Kaufman Adaptiv Glidande Medelvärde Easylanguage

Av Michael R Bryant. Tekniska indikatorer är en av de grundläggande delarna i systematisk handel. Indikatorer, som rörliga medelvärden eller stokastik, kan ses som omvandlingar av ingångsserierna typiskt, pris eller volym som är utformade för att accentuera en viss aspekt av marknaden, såsom Som trend eller cyklicalitet Medan de flesta systematiska handelsmetoder är grundläggande, undviker många handlare de vanligaste indikatorerna, såsom enkla glidande medelvärden och relativ styrindikator RSI, i tron ​​att marknaden har anpassat sig till användningen, vilket minskar deras effektivitet. Enbart Sätt att kompensera effekten av marknadseffektivitet på lönsamheten hos tekniska indikatorer är att ändra dem på ett meningsfullt sätt. Exempelvis är Chande och Kroll s VIDYA-indikator 1 ett exponentiellt rörligt medelvärde där utjämningsfaktorn är beroende av volatiliteten på marknaden, så Att den effektiva kollisionslängden minskas när volatiliteten ökar I denna artikel kommer jag att utveckla en förlängning av anpassningen Ive look-back-tillvägagångssätt och visa hur man applicerar den på en mängd olika indikatorer med bara några extra kodkod. De resulterande indikatorerna ger större mångsidighet än tidigare indikatorer och kan överensstämma mer med en statistisk syn på marknaderna. Anpassa Look - Back Length. Given att marknaderna ständigt förändras är det meningsfullt att försöka anpassa sig till förändringarna så mycket som möjligt. De flesta tekniska indikatorerna har ursprungligen utvecklats med en fast återkallslängd, till exempel antalet barer i ett enkelt glidande medelvärde Ett antal författare har föreslagit att anpassa utkikslängden till marknadsvolatilitet. För den Variable Index-dynamiska genomsnittliga VIDYA-indikatorn användes till exempel Chande och Kroll flera olika mätvärden, inklusive ett volatilitetsindex baserat på en normaliserad standardavvikelse för pris där Högre värden på indexet resulterade i en lägre effektiv återkallslängd. Tanken var att under glidande perioder bör det glidande genomsnittet vara mer responsivt E till marknaden medan under perioder med lägre volatilitet var ett längre glidande medelvärde mer i överensstämmelse med marknadens beteende. Kaufman tog en något annorlunda uppfattning 2 Tanken bakom hans Kaufman Adaptive Moving Average KAMA var att under perioder med hög volatilitet, Du är mer sannolikt att få whip-sawed som marknaden svänger fram och tillbaka, vilket resulterar i upprepade förluster För att undvika det, använde han en längre period för glidande medelvärde under perioder av hakig prissats, så att medlet skulle vara mindre mottagligt för Marknadsvolatilitet, vilket resulterade i färre omkastningar Under trenden på marknaden var periodens glidande medel minskat så att handelarna kunde reagera snabbare mot förändringen i riktning. För att mäta choppiness använde Kaufman det så kallade effektivitetsförhållandet ER, vilket mäter Absolutvärde av prisförändringen över återkallstiden dividerat med summan av de absoluta värdena för prisförändringarna i jämförelse med samma period. Om till exempel, Nettoförändringen i pris är noll - priset är detsamma vid periodens slut som i början - då kommer ER att vara noll. I det här fallet är marknaden helt ineffektiv, eftersom den kan flytta mycket från Bar till bar men det går inte någonstans Om marknaden däremot rör sig stadigt i en riktning antingen upp eller ner, så att varje bar s flyttar bidrar till nettoförändringen i priset kommer ER att vara 1 I detta Fallet är marknaden helt effektiv eftersom alla prisförändringar av barer bidrar till trenden Generellt kommer ER att ligga mellan 0 och 1. En annorlunda bild av anpassningsbara utkikslängder. Även om många olika mätvärden skulle kunna - och ha Effektivitetsförhållandet fångar en grundläggande aspekt av marknadsaktionen, nämligen skillnaden mellan trend och cykliskt beteende. Höga värden på ER innebär en starkt trendande marknad, vilket betyder mycket liten cyklisk rörelse och låga värden Av ER innebär liten trend och därmed mer cyklisk rörelse Nt utom i fallet med liten rörelse alls. Detta tenderar att stödja Kaufman s-tillvägagångssätt. Men hans beslut att använda längre kollisionslängder i hakiga marknader baseras på 1 antagandet om att vi anpassar kollisionslängden för en rörelse Genomsnittet och 2 tanken att