Nedan kan du se min C-metod för att beräkna Bollinger Bands för varje punkt som rör genomsnittet, uppbandet, nedbandet. Som du kan se använder den här metoden 2 för loopar för att beräkna den rörliga standardavvikelsen med hjälp av rörligt medelvärde. Det brukade innehålla en extra slinga För att beräkna det glidande medeltalet under de sista n perioderna Den här jag kunde ta bort genom att lägga till det nya punktvärdet till totaldriven i början av slingan och ta bort i-n-värdet i slutet av slingan. Min fråga är nu i grunden Can Jag tar bort den återstående inre slingan på ett liknande sätt som jag lyckades med det glidande medlet. Skakad den 31 januari kl 21. 45. Svaret är ja, du kan I mitten av 80-talet utvecklade jag just en sådan algoritm förmodligen inte original i FORTRAN för En processövervakning och kontrollapplikation Tyvärr var det för över 25 år sedan och jag kommer inte ihåg de exakta formlerna, men tekniken var en förlängning av den för rörliga medelvärden, med andra ordningens beräkningar istället för bara linjära. Efter att ha sett en t din kod lite, jag tror att jag kan suss ut hur jag gjorde det igen då Lägg märke till hur din inre slinga gör en summa av kvadrater. på ungefär samma sätt som ditt medelvärde måste ha ursprungligen haft en summa av värden de enda två skillnader är ordningen sin makt 2 i stället för 1 och att du subtraherar medelvärdet för varje värde innan du kvadrerar det Nu kan det vara oskiljaktigt, men i själva verket kan de separeras. Nu är första termen bara en summa av kvadrater du hanterar det på samma sätt som du gör summan av Värden för medeltalet Den sista termen k 2 n är bara den genomsnittliga kvadrerade tiden Perioden Eftersom du dela resultatet med tiden ändå kan du bara lägga till den nya genomsnittliga kvadraten utan extra Loop. För det andra, i andra termen SUM -2 vik, sedan SUM vi totalt kn kan du sedan ändra den till detta. Eller bara -2 k 2 n som är -2 gånger genomsnittsfrekvensen, när perioden n är uppdelad igen Så den slutliga kombinerade formeln är. var noga med att kontrollera giltigheten av detta, eftersom jag härleder det från toppen av mitt huvud. Och att integrera i din kod borde se något så här. Tack för det jag använde det som grunden för ett genomförande i C för CLR I upptäckte att i praktiken kan du uppdatera så att newVar är ett mycket litet negativt tal och sqrt misslyckas jag introducerade en om att begränsa värdet till noll för detta fall Inte aning, men stabil Detta inträffade när varje värde i mitt fönster hade samma värde jag använde en fönsterstorlek på 20 och det aktuella värdet var 0 5, om någon vill försöka reproducera detta Drew Noakes 26 juli 13 på 15 25. Jag har använt commons-math och bidragit till det här biblioteket för någonting mycket lik den här Det är öppen källkod, port till C ska vara lätt som butikskaka, har du försökt göra en paj från början. Kolla in. De har en StandardDeviation-klass. Gå till town. answered 31 jan 13 kl 21 48.You Återkommen Beklagar Jag hade inte svaret du letar efter, jag klarade mig inte en att föreslå att porta hela biblioteket Bara den minsta nödvändiga koden, som borde vara några hundra linjer eller så Observera att jag inte har någon aning om vilka lagliga upphovsrättsrestriktioner apache har på den koden, så du måste kolla upp det. Om du fortsätter det här är länken så att varianten FastMath Jason Jan 31 13 på 22 36. Den viktigaste informationen har redan givits ovan --- men kanske är det fortfarande av allmänt intresse. Ett litet Java-bibliotek för att beräkna glidande medelvärde och standardavvikelse är tillgänglig här. Implementeringen baseras på en variant av Welford s-metod som nämns ovan Metoder för att ta bort och ersätta värden har härleds som kan användas för att flytta värdefönster. I praktiken ger det glidande medelvärdet en bra uppskattning av medelvärdet av tiden serie om medelvärdet är konstant eller långsamt förändras Vid konstant medelvärde kommer det största värdet av m att ge de bästa uppskattningarna av det underliggande medelvärdet. En längre observationsperiod kommer att medeltala effekterna av variabili ty. Syftet med att tillhandahålla en mindre m är att tillåta prognosen att svara på en förändring i den underliggande processen. För att illustrera föreslår vi en dataset som införlivar förändringar i det underliggande medelvärdet av tidsserierna. Figuren visar tidsserierna som används för illustration tillsammans med den genomsnittliga efterfrågan från vilken serien genererades Medelvärdet börjar som en konstant vid 10 Börjar vid tid 21, ökar den med en enhet i varje period tills den når värdet 20 vid tiden 30 Då blir det konstant igen Dataen simuleras genom att lägga till i genomsnitt ett slumpmässigt brus från en normalfördelning med nollvärde och standardavvikelse 3 Resultaten av simuleringen avrundas till närmaste heltal. Tabellen visar de simulerade observationerna som används för exemplet När vi använder bordet, vi måste komma ihåg att vid en given tidpunkt endast endast tidigare data är kända. Beräkningarna av modellparametern, för tre olika värden på m visas tillsammans med medelvärdet av tidsserierna i figuren b Elow Figuren visar den genomsnittliga rörliga genomsnittliga beräkningen av medelvärdet vid varje tidpunkt och inte prognosen. Prognoserna skulle flytta de glidande medelkurvorna till höger efter period. En slutsats framgår tydligt av