Flytting Gjennomsnitt Filter Fordeler

Flytte gjennomsnittlig - MA BREAKING DOWN Moving Average - MA Som et SMA-eksempel, vurder en sikkerhet med følgende lukkepriser over 15 dager: Uke 1 (5 dager) 20, 22, 24, 25, 23 Uke 2 (5 dager) 26, 28, 26, 29, 27 Uke 3 (5 dager) 28, 30, 27, 29, 28 En 10-dagers MA ville gjennomsnittlig sluttprisene de første 10 dagene som det første datapunktet. Det neste datapunktet vil slippe den tidligste prisen, legge til prisen på dag 11 og ta gjennomsnittet, og så videre som vist nedenfor. Som nevnt tidligere lagrer MAs nåværende prishandling fordi de er basert på tidligere priser, jo lengre tidsperioden for MA, desto større er lagret. Dermed vil en 200-dagers MA ha en mye større grad av forsinkelse enn en 20-dagers MA fordi den inneholder priser for de siste 200 dagene. Lengden på MA å bruke, avhenger av handelsmålene, med kortere MA'er som brukes til kortvarig handel og langsiktig MAs som er mer egnet for langsiktige investorer. 200-dagers MA er mye etterfulgt av investorer og forhandlere, med brudd over og under dette bevegelige gjennomsnittet regnes som viktige handelssignaler. MAs gir også viktige handelssignaler på egen hånd, eller når to gjennomsnitt overgår. En stigende MA indikerer at sikkerheten er i en uptrend. mens en fallende MA indikerer at den er i en downtrend. På samme måte er oppadgående momentum bekreftet med en bullish kryssovergang. som oppstår når en kortsiktig MA krysser over en langsiktig MA. Nedadgående momentum er bekreftet med en bearish crossover, som oppstår når en kortsiktig MA krysser under et lengre sikt MA. moving gjennomsnitt Gjennomsnitt av tidsseriedata (observasjoner like fordelt i tid) fra flere sammenhengende perioder. Kalt flytting fordi det kontinuerlig omdannes når nye data blir tilgjengelige, går det fremover ved å slippe den tidligste verdien og legge til den nyeste verdien. For eksempel kan det bevegelige gjennomsnittet på seks måneders salg beregnes ved å ta gjennomsnittet av salget fra januar til juni, deretter gjennomsnittet av salget fra februar til juli, deretter fra mars til august og så videre. Flytte gjennomsnitt (1) redusere effekten av midlertidige variasjoner i data, (2) forbedre passformen til en linje (en prosess kalt utjevning) for å vise datasendensen tydeligere, og (3) markere en verdi over eller under trend. Hvis du regner med noe med svært høy varians, er det beste du kan gjøre, å finne ut det bevegelige gjennomsnittet. Jeg ønsket å vite hva det bevegelige gjennomsnittet var av dataene, så jeg ville få en bedre forståelse av hvordan vi gjorde. Når du prøver å finne ut noen tall som endrer seg ofte, er det beste du kan gjøre å beregne det bevegelige gjennomsnittet. eksponentielt vektet glidende gjennomsnitt (EWMA) Scientist og Engineers Guide til Digital Signal Processing av Steven W. Smith, Ph. D. Kapittel 15: Flytte gjennomsnittlige filtre Slektskap til det bevegelige gjennomsnittsfilteret I en perfekt verden, ville filterdesignere bare ha å håndtere tidsdomene eller frekvensdomene kodet informasjon, men aldri en blanding av de to i samme signal. Dessverre er det noen programmer der begge domener er samtidig viktige. For eksempel faller TV-signaler inn i denne ekkel kategori. Videoinformasjon er kodet i tidsdomene, det vil si, formen på bølgeformen tilsvarer lysstyrkenes mønstre i bildet. Under sendingen blir imidlertid videosignalet behandlet i henhold til frekvenssammenstillingen, slik som dens totale båndbredde, hvordan bærebølgene for lydforsterkerfarge blir tilsatt, eliminering av forsterkning av DC-komponenten etc. Som et annet eksempel, er elektromagnetisk forstyrrelse forstås best i frekvensdomenet, selv om signalinformasjonen er kodet i tidsdomene. For eksempel kan temperaturmonitoren i et vitenskapelig eksperiment være forurenset med 60 hertz fra kraftledninger, 30 kHz fra en vekselstrømforsyning, eller 1320 kHz fra en lokal AM-radiostasjon. Släkting