det rörliga genomsnittsvärdet används för att utlösa en handelspost eller - avgång. En annan synvinkel är den som John Ehlers tillägnat sig genom sitt arbete med att använda signalbehandlingsmetoder till handel 3 Hans syn är mer i linje med försöket Att närmare modellera den del av marknaden som är intresserad, t ex trendkomponenten eller cykelkomponenten. Från det synvinkel bör ett glidande medelvärde på en hackig marknad använda en kortare kollisionslängd för att mer exakt fånga upp den högre frekvens som representeras av Choppiness, medan i en starkt trenderande marknad är en längre återkallslängd mer förenlig med marknadsrörelsen. En tredje synpunkt är den som jag antar här, nämligen en mer statistisk en. Låt oss först inte anta något Ng mer än absolut nödvändigt om indikatorn i fråga och hur den kan användas. Låt oss inte utgå ifrån att indikatorn i fråga är ett glidande medelvärde och låt oss inte anta att det är tillämpat på pris. Det kan till exempel vara RSI av volatilitet eller det rörliga mediet av volymen stokastiska Indikatorn kan användas tillsammans med andra indikatorer som en del av en större regel för inresa eller utgång, snarare än för sig själv. Med denna mer statistiskt inriktade vy är målet att Skapa handelsregler som har statistisk validitet vilket innebär att de passar prisåtgärden väl utan övermontering. Vi antar inte att vi vet hur marknaderna fungerar tillräckligt bra för att fatta specifika beslut om huruvida utkikslängden ska öka eller minska med något liknande Effektivitetsförhållandet Vi har snarare anledning att tro att effektivitetsförhållandet kan ha relevans och vi vill därför inkludera det som en variabel, men vi lämnar den till marknaden för att berätta om och hur det f Dess i statistisk provning används för att berätta om handelsstrategin som innehåller indikatorn är statistiskt giltig eller om den är överpassad, dvs ogiltig eftersom den passar ljudet snarare än marknadens signal. En mer mångsidig anpassningsbar utseende. Med tanke på den föregående diskussionen kommer den adaptiva utkikslängd som utvecklas här att baseras på effektivitetsförhållandet ER och kommer att använda en parameter för att bestämma förhållandet mellan ER och utkikslängden. Tänk särskilt följande ekvation. 2 ER - 1 2 1 - TrendParam 0 5.in vilken VER är variabel effektivitetsförhållande och TrendParam är trendparametern som kan ta några positiva eller negativa värden och som bestämmer huruvida kollisionslängden ökar eller minskar med ökande ER. Detta är i huvudsak bara ett sätt att vända ER-förhållandet beroende på trendparametern Som visas nedan, istället för att skala utjämningskonstanten av ER, som Chande och Kroll och Kaufman i huvudsak gör använder vi VER With p Osiffriga värden för TrendParam, VER varierar positivt med ER, medan VER med negativa värden för TrendParam varierar VER negativt med ER Med TrendParam lika med noll är VER lika med 1 för alla värden på ER. Kvadraten är tagen för att bättre skala värdena för användning Som en multiplikator, som förklaras next. To beräkna den adaptiva bländningslängden med hjälp av denna ekvation multiplicerar vi det ursprungliga värdet av utjämningskonstanten, Alpha, vilket motsvarar den ursprungliga bländarens längd, av VER. VAlfa Alpha VER. in Vilken VAlpha är den adaptiva utjämningskonstanten, och Alpha är det ursprungliga värdet av utjämningskonstanten. Relationen mellan utjämningskonstanten och utkikslängden är densamma som för det exponentiella glidande medlet, nämligen i vilket N är utkik Längd och Alpha är utjämningskonstanten. Denna ekvation kan också skrivas för N när det gäller Alpha as. Den adaptiva bländningslängden är därför. ADAPTIV MA. Adaptive Moving Average.05 08 00 11 15 15 AM av Jason K Hutson Här S an Indikator som anpassar hastigheten på ett glidande medelvärde för att fånga de snabbflyttade marknaderna, men saktar sig i sidovägliga marknader för att minska whipsaws. Till att kombinera fördelarna med både långsammare och snabbare rörliga medelvärden, marknadsekonom Perry Kaufman, Penningchef och författare utvecklade det adaptiva glidande genomsnittet AMA Snabbare glidande medelvärden, med färre dagar i sina beräkningar, är mer känsliga för marknadssvängningar och kommer att varna en näringsidkare till förändringar i trenden snarare än ett långsammare glidande medelvärde. Men det snabbare rörliga genomsnittet blir alltför