Wednesday 15 November 2017

Double Moving Average Beispiel


Double Exponential Moving Averages Explained Traders haben sich auf bewegte Durchschnitte verlassen, um zu helfen, hohe Wahrscheinlichkeit Trading Einstiegspunkte und profitable Ausgänge für viele Jahre zu ermitteln. Ein bekanntes Problem mit bewegten Durchschnitten ist jedoch die ernsthafte Verzögerung, die in den meisten Arten von gleitenden Durchschnitten vorhanden ist. Der doppelte exponentielle gleitende Durchschnitt (DEMA) liefert eine Lösung durch die Berechnung einer schnelleren Mittelungsmethode. Geschichte der doppelten exponentiellen bewegten Durchschnitt in der technischen Analyse. Der Begriff gleitender Durchschnitt bezieht sich auf einen durchschnittlichen Preis für ein bestimmtes Handelsinstrument über einen bestimmten Zeitraum. Zum Beispiel berechnet ein 10-Tage-Gleitender Durchschnitt den durchschnittlichen Preis eines bestimmten Instruments in den letzten zehn zehn Tagen einen 200-Tage-Gleitender Durchschnitt berechnet den Durchschnittspreis der letzten 200 Tage. Jeden Tag geht die Rückblickzeit auf Basisberechnungen an der letzten X-Anzahl von Tagen vor. Ein gleitender Durchschnitt erscheint als eine glatte, geschwungene Linie, die eine visuelle Darstellung des längerfristigen Trends eines Instruments bietet. Schnellere gleitende Durchschnitte, mit kürzeren Rückblickperioden, sind härtere, langsamer bewegte Durchschnitte, mit längeren Rückblickperioden, sind glatter. Weil ein gleitender Durchschnitt ein rückwärts aussehender Indikator ist, ist es hinterher. Der doppelte exponentielle gleitende Durchschnitt (DEMA), der in Fig. 1 gezeigt ist, wurde von Patrick Mulloy entwickelt, um die Menge an Verzögerungszeit zu reduzieren, die in herkömmlichen gleitenden Durchschnitten gefunden wurde. Es wurde erstmals im Februar 1994 eingeführt, Technische Analyse von Aktien amp Commodities Magazin in Mulloys Artikel Glättung Daten mit schnelleren Durchlauf-Mittelwerte. (Für eine Grundierung auf technische Analyse, werfen Sie einen Blick auf unsere technische Analyse Tutorial.) Abbildung 1: Diese einminütige Chart der E-Mini Russell 2000 Futures-Vertrag zeigt zwei verschiedene doppelte exponentielle gleitende Durchschnitte eine 55-Periode erscheint in blau, Eine 21-Periode in rosa. Berechnen einer DEMA Wie Mulloy in seinem ursprünglichen Artikel erklärt, ist die DEMA nicht nur eine doppelte EMA mit der doppelten Verzögerungszeit einer einzigen EMA, sondern ist eine zusammengesetzte Implementierung von Einzel - und Doppel-EMAs, die eine weitere EMA mit weniger Verzögerung als entweder des Originals produzieren zwei. Mit anderen Worten, die DEMA ist nicht einfach zwei EMAs kombiniert, oder ein gleitender Durchschnitt eines gleitenden Durchschnitts, sondern ist eine Berechnung sowohl einzelner als auch doppelter EMAs. Fast alle Trading-Analyse-Plattformen haben die DEMA als Indikator enthalten, der den Charts hinzugefügt werden kann. Deshalb können Händler die DEMA verwenden, ohne die Mathematik hinter den Berechnungen zu kennen und ohne irgendeinen Code zu schreiben oder zu schreiben. Vergleich der DEMA mit traditionellen Moving Averages Moving Averages sind eine der beliebtesten Methoden der technischen Analyse. Viele Händler benutzen sie, um Trendumkehrungen zu erkennen. Vor allem in einem gleitenden durchschnittlichen Crossover, bei dem zwei gleitende Mittelwerte unterschiedlicher Länge auf ein Diagramm gesetzt werden. Punkte, wo die gleitenden Durchschnitte kreuzen können bedeuten Kauf oder Verkauf von Möglichkeiten. Die DEMA kann den Händlern helfen, die Umkehrungen früher zu finden, weil es schneller ist, auf Veränderungen in der Marktaktivität zu reagieren. Abbildung 2 zeigt ein Beispiel für den E-Mini Russell 2000 Futures-Kontrakt. Dieses 1-Minuten-Diagramm hat vier bewegte Durchschnitte angewendet: 21-Periode DEMA (rosa) 55-Periode DEMA (dunkelblau) 21-Periode MA (hellblau) 55-Periode MA (hellgrün) Abbildung 2: Dieses einminütige Diagramm von Der e-mini Russell 2000 Futures-Vertrag veranschaulicht die schnellere Reaktionszeit der DEMA bei Verwendung in einem Crossover. Beachten Sie, wie die DEMA-Crossover in beiden Fällen deutlich früher als die MA-Crossover erscheint. Die erste DEMA-Crossover erscheint um 12:29 und die nächste Bar öffnet sich zu einem Preis von 663,20. Die MA-Crossover, auf der anderen Seite, bildet um 12:34 und die nächste Bar Eröffnungspreis ist bei 660,50. Im nächsten Satz von Crossovers erscheint die DEMA-Crossover um 1:33 und die nächste Bar öffnet sich bei 658. Die MA, im Gegensatz dazu bildet sich um 1:43, mit der nächsten Baröffnung bei 662,90. In jedem Fall bietet die DEMA-Crossover einen Vorteil, um in den Trend früher als die MA-Crossover zu gelangen. (Für mehr Einblick, lesen Sie die Moving Averages Tutorial.) Handel mit einem DEMA Die oben gleitenden durchschnittlichen Crossover Beispiele veranschaulichen die Wirksamkeit der Verwendung der schnelleren doppelten exponentiellen gleitenden Durchschnitt. Neben der Verwendung des DEMA als Standalone-Indikator oder im Crossover-Setup kann das DEMA in einer Vielzahl von Indikatoren eingesetzt werden, bei denen die Logik auf einem gleitenden Durchschnitt basiert. Technische Analysewerkzeuge wie Bollinger Bands. (MACD) und Triple Exponential Gleitender Durchschnitt (TRIX) basieren auf gleitenden durchschnittlichen Typen und können modifiziert werden, um eine DEMA anstelle von anderen traditionellen Arten von gleitenden Durchschnitten zu integrieren. Der Ersatz der DEMA kann den Händlern dabei helfen, verschiedene Kauf - und Verkaufsmöglichkeiten zu erwerben, die denjenigen entsprechen, die von den in diesen Indikatoren traditionell verwendeten MAs oder EMAs bereitgestellt werden. Natürlich in einen Trend früher eher als später in der Regel führt zu höheren Gewinnen. Abbildung 2 veranschaulicht dieses Prinzip - wenn wir die Crossover als Kauf - und Verkaufssignale nutzen würden. Wir würden die Trades deutlich früher bei der DEMA Crossover im Gegensatz zum MA Crossover betreten. Bottom Line Trader und Investoren haben längst bewegte Durchschnitte in ihrer Marktanalyse verwendet. Durchgehende Durchschnitte sind ein weit verbreitetes technisches Analyse-Tool, das ein Mittel zur schnellen Betrachtung und Interpretation des längerfristigen Trends eines bestimmten Handelsinstruments bietet. Da gleitende Durchschnitte nach ihrer Natur sind nachlaufende Indikatoren. Es ist hilfreich, den gleitenden Durchschnitt zu optimieren, um eine schnellere, ansprechendere Anzeige zu berechnen. Der doppelte exponentielle gleitende Durchschnitt bietet den Händlern und Investoren einen Blick auf den längerfristigen Trend, mit dem zusätzlichen Vorteil, ein schneller gleitender Durchschnitt mit weniger Verzögerungszeit zu sein. (Für verwandte Lesung, werfen Sie einen Blick auf Moving Average MACD Combo und Simple Vs. Exponential Moving Averages.) Bei der Berechnung eines laufenden gleitenden Durchschnitt, Platzierung der Durchschnitt in der mittleren Zeitspanne macht Sinn Im vorherigen Beispiel haben wir den Durchschnitt der ersten berechnet 3 Zeiträume und platzierte es neben Periode 3. Wir hätten den Mittelpunkt in der Mitte des Zeitintervalls von drei Perioden platzieren können, also neben Periode 2. Das funktioniert gut mit seltsamen Zeiträumen, aber nicht so gut für gerade Zeit Abschnitte. Also, wo würden wir den ersten gleitenden Durchschnitt platzieren, wenn M 4 Technisch, würde der Moving Average bei t 2,5, 3,5 fallen. Um dieses Problem zu vermeiden, glätten wir die MAs mit M 2. Damit glätten wir die geglätteten Werte. Wenn wir eine gerade Anzahl von Terminen vergrössern, müssen wir die geglätteten Werte glätten. Die folgende Tabelle zeigt die Ergebnisse mit M 4.Double Moving Average Filter Beschreibung DoubleMovingAverageFilter implementiert einen Tiefpass-Doppel-Gleit-Durchschnitt-Filter. Der DoubleMovingAverageFilter ist Teil der