til det bevegelige gjennomsnittsfilteret har bedre frekvensdomenerytelse, og kan være nyttig i disse blandede domeneprogrammer. Multiple-pass-glidende gjennomsnittlige filtre involverer å sende inngangssignalet gjennom et glidende gjennomsnittfilter to eller flere ganger. Figur 15-3a viser den samlede filterkjernen som resulterer fra en, to og fire passerer. To passerer tilsvarer bruk av en trekantet filterkjerne (en rektangulær filterkjerne forbundet med seg selv). Etter fire eller flere passerer, ser den ekvivalente filterkjernen ut som en gaussisk (tilbakekall den sentrale grenseetningen). Som vist i (b), produserer flere passerer et s-formet trinnsvar, sammenlignet med den rette linjen i enkeltpasset. Frekvensresponsene i (c) og (d) er gitt av Eq. 15-2 multiplisert med seg selv for hvert pass. Dvs., hver gang domenekonvolusjon resulterer i en multiplikasjon av frekvensspektrene. Figur 15-4 viser frekvensresponsen til to andre slektninger av det bevegelige gjennomsnittsfilteret. Når en ren Gauss er brukt som filterkjerne, er frekvensresponsen også en Gauss, som omtalt i kapittel 11. Gauss er viktig fordi det er impulsresponsen til mange naturlige og menneskeskapte systemer. For eksempel vil en kort lyspuls som kommer inn i en lang fiberoptisk transmisjonslinje gå ut som en Gaussisk puls, på grunn av de forskjellige veiene tatt av fotene i fiberen. Den gaussiske filterkjernen brukes også mye i bildebehandlingen fordi den har unike egenskaper som tillater raske todimensjonale viklinger (se kapittel 24). Det andre frekvensresponset i figur 15-4 tilsvarer bruk av et Blackman-vindu som en filterkjerne. (Termen vinduet har ingen mening her, det er bare en del av det aksepterte navnet på denne kurven). Den nøyaktige formen til Blackman-vinduet er gitt i kapittel 16 (lik 16-2, figur 16-2), men det ser ut som en Gauss. Hvordan er disse slektninger i det bevegelige gjennomsnittlige filteret bedre enn det bevegelige gjennomsnittsfilteret selv Tre måter: Først og viktigst, disse filtrene har bedre stoppbånddempning enn det bevegelige gjennomsnittlige filteret. For det andre taper filterkjernene til en mindre amplitude nær endene. Husk at hvert punkt i utgangssignalet er en vektet sum av en gruppe prøver fra inngangen. Hvis filterkjernen trekker seg, blir prøver i inngangssignalet som er lengre unna gitt mindre vekt enn de som ligger i nærheten. For det tredje, trinnresponsene er glatte kurver, i stedet for den raske rettlinjen til det bevegelige gjennomsnittet. Disse to sistnevnte er vanligvis begrenset, selv om du kanskje finner applikasjoner der de er ekte fordeler. Det bevegelige gjennomsnittsfilteret og dets slektninger handler om det samme for å redusere tilfeldig støy, samtidig som det opprettholdes et skarp trinnrespons. Tvetydigheten ligger i hvordan målingstiden for trinnresponsen måles. Hvis reistiden måles fra 0 til 100 av trinnet, er det glidende gjennomsnittsfilter det beste du kan gjøre, som tidligere vist. Til sammenligning, måler risetiden fra 10 til 90, Blackman-vinduet bedre enn det bevegelige gjennomsnittsfilteret. Poenget er, dette er bare teoretisk skvelling betrakter disse filtene like i denne parameteren. Den største forskjellen i disse filtrene er eksekveringshastighet. Ved å bruke en rekursiv algoritme (beskrevet neste), vil det bevegelige gjennomsnittsfilteret løpe som lyn i datamaskinen. Faktisk er det det raskeste digitale filteret tilgjengelig. Flere passerer av det bevegelige gjennomsnittet vil være tilsvarende langsommere, men fortsatt veldig raske. Til sammenligning er de gaussiske og blackman-filtre ubøyelig sakte, fordi de må bruke konvolusjon. Tenk en faktor på ti ganger antall poeng i filterkjernen (basert på multiplikasjon er omtrent 10 ganger langsommere enn tillegg). For eksempel, forvent at en 100-punkts Gaussisk skal være 1000 ganger langsommere enn et bevegelig gjennomsnittsmål ved å bruke rekursjon.