Jurik moving average formula metastock

W idealnej sytuacji filtrowany sygnał powinien być płynny i wolny od opóźnień. Opóźnienie powoduje opóźnienia w twoich transakcjach, a rosnące opóźnienie w twoich wskaźnikach zazwyczaj skutkuje niższymi zyskami. Innymi słowy, spóźnieni przybysze dostają to, co zostało na stole, już po rozpoczęciu uczty. To dlatego inwestorzy, banki i instytucje na całym świecie pytają o średnią ruchomą w badaniu Jurik (JMA). Możesz go zastosować tak, jak każdą inną popularną średnią ruchomą. Jednak JMA poprawi czas i płynność Cię zadziwi. Poszarpana szara linia na wykresie symuluje akcję cenową rozpoczynającą się w niskim zakresie transakcji, a następnie przechodząc do wyższego zakresu transakcji. Ponieważ nikt nie lubi czekać z boku, idealny filtr przeciwzakłóceniowy (zielona linia) będzie płynnie przesuwać się wzdłuż centrum pierwszego zakresu handlowego, a następnie niemal natychmiast przeskoczy do centrum nowego zakresu handlowego. Średnie średnie wygładzają hałas strumienie danych cenowych kosztem opóźnienia (opóźnienia) W dawnych czasach można było osiągnąć prędkość, kosztem zmniejszonego wygładzenia W dawnych czasach można było tylko wygładzić kosztem opóźnienia Pomyśl, ile godzin marnujesz próbując dostać Twoje średnie szybkie i gładkie Pamiętaj, jak denerwujące jest to, aby zwiększać prędkość powoduje zwiększony hałas Pamiętaj, jak chcesz na niskie opóźnienie ORAZ niski poziom hałasu Masz dość pracy nad tym, jak zjeść swoje ciasto I jedz Nie rozpaczaj, teraz wszystko się zmieniło, możesz mieć Twoje ciasto i możesz go zjeść Precision Bez kategorii średniej w porównaniu z innymi zaawansowanymi modelami filtrowania Z podstawowych średnich standardów branżowych (filtrów) ważona średnia ruchoma jest szybsza niż wykładnicza, ale nie zapewnia dobrej jakości wygładzenie, w przeciwieństwie do wykładniczej ma doskonałe wygładzenie, ale ogromne ilości opóźnienia (Lag). Nowoczesne filtry technologiczne quothigh, choć ulepszone w starych podstawowych modelach, mają nieodłączne słabości. Niektóre z nich są obserwowane w filtrze JMA Jurika, a najgorsze z tych słabości jest przekroczone. Badania Jurika otwarcie przyznają, że mają ponadprzeciętne wyprzedzenie, które ma tendencję do wskazywania na jakąś formę algorytmu predykcyjnego pracującego nad jego kodem. Pamiętaj, że filtry mają za zadanie obserwować, co dzieje się teraz i w przeszłości. Przewidywanie, co stanie się dalej, jest niedozwoloną funkcją w zestawie narzędzi Precision Trading Systems, dane są tylko wygładzane i usuwane. Można powiedzieć, że trendy są dokładnie śledzone, zamiast mówić, w którą stronę pójść dalej, tak jak w przypadku tych nielegalnych algorytmów filtrowania typu. Precyzyjna średnia bezwzględna NIE stara się przewidzieć następnej wartości ceny. Średnia Hull jest uważana przez wielu za tak szybką i gładką jak JMA przez badania Jurik, ma dobrą prędkość i niskie opóźnienie. Problem z formułą zastosowaną w średniej Hull polega na tym, że jest ona bardzo uproszczona i prowadzi do zniekształceń cenowych, które mają słabą dokładność spowodowaną zbyt dużym obciążeniem (x 2) na najnowszych danych (podłoga (długość 2)), a następnie odjęcie starego dane, które prowadzą do poważnych