden Wert zu entfernen, Tiefpaßfilter erlauben Niedergeschwindigkeitsänderungen, wie z. B. die, die durch das Drehen eines Kompasses von Hand verursacht werden, während die Absenkung von Hochgeschwindigkeitsänderungen, wie z. B. durch Stöße auf der Straße verursacht wird. Ein gleitender Durchschnitt wird wahrscheinlich nicht ausreichen, da die Effekte eines einzelnen Blips in Ihren Daten mehrere nachfolgende Werte beeinflussen werden, abhängig von der Größe Ihres gleitenden Durchschnittsfensters. Wenn die ungeraden Werte leicht erkannt werden, können Sie sogar besser mit einem Glitch-Entferner-Algorithmus, der sie völlig ignoriert: Hier ist ein Guick-Diagramm zu illustrieren: Die erste Grafik ist das Eingangssignal, mit einem unangenehmen Glitch. Die zweite Grafik zeigt die Wirkung eines 10-prozentigen gleitenden Durchschnitts. Der endgültige Graph ist eine Kombination aus dem 10-Sample-Durchschnitt und dem oben beschriebenen einfachen Glitch-Detection-Algorithmus. Wenn der Glitch erkannt wird, wird anstelle des Istwertes der 10-Sample-Durchschnitt verwendet. Gleitender Durchschnitt kann ich mit. Aber es schlägt mich, dass seine wahrscheinlich ziemlich ineffizient. Theres wirklich kein Grund ein gleitender Durchschnitt sollte ineffizient sein. Sie halten die Anzahl der Datenpunkte, die Sie in irgendeinem Puffer (wie eine kreisförmige Warteschlange) wünschen. Auf jedem neuen Datenpunkt kommst du den ältesten Wert und subtrahiere ihn von einer Summe und schiebe den neuesten und führe ihn der Summe hinzu. So bringt jeder neue Datenpunkt wirklich nur einen Poppush, eine Addition und eine Subtraktion mit sich. Ihr gleitender Durchschnitt ist immer diese Verschiebungssumme geteilt durch die Anzahl der Werte in Ihrem Puffer. Es wird ein bisschen schwieriger, wenn Sie Daten gleichzeitig von mehreren Threads empfangen, aber da Ihre Daten von einem Hardwaregerät kommen, das mir höchst zweifelhaft erscheint. Oh und auch: schreckliche, selbstgelehrte Programmierer vereinen sich) Der gleitende Durchschnitt schien mir ineffizient zu sein, weil man einen Puffer von Werten speichern muss - besser, nur einige Clever Maths mit deinem Eingabewert und dem aktuellen Wertsatz zu machen, denke ich, wie der exponentielle gleitende Durchschnitt Arbeitet. Eine Optimierung, die für diese Art von gleitendem Durchschnitt gesehen wird, beinhaltet die Verwendung eines festen Längen-Warteschlangen-Verstärkers einen Zeiger auf, wo Sie in dieser Warteschlange sind, und einfach nur den Zeiger umschalten (mit oder einem if). Voila Kein teurer Pushpop Macht zu den Amateuren, Bruder ndash Henry Cooke Sep 22 10 bei 0:54 Henry: Für einen geradlinigen gleitenden Durchschnitt brauchst du den Puffer einfach so, dass du weißt, welcher Wert geknallt wird, wenn der nächste Wert gedrückt wird. Das heißt, die feste Länge Warteschlange amp ein pointerquot Sie beschreiben ist genau das, was ich meinte durch quotcircular queue. quot That39s warum ich sagte, es ist nicht ineffizient. Was meinten Sie, dass ich meinte, und wenn Ihre Antwort ist Quanten-Array, dass verschiebt seine Werte wieder auf jedem indizierten Removequot (wie Std :: Vektor in C). Nun, dann I39m so verletzt ich don39t will sogar noch mehr mit dir reden) ndash Dan Tao Sep 22 10 bei 1:58 Henry: Ich weiß nicht über AS3, aber ein Java Programmierer hat auch Sammlungen wie CircularQueue zu seiner Verfügung (I39m nicht ein Java-Entwickler, also I39m sicher, es gibt bessere