Vorverarbeitungsmodule. Ein Beispiel für ein Signal (Sinuswellen-Zufallsrauschen), das unter Verwendung eines gleitenden Durchschnittsfilters gefiltert wurde Das rote Signal ist das ursprüngliche Signalrauschen, das grüne Signal ist das gefilterte Signal unter Verwendung eines gleitenden Durchschnittsfilters mit einer Fenstergröße von 5 und das blaue Signal ist das gefilterte Signal unter Verwendung eines gleitenden Durchschnittsfilters mit einer Fenstergröße von 20. DoubleMovingAverageFilterExampleImage1. Jpg Vorteile Der DoubleMovingAverageFilter eignet sich gut zum Entfernen einer kleinen Menge an Hochfrequenzrauschen aus einem N-dimensionalen Signal. Nachteile Der Hauptnachteil des DoubleMovingAverageFilters besteht darin, dass, um deutlich hochfrequentes Rauschen herauszufiltern, die Fenstergröße des Filters groß sein muss. Das Problem mit einem großen Filterfenster ist, dass dies eine große Latenz in jedem Signal, das durch den Filter, die möglicherweise nicht vorteilhaft für Echtzeit-Anwendungen. Wenn Sie feststellen, dass Sie ein großes Filterfenster benötigen, um Hochfrequenzrauschen herauszufiltern, und die Latenz, die durch diese Fenstergröße verursacht wird, eignet sich nicht für Ihre Echtzeitanwendung, dann möchten Sie vielleicht einen Tiefpassfilter ausprobieren. Beispiel Code GRT DoubleMovingAverageFilter Beispiel Dieses Beispiel veranschaulicht, wie das GRT DoubleMovingAverageFilter PreProcessing Module erstellt und verwendet wird. Der DoubleMovingAverageFilter implementiert einen Tiefpass-Double-Gleit-Durchschnitt-Filter. In diesem Beispiel erstellen wir eine Instanz eines DoubleMovingAverageFilters und verwenden diese, um einige Dummy-Daten zu filtern, die aus einem Sinuswellen-Zufallsrauschen erzeugt werden. Das Testsignal und die gefilterten Signale werden dann in einer Datei gespeichert (so können Sie die Ergebnisse in Matlab, Excel, etc. bei Bedarf aufzeichnen). Dieses Beispiel zeigt Ihnen, wie Sie: - Erstellen Sie eine neue DoubleMovingAverageFilter-Instanz mit einer bestimmten Fenstergröße für ein 1-dimensionales Signal - Filtern Sie einige Daten mit dem DoubleMovingAverageFilter - Speichern Sie die DoubleMovingAverageFilter-Einstellungen in einer Datei - Laden Sie die DoubleMovingAverageFilter-Einstellungen aus einer Datei mit dem Eintrag quotGRT. hquot Mit namespace GRT int main 40 int argc. Const char argv 91 93 41 123 Erstellen einer neuen Instanz eines doppelt gleitenden Durchschnittsfilters mit einer Fenstergröße von 5 für ein 1-dimensionales Signal DoubleMovingAverageFilter-Filter 40 5. 1 41 Erstellen und öffnen Sie eine Datei, um die Daten-Fstream-Datei zu speichern. Öffnen Sie 40 quotDoubleMovingAverageFilterData. txtquot. Fstream Out 41 Generieren Sie einige Daten (Sinuswellenrauschen) und filtern Sie es doppelt x 0 const UINT M 1000 Zufall zufällig für 40 UINT i 0 i lt M i 41 123 Doppelsignal sin 40 x 41 zufällig. GetRandomNumberUniform 40 - 0,2. 0,2 41 doppelt gefiltertValue Filter. Filter 40 Signal 41 Datei ltlt Signal ltlt tt ltlt filteredValue ltlt endl x TWOPI double 40 M 41 10 125 Schließen Sie die Datei Datei. Schließen 40 41 Speichern Sie die Filtereinstellungen in einem Dateifilter. SaveSettingsToFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 Wir können dann die Einstellungen später laden, wenn nötig Filter. LoadSettingsFromFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 return EXITSUCCESS 125 Der DoubleMovingAverageFilter arbeitet auch mit jedem N-dimensionalen Signal: Erstellen Sie eine neue Instanz des DoubleMovingAverageFilters mit einer Fenstergröße von 10 für ein dreidimensionales Signal DoubleMovingAverageFilter Filter 40 10. 3 41 Der Wert, den Sie filtern möchten Vektor lt double gt Daten 40 3 41 Daten 91 0 93 0. Wert aus den Sensordaten 91 1 93 0. Wert aus den Sensordaten erhalten 91 2 93 0. Wert vom Sensor abschneiden Filter den Signalvektor lt double gt filteredValue filter. Filter 40 Daten 41

No comments:

Post a Comment