figuren. För alla tre uppskattningar ligger det glidande medlet bakom linjär trend med fördröjningen ökar med m Fördröjningen är avståndet mellan modellen och uppskattningen i tidsdimensionen På grund av fördröjningen underskattar det rörliga genomsnittsvärdet observationerna som medelvärdet ökar. Uppskattarens förspänning är skillnaden vid en specifik tid i modellens medelvärde och medelvärdet förutspått av rörligt medelvärde Förskjutningen när medelvärdet ökar är negativt För ett minskande medelvärde är förspänningen positiv. Fördröjningen i tid och den bias som införs i uppskattningen är funktioner av M Ju större värdet av m är, desto större är storleken på fördröjning och förspänning. För en kontinuerligt ökande serie med trend a är värdena för fördröjning och förspänning av medelvärdet för estimat ven i ekvationerna nedan. Exempelkurvorna stämmer inte överens med dessa ekvationer eftersom exemplet modellen inte ständigt ökar, utan det börjar som en konstant, ändras till en trend och blir sedan konstant igen. Även kurvorna påverkas av bruset. glidande medelprognos för perioder in i framtiden representeras genom att man ändrar kurvorna till höger. Fördröjningen och förskjutningen ökar proportionellt. Ekvationerna nedan anger fördröjning och förspänning av prognosperioder i framtiden jämfört med modellparametrarna. en tidsserie med konstant linjär trend. Vi borde inte förvånas över detta resultat. Den glidande medelvärdesberäkningen baseras på antagandet om ett konstant medelvärde och exemplet har en linjär trend i medelvärdet under en del av studieperioden. Tidsserier kommer sällan exakt att lyda antagandena av någon modell, vi borde vara beredda på sådana resultat. Vi kan också dra slutsatsen av att siffran att brusets variation har s största effekten för mindre m Uppskattningen är mycket mer flyktig för det glidande medlet på 5 än det rörliga genomsnittet av 20 Vi har de motstridiga önskningarna att öka m för att minska effekten av variationer på grund av bullret och att minska m för att göra prognosen är mer mottaglig för förändringar i medelvärdet. Felet är skillnaden mellan den faktiska data och det prognostiserade värdet Om tidsserierna verkligen är ett konstant värde är det förväntade värdet av felet noll och variansen av felet består av en term det är en funktion av och en andra term som är brusets varians. Den första termen är medelvärdet av medelvärdet beräknat med ett urval av m-observationer, förutsatt att data kommer från en population med konstant medelvärde. Denna term minimeras av göra m så stor som möjligt En stor m gör prognosen inte svarande mot en förändring i underliggande tidsserier För att prognosen ska kunna reagera på förändringar vill vi ha m så liten som möjligt 1, men detta ökar felvariationen Pra Ctical prognos kräver ett mellanvärde. Förhandsgranskning med Excel. The prognostillägget implementerar de glidande medelformlerna Exemplet nedan visar analysen som tillhandahålls av tillägget för provdata i kolumn B De första 10 observationerna är indexerade -9 till 0 Jämfört med tabellen ovan förskjuts periodindexen med -10. De första tio observationerna ger startvärdena för uppskattningen och används för att beräkna det glidande medlet för period 0 MA 10-kolumnen C visar beräknade rörliga medelvärden. Det glidande genomsnittet parametern m är i cell C3 Fore 1-kolumnen D visar en prognos för en period framåt. Prognosintervallet ligger i cell D3 När prognosintervallet ändras till ett större antal, flyttas numren i Fore-kolumnen. Err 1 kolumn E visar skillnaden mellan observationen och prognosen. Till exempel är observationen vid tidpunkten 1 6 Det prognostiserade värdet som gjorts från det glidande medlet vid tiden 0 är 11 1 Felet är då -5 1 Standardavvikelse och medelvärdesavvikelse MAD beräknas i cellerna E6 respektive E7. Möjlig medelvärde - MA. BREAKING DOWN Moving Average - MA. As ett SMA-exempel, överväga en säkerhet med följande stängningskurser över 15 dagar. Veck 1 5 dagar 20 , 22, 24, 25, 23.Week 2 5 dagar 26, 28, 26, 29, 27.Veek 3 5 dagar 28, 30, 27, 29, 28.A 10-dagars MA skulle genomsnittliga slutkurserna för första 10 dagarna som första datapunkt Den nästa datapunkten skulle släppa det tidigaste priset, lägga till priset på dag 11 och ta medeltalet och så vidare som visas nedan. Som noterat tidigare lagrar MAs nuvarande prisåtgärd eftersom de är baserade på tidigare priser, desto längre tidsperiod för MA, desto större är fördröjningen. Således kommer en 200-dagars MA att ha en mycket större grad av fördröjning än en 20-dagars MA eftersom den innehåller priser för de senaste 200 dagarna. Användningen beror på handelsmålen, med kortare MAs som används för korttidshandel och längre terminsmarknader mer lämpade för långsiktiga investerare 200-dagars MA är allmänt följt av investerare och handlare, med raster över och under detta glidande medelvärde anses vara viktiga handelssignaler. MAs ger också viktiga handelssignaler på egen hand eller när två genomsnitt överstiger. En stigande MA indikerar att säkerheten är i en uptrend medan En minskande MA indikerar att den ligger i en nedåtgående trend Uppfinningen är likvärdig bekräftad med en haussead crossover som uppstår när en kortvarig MA korsar över en längre sikt MA Nedåtgående momentum bekräftas med en baisse-crossover som uppträder när en kort - termen MA passerar under en längre tid MA.
No comments:
Post a Comment