Beispiele da draußen, die genau das, was ich von einer schnellen Google-Suche gefunden habe), die genau die Funktionalität implementiert, über die wir reden. I39m ziemlich zuversichtlich, die Mehrheit der Mittel-und Low-Level-Sprachen mit Standard-Bibliotheken haben etwas ähnliches (z. B. in dort39s QueueltTgt). Jedenfalls war ich selbst Philosophie. alles ist vergeben. Ndash Dan Tao Sep 12 10 um 12:44 Ein exponentiell abklingender gleitender Durchschnitt kann von Hand mit nur dem Trend berechnet werden, wenn man die richtigen Werte verwendet. Siehe viermilab. chhackdiete4 für eine Idee, wie man das schnell mit einem Stift und Papier macht, wenn man nach exponentiell geglätteten gleitenden Durchschnitt mit 10 Glättung sucht. Aber da hast du einen Computer, du möchtest wahrscheinlich Binärverschiebung im Gegensatz zur Dezimalverschiebung machen. Auf diese Weise ist alles, was du brauchst, eine Variable für deinen aktuellen Wert und eine für den Durchschnitt. Der nächste Durchschnitt kann dann berechnet werden. Antwortete am 21. September 10 um 14:39 Uhr eine Technik namens ein Bereich Tor, das gut funktioniert mit Low-Auftreten falsche Proben. Vorausgesetzt, die Verwendung einer der oben erwähnten Filtertechniken (gleitender Durchschnitt, exponentiell), sobald man genügend Geschichte hat (eine Zeitkonstante), kannst du das neue, eingehende Datenmuster für Angemessenheit testen, bevor es der Berechnung hinzugefügt wird. Manche Kenntnisse über die maximal vernünftige Änderungsrate des Signals sind erforderlich. Wird die Rohprobe mit dem letzten geglätteten Wert verglichen, und wenn der Absolutwert dieser Differenz größer als der zulässige Bereich ist, wird diese Probe ausgelöst (oder durch eine Heuristik ersetzt, zB eine Vorhersage auf der Grundlage der Steigungsdifferenz oder des Trends Vorhersage-Wert aus doppelter exponentieller Glättung) beantwortet am 30. April 16 um 6: 56 Ich habe im Wesentlichen ein Array von Werten wie folgt: Das obige Array ist vereinfacht, Im sammeln 1 Wert pro Millisekunde in meinem realen Code und ich muss die Ausgabe auf einem Algorithmus verarbeiten Ich schrieb, um den nächsten Gipfel vor einem Zeitpunkt zu finden. Meine Logik scheitert, weil in meinem Beispiel oben, 0.36 ist die reale Spitze, aber mein Algorithmus würde nach hinten schauen und sehen die letzte Zahl 0,25 als die Spitze, als theres eine Abnahme auf 0,24 vor ihm. Das Ziel ist, diese Werte zu nehmen und einen Algorithmus an sie anzuwenden, der sie ein bisschen glättet, so dass ich mehr lineare Werte habe. (Dh: Id wie meine Ergebnisse zu curvy, nicht Jaggedy) Ive wurde gesagt, um einen exponentiellen gleitenden durchschnittlichen Filter auf meine Werte anzuwenden. Wie kann ich das tun? Es ist wirklich schwer für mich, mathematische Gleichungen zu lesen, ich mache viel besser mit Code. Wie verarbeite ich Werte in meinem Array, indem du eine exponentielle gleitende durchschnittliche Berechnung anwende, um sie herauszufordern, um den 8. Februar 12 um 20:27 zu bitten, um einen exponentiellen gleitenden Durchschnitt zu berechnen. Du musst einen Zustand halten und du brauchst einen Tuning-Parameter. Dies fordert eine kleine Klasse (vorausgesetzt, du bist mit Java 5 oder höher): Instantiieren Sie mit dem Zerfallsparameter, den Sie wollen (kann die Abstimmung zwischen 0 und 1) und dann mit durchschnittlichen () zu filtern. Beim Lesen einer Seite auf einige mathematische Wiederholung, alles, was Sie wirklich