problemów z przechwytywaniem, które w niektórych przypadkach są dużo odchyleniami standardowymi od wartości rzeczywistych. Średnia precyzja bezargumentowa ma przekroczenie ZERO. Poniższy schemat pokazuje ogromną różnicę prędkości na 30-dniowej PLA i 30-letniej średniej Hull. PLA była cztery bary przed średnią Hull na obu głównych punktach zwrotnych wskazanych na 5-minutowej mapie FT-SE100 Future (która jest 14 różnica w Lag). Jeśli handlowałeś średnimi na swoich punktach zwrotnych, aby uzyskać krótką cenę zamknięcia w tym przykładzie, PLA sygnalizował na 3977,5, a Hull był nieco później na 3937, tylko około 40.5 punktów lub w wartościach pieniężnych 405 na kontrakt. Długi sygnał na PLA wyniósł 3936 w porównaniu z 3 956,5 Hulls, co równa się oszczędności na 205 kontraktów z sygnałem PLA. Czy to ptak. Czy to samolot. Nie ma w nim Precyzyjnych Średnich Filtrów Bezaginowych, takich jak średnia VIDAYA autorstwa Tuscara Chande, które używają zmienności do zmiany długości mają inny rodzaj formuły, która zmienia ich długość, ale proces ten nie jest wykonywany z żadną logiką. Chociaż czasami mogą działać bardzo dobrze, może to również prowadzić do filtra, który może cierpieć zarówno z opóźnieniem, jak i przekroczeniem limitu czasu. Średnia z szeregu czasowego, która jest rzeczywiście bardzo szybką średnią, może zostać przemianowana na średnią quotovershooting, ponieważ ta niedokładność czyni ją nieprzydatną do jakiejkolwiek poważnej oceny danych do wykorzystania w handlu. Filtr Kalmana często pozostaje w tyle lub wyprzedza tablice cenowe z powodu zbyt gorliwych algorytmów. Inne filtry wpływają na dynamikę cen, aby przewidzieć, co wydarzy się w następnym przedziale cenowym, i jest to również wadliwa strategia, ponieważ przeregulują one w przypadku odwrócenia wysokich odczytów pędu, pozostawiając filtr wysoko i sucho i milę od rzeczywistej aktywności cenowej . Precyzyjna średnia bezwzględna używa czystej i prostej logiki do decydowania o jej następnej wartości wyjściowej. Wielu znakomitych matematyków próbowało i nie stworzyło średnich wolnych od lagów, i generalnie powodem jest to, że ich inteligencja matematyczna nie jest poparta wysokim poziomem logiki zdroworozsądkowej. Precyzyjna średnia bezwzględna (PLA) jest zbudowana z czysto logicznych algorytmów przyczyn, które badają wiele różnych wartości, które są przechowywane w tablicach i wybierają wartości, które mają być przesłane do wyjścia. Większa prędkość, wygładzanie i dokładność PLA sprawiają, że jest to doskonałe narzędzie do handlu akcjami, kontraktami terminowymi, walutami, obligacjami itp. Podobnie jak w przypadku wszystkich produktów opracowanych przez systemy Precision Trading, temat jest taki sam. napisane dla handlowców, BY THE TRADER. Długość PLA 14 i 50 w przyszłości E-Mini NasdaqJak zmniejszyć opóźnienie w średniej ruchomej kadłuba (HMA): Wyjaśnienie wskaźnika Tradycyjne średnie ruchome są opóźnione w stosunku do ceny. Ale dzięki sprytnej matematyce można zminimalizować opóźnienie. Tak, jak napisał Alan Hull W 2005 roku, kiedy pracowałem nad nowym wskaźnikiem, zostałem chwilowo odsunięty na bok przez próbę rozwiązania problemu opóźnienia w średnich ruchach, którego wynikiem była średnia krocząca kadłuba. Od tego