Moyens de déplacement Moyennes Moyennes mobiles sont sujettes à whipsaws, lorsque le prix croise en va-et-vient à travers la moyenne mobile dans un marché de gamme. Les commerçants ont développé un certain nombre de filtres au fil des ans pour éliminer les faux signaux. Le système de moyenne mobile le plus simple génère des signaux lorsque le prix traverse la moyenne mobile: aller longtemps quand le prix croise au-dessus de la moyenne mobile de dessous. Aller court quand le prix croise au-dessous de la moyenne mobile du dessus. Des filtres sont ajoutés pour mesurer objectivement lorsque le prix a franchi la moyenne mobile. Les filtres les plus courants sont: Prix de clôture - soit un, deux ou trois jours successifs doivent tous se fermer ci-dessus au-dessous de la moyenne mobile La barre entière doit traverser la moyenne mobile Deux ou trois barres (en succession) doivent être à l'écart de la moyenne mobile Le déplacement Moyenne doit pente dans la direction du commerce Prix typique. Le prix médian ou la clôture pondérée peuvent également être utilisés comme substituts au cours de clôture. Les métiers sont entrés seulement si la moyenne mobile incline dans la direction du commerce. Ce filtre ne fonctionnera pas avec les moyennes mobiles exponentielles, car la moyenne mobile exponentielle est toujours en pente lorsque le prix se ferme au-dessus de la moyenne mobile et descend en pente si elle se ferme au-dessous. Quitter lorsque le prix re-croise la moyenne mobile. La pente moyenne mobile peut être utilisée en conjonction avec d'autres filtres comme le cours de clôture. La moyenne mobile simple est utilisée avec deux filtres: Passez la souris sur les légendes du graphique pour afficher les signaux de trading. Aller court - deux se ferme en dessous d'une moyenne mobile en baisse. Go moyenne à long déplacement est en hausse et le prix a fermé au-dessus de la moyenne mobile pendant 2 jours. La chute suivante en dessous de la moyenne mobile (début janvier) est filtrée. Le commerce long est sorti car il ya deux clos au-dessous de la moyenne mobile. Aucun commerce à découvert n'est inscrit car la moyenne mobile est en pente vers le haut. Allez longtemps - deux se ferme au-dessus d'une moyenne mobile montante. Allez court car il ya deux fermetures en dessous d'une moyenne mobile en baisse. Allez longtemps - deux se ferme au-dessus d'une moyenne mobile montante. Aller court - deux se ferme en dessous d'une moyenne mobile en baisse. Aller à long - moyenne mobile est à la hausse à nouveau et il ya 2 se ferme au-dessus. Notez comment profitable le commerce long 2 est pendant la forte tendance à la hausse, par rapport à quand whipsaws prix autour de la moyenne mobile relativement plat. Souvent vous commutation dans et hors des métiers. Les indicateurs de tendance ne sont normalement pas rentables, et devraient être évités, pendant les marchés de gamme. Joignez-vous à notre liste d'envoi Lire le bulletin Colin Twiggsrsquo Trading Diary, offrant une analyse fondamentale de l'économie et l'analyse technique des principaux indices boursiers, de l'or, du pétrole brut et du forex. Quels sont les inconvénients du filtre moyen? Bit d'une confusion dans la terminologie dans le traitement du signal. Les filtres de moyenne mobile sont des filtres calculant une série de moyens pondérés du signal d'entrée. En plus du commentaire de Balaacutezs Kotoszrsquo, il est important que les poids ne soient pas égaux, c'est-à-dire que vous calculez la moyenne arithmétique courante du signal d'entrée. Ce type de filtre est généralement appelé moyenne courante. Vous ne devriez pas utiliser ceux parce qu'ils éliminent certaines fréquences dans votre spectre et d'autres sont inversés. Thatrsquos mauvais si vous êtes intéressé par une bande de fréquence spécifique, qui est soit éliminé (pas de réponse) ou inversé (changement de signe et donc causalité) (voir Page 177 dans mon livre MATLAB Recettes pour les sciences de la Terre, Springer 2010). Heres a MATLAB Exemple pour voir l'effet des moyens de course. A titre d'exemple, l'application du filtre à un signal avec une période d'approximativement 10.09082 élimine complètement ce signal. De plus, comme l'amplitude de la réponse en fréquence est l'absolue de la réponse en fréquence complexe, la réponse en magnitude est réellement négative entre 0,3633 et entre 0,4546 et la fréquence de Nyquist. Toutes les composantes de signal ayant des fréquences comprises dans ces intervalles sont mises en miroir sur l'axe t. A titre d'exemple, nous essayons une onde sinusoïdale avec une période de 7.0000, par ex. Une fréquence d'environ 0,1429, qui est dans le premier intervalle avec une réponse de grandeur négative: t (1: 100) x10 2sin (2pit7) b10 unités (1,11) 11 m10 longueur (b10) y10 filtre (b10,1, x10 ) Y10 y10 (1 (m10-1) 2: fin (m10-1) 2,1) y10 (fin 1: fin 10-1,1) zéros (m10-1,1) tracé (t, x10, t, y10 ) Voici la réponse d'amplitude du filtre montrant les zéros et l'écrêtage: h, w freqz (b10,1,512) f 1w (2pi) magnitude abs (h) tracé (f, magnitude) L'onde sinusoïdale avec une période de 7 expériences Une réduction d'amplitude de Autour de 80 mais aussi signe changé comme vous pouvez le voir de l'intrigue. L'élimination de certaines fréquences et le retournement du signal ont une conséquence importante tout en interprétant la causalité dans les sciences de la terre. Ces filtres, bien qu'ils soient offerts en standard dans les tableurs pour le lissage, doivent donc être complètement évités. Comme alternative, des filtres avec une réponse en fréquence spécifique doivent être utilisés, comme un filtre passe-bas Butterworth. Cet exemple montre comment utiliser des filtres à moyenne mobile et un rééchantillonnage pour isoler l'effet des composantes périodiques de l'heure sur les relevés de température horaire, Ainsi que d'éliminer le bruit de ligne indésirable d'une mesure de tension en boucle ouverte. L'exemple montre également comment lisser les niveaux d'un signal d'horloge tout en préservant les bords en utilisant un filtre médian. L'exemple montre également comment utiliser un filtre Hampel pour supprimer des valeurs aberrantes importantes. Motivation Smoothing est la façon dont nous découvrons des modèles importants dans nos données tout en laissant de côté les choses qui sont sans importance (à savoir le bruit). Nous utilisons le filtrage pour effectuer ce lissage. L'objectif du lissage est de produire des changements de valeur lents afin que son plus facile de voir les tendances dans nos données. Parfois, lorsque vous examinez les données d'entrée, vous pouvez lisser les données afin de voir une tendance dans le signal. Dans notre exemple, nous avons un ensemble de mesures de température en Celsius prises toutes les heures à l'aéroport de Logan pour tout le mois de janvier 2011. Notez que nous pouvons visualiser l'effet que l'heure du jour a sur les relevés de température. Si vous n'êtes intéressé que par la variation quotidienne de la température au cours du mois, les fluctuations horaires ne contribuent qu'au bruit, ce qui peut rendre les variations quotidiennes difficiles à discerner. Pour supprimer l'effet de l'heure, nous aimerions maintenant lisser nos données en utilisant un filtre de moyenne mobile. Un filtre de moyenne mobile Dans sa forme la plus simple, un filtre de moyenne mobile de longueur N prend la moyenne de chaque N échantillons consécutifs de la forme d'onde. Pour appliquer un filtre de moyenne mobile à chaque point de données, nous construisons nos coefficients de notre filtre de sorte que chaque point est pondéré de façon égale et contribue 124 à la moyenne totale. Cela nous donne la température moyenne sur chaque période de 24 heures. Délai de filtrage Notez que la sortie filtrée est retardée d'environ douze heures. Ceci est dû au fait que notre filtre de moyenne mobile a un retard. Tout filtre symétrique de longueur N aura un retard de (N-1) 2 échantillons. Nous pouvons tenir compte de ce délai manuellement. Extraire les différences moyennes Nous pouvons également utiliser le filtre de la moyenne mobile pour obtenir une meilleure estimation de la façon dont l'heure du jour affecte la température globale. Pour ce faire, soustrayez d'abord les données lissées des mesures de température horaire. Ensuite, segmenter les données différenciées en jours et prendre la moyenne sur tous les 31 jours du mois. Extraction de l'enveloppe de pointe Nous aimerions parfois avoir une estimation variable de la façon dont les hauts et les bas de notre signal de température changent tous les jours. Pour ce faire, nous pouvons utiliser la fonction enveloppe pour relier les hauts et les bas extrêmes détectés sur un sous-ensemble de la période de 24 heures. Dans cet exemple, nous nous assurons qu'il ya au moins 16 heures entre chaque extrême haut et extrême bas. Nous pouvons également avoir une idée de la façon dont les hauts et les bas sont tendance en prenant la moyenne entre les deux extrêmes. Filtres moyens mobiles pondérés D'autres types de filtres à moyenne mobile ne pondent pas de façon égale chaque échantillon. Un autre filtre commun suit l'expansion binomiale de (12,12) n Ce type de filtre se rapproche d'une courbe normale pour de grandes valeurs de n. Il est utile pour filtrer le bruit à haute fréquence pour n petits. Pour trouver les coefficients pour le filtre binomial, convoluez 12 12 avec lui-même puis convertissez itérativement la sortie avec 12 12 un nombre prescrit de fois. Dans cet exemple, utilisez cinq itérations totales. Un autre filtre un peu similaire au filtre d'expansion gaussien est le filtre de moyenne mobile exponentielle. Ce type de filtre de moyenne mobile pondéré est facile à construire et ne nécessite pas une grande taille de fenêtre. Vous ajustez un filtre de moyenne mobile exponentiellement pondéré par un paramètre alpha entre zéro et un. Une valeur plus élevée de alpha aura moins de lissage. Zoom sur les lectures pour une journée. Sélectionnez votre pays
No comments:
Post a Comment