wissen müssen, wenn es in Code ist, dass Mathematiker gerne Indizes in Arrays und Sequenzen mit Indizes schreiben. (Sie haben auch ein paar andere Notationen, was nicht hilft.) Allerdings ist die EMA ziemlich einfach, da man sich nur an einen alten Wert erinnern muss, keine komplizierten Zustand Arrays erforderlich. Antwortete Feb 8 12 um 20:42 TKKocheran: Ziemlich viel. Isn39t es schön, wenn es einfach sein kann (wenn man mit einer neuen Sequenz beginnt, bekomme du einen neuen Mittelwert.) Beachten Sie, dass die ersten paar Begriffe in der gemittelten Sequenz ein bisschen wegen der Brenneffekte umgehen werden, aber man bekommt diese mit anderen gleitenden Durchschnitten auch. Allerdings ist ein guter Vorteil, dass man die gleitende durchschnittliche Logik in den Mittelalter einpacken und experimentieren kann, ohne den Rest deines Programms zu stark zu stören. Ndash Donal Fellows Feb 9 12 at 0:06 Ich habe eine harte Zeit, Ihre Fragen zu verstehen, aber ich werde versuchen, trotzdem zu antworten. 1) Wenn dein Algorithmus 0,25 statt 0,36 gefunden hat, dann ist es falsch Es ist falsch, weil es eine monotone Zunahme oder Abnahme annimmt (das geht immer nach oben oder immer nach unten). Es sei denn, du durchschnittst alle deine Daten, deine Datenpunkte - wie du sie präsentierst - sind nichtlinear. Wenn Sie wirklich wollen, um den maximalen Wert zwischen zwei Punkten in der Zeit zu finden, dann schneiden Sie Ihr Array von tmin zu tmax und finden Sie die max dieser Subarray. 2) Nun ist das Konzept der gleitenden Durchschnitte sehr einfach: Stellen Sie sich vor, dass ich die folgende Liste habe: 1.4, 1.5, 1.4, 1.5, 1.5. Ich kann es glatt machen, indem ich den Durchschnitt von zwei Zahlen: 1.45, 1.45, 1.45, 1.5. Beachten Sie, dass die erste Zahl ist der Durchschnitt von 1,5 und 1,4 (zweite und erste Zahlen) die zweite (neue Liste) ist der Durchschnitt von 1,4 und 1,5 (dritte und zweite alte Liste) die dritte (neue Liste) der Durchschnitt von 1,5 und 1,4 (Vierte und dritte) und so weiter. Ich hätte es mal drei oder vier machen können, oder n. Beachten Sie, wie die Daten viel glatter sind. Ein guter Weg, um gleitende Durchschnitte bei der Arbeit zu sehen, ist, zu Google Finance zu gehen, eine Aktie auszuwählen (Tesla Motors ziemlich flüchtig (TSLA) auszuprobieren) und klicken Sie auf die Technik am unteren Rand des Diagramms. Wählen Sie Moving Average mit einem bestimmten Zeitraum und Exponential gleitenden Durchschnitt, um ihre Unterschiede zu vergleichen. Exponentieller gleitender Durchschnitt ist nur eine weitere Ausarbeitung von diesem, aber gewichtet die älteren Daten weniger als die neuen Daten ist dies ein Weg, um die Glättung nach hinten voranzutreiben. Bitte lesen Sie den Wikipedia-Eintrag. Also, das ist mehr ein Kommentar als eine Antwort, aber die kleine Kommentar-Box war nur zu winzig. Viel Glück. Wenn du Schwierigkeiten mit der Mathematik hast, könntest du mit einem einfachen gleitenden Durchschnitt anstatt exponentiell gehen. Also die Ausgabe, die du bekommst, wäre die letzten x Begriffe geteilt durch x. Ungetesteter Pseudocode: Beachten Sie, dass Sie die Start - und Endteile der Daten behandeln müssen, da Sie deutlich die letzten 5 Begriffe haben, wenn Sie auf Ihrem 2. Datenpunkt sind. Auch gibt es effizientere Möglichkeiten, diesen gleitenden Durchschnitt zu berechnen (Summsumme - älteste neueste), aber das ist es, das Konzept zu bekommen, was passiert. Antwortete am 8. Februar um 20:41