stort Känslig under en sidoförflyttande marknad och har ofta näringsidkaren köper in och ut ur marknadsfluktuationer eller buller när det inte finns någon liten vinst. Det långsammare glidande medlet filtrerar ut det bruset men har en fördröjning som ofta håller handlaren ute av en Betydande vinst när marknaden börjar trenden. AMA anpassar längden på sitt glidande medel så att det blir snabbare, med färre dagar, för att beräkna dess rörliga aver Ålder när marknaden rör sig snabbt, ändrar riktningar eller bryter ut ur ett handelsområde. Det saktar dock med mer dagar när marknaden är flyktig och rör sig i sidled. Därför bör det generera färre och mer lönsamma köpförsäljningssignaler. Vid beräkning av AMA, Kaufmans första använda prisriktning och volatilitet för att uppnå ett effektivitetsförhållande ER ER närmar sig 1 när marknaden rör sig upp eller ner och närmar sig noll när det är i ett sidoväggsmönster Kaufman beräknade sedan två av vad han kallade, utjämning Konstanter, med ett snabbt och långsamt exponentiellt rörligt medelvärde. Han kombinerade de två utjämningskonstanterna med ER för att komma fram till en AMA som anpassar sig till marknadsutvecklingen och genererar sedan köp - och säljsignaler. Anpassad från Adaptive Moving Averages av Bruce Faber, Technical Analysis Av STOCKS COMMODITIES, Volume 13, Number 6 De kompletta matematiska formlerna som används och Excel-kalkylbladdata finns tillgängliga vid Adaptive Moving Average av Bruce Faber. Personal Writer Njut av trendlinjer, stöd och motstånd, glidande medelvärden, RSI, MACD, ADX, Bollinger-band, parabolisk SAR, diagramformationer och volymanalys. Datum Rankning 1 Kommentar Det är svårt att avgöra om denna information kan vara avgörande eller inte när Du måste betala för att se den först, och det här är efter att jag redan betalat en avgift för att bara se om det finns någon information som jag kan använda, har det ingen mening, va, förutom om jag var på din webbplats. Kaufman S effektivitetsförhållande ER. Efficiency Ratio ER presenterades först av Perry Kaufman i sin 1995-bok Smarter Trading Det beräknas genom att dela prisförändringen över en period med den absoluta summan av prisrörelserna som uppstod för att uppnå den förändringen. Mellan 0 och 1 med högre värden som representerar en effektivare eller trenderande marknad. ER är faktiskt mycket lik den Chande Momentum Oscillator CMO presenterad av Tushar S Chande i The New Technical Trader 1994 Skillnaden är att CMO tar en Ccount för marknadsriktning men om du tar den absoluta CMO och delas med 100 får du effektivitetsförhållandet. En åtgärd av en trenderstyrka kan vara mycket användbar eftersom vissa strategier fungerar bäst på en trendmarknad och en del i en bundet marknad. På samma sätt olika Flytta genomsnittliga längder kommer att fungera bättre beroende på marknadstypen vid den tidpunkten. Kaufman hade ursprungligen avsedd effektivitetsförhållandet för användning i hans adaptiva flyttande genomsnittliga KAMA. Förutom KAMA kommer vi, som en del av Technical Indicator Fight for Supremacy, att testa den Som en komponent i ett rörligt rörligt medelvärde och ett indikatorviktat rörligt medelvärde. Hur man beräknar effektivitetsförhållandet. ER Riktning Volatilitet. Riktning ABS Stäng Noll n. Volatilitet n ABS Stäng Stäng 1.n Effektivitetsperioden. Här är ett exempel på En 3-årig ER. Efficiency Ratio Excel File. I har sammanställt ett Excel-kalkylblad som innehåller Kaufman s effektivitetsförhållande och gjort det tillgängligt för gratis nedladdning Det innehåller en grundläggande version d Spelar exemplet ovan och en snygging som automatiskt anpassar sig till den längd du anger Hitta den på följande länk nära undersidan av sidan under Nedladdningar Tekniska indikatorer Effektivitetsförhållande ER. Testresultat. Som en del av den tekniska indikatorn, bekämpar överlägsenhet Vi Har testat kommer att testa effektivitetsförhållandet som en komponent i flera tekniska indikatorer. Effektivitetsförhållande Variabel rörlig genomsnittlig ER-VMA slutförd resultat. Effektivitetsförhållande Adaptiv rörlig genomsnittlig ER-AMA avslutad resultat. Effektivitetsförhållande Log Normal Adaptive Moving Average ER-LAMA. Efficiency Ratio Viktad rörlig genomsnittlig ER-WMA. Vi kommer också att testa ER som ett filter, endast ta hand om när det indikerar en stark trend. Effektivitetsförhållande Exempel.