czasu HMA znalazła zastosowanie w programach do tworzenia wykresów na całym świecie i jest regularnie omawiana na tablicach ogłoszeń handlowców w różnych językach na całym świecie. Było to wynikiem intelektualnej ciekawości, którą umieściłem w domenie publicznej, pisząc następujący artykuł. The Hull Moving Average rozwiązuje wiekowy dylemat polegający na tym, że średnia ruchoma lepiej reaguje na bieżącą aktywność cenową, przy zachowaniu gładkości krzywej. W rzeczywistości HMA niemal całkowicie eliminuje opóźnienie i udaje mu się jednocześnie poprawić wygładzanie. Aby zrozumieć, w jaki sposób osiąga się oba te przeciwstawne wyniki jednocześnie, musimy zacząć od łatwo zrozumiałego układu odniesienia. Poniższa tabela zawiera 16-tygodniową prostą średnią ruchomą, która stale pozostaje w tyle za ceną i ma słabą płynność. Po pierwsze, rozwiązanie problemu wygładzania krzywej można osiągnąć, biorąc średnią ze średniej. np. 16-dniowa SMA (16-dniowa SMA (cena)) Zła wiadomość jest taka, że ​​powoduje ona ogromny wzrost opóźnienia, jak widać poniżej. Rozwiązanie problemu lagów jest nieco bardziej zaangażowane i wymaga wyjaśnienia liczbami niż wykresami. Rozważmy serię 10 liczb od 0 do 9 włącznie i wyobraźmy sobie, że są to kolejne punkty cenowe na wykresie, gdzie 9 to najnowszy punkt cenowy na prawej krawędzi prowadzącej. Jeśli weźmiemy 10 okresową prostą średnią tych liczb, to nie dziwi to, że określimy punkt środkowy na poziomie 4,5, który znacznie opóźnia się w stosunku do ostatniego punktu cenowego wynoszącego 9. Heres to sprytny bit, najpierw pomińmy okres średniej do 5 i zastosuj go do najnowszych liczb 5, 6, 7, 8 i 9, czego wynikiem jest punkt środkowy równy 7. Na koniec, aby usunąć opóźnienie, przyjmujemy punkt środkowy równy 7 i dodajemy różnicę między dwiema średnimi, które wynoszą 2,5. (7 - 4.5). Daje to ostateczną odpowiedź 9,5 (7 2,5), która jest niewielką nadwyżką rekompensaty. Ale ta nadwyżka rekompensaty jest bardzo przydatna, ponieważ kompensuje opóźniający efekt zagnieżdżonego uśredniania. Stąd wynikiem połączenia tych dwóch technik jest prawie idealna równowaga między redukcją opóźnienia a wygładzaniem krzywej. HMA udaje się nadążać za szybkimi zmianami w działalności cenowej, a jednocześnie ma lepsze wygładzanie nad SMA z tego samego okresu. HMA stosuje ważone średnie ruchome i tłumi efekt wygładzania (i wynikające z niego opóźnienie) poprzez użycie pierwiastka kwadratowego okresu zamiast samego rzeczywistego okresu, jak widać poniżej. Poniższa formuła dla średniej ruchomej kadłuba (HMA) jest dla MetaStock, ale może być łatwo dostosowana do użycia z innymi programami do tworzenia wykresów, które mogą tworzyć niestandardowe wskaźniki. Formuła średniej ruchomej kadłuba (HMA) Integer (SquareRoot (okres)) WMA 2 x liczba całkowita (okres2) WMA (cena) - okres WMA (cena): dane wejściowe (okres, 1 200,20) sqrtperiod: Sqrt (okres) Mov (2Mov (C, period2, W) - Mov (C, period, W), LastValue (sqrtperiod), W) Prostą aplikacją dla HMA, ze względu na jej doskonałe wygładzanie, byłoby wykorzystanie punktów zwrotnych jako sygnałów entryexit. Jednak nie należy go wykorzystywać do generowania sygnałów zwrotnych, ponieważ technika ta polega na opóźnieniu. Udostępnij ten artykuł: