Matlab Gleitender Durchschnitt Doppelt

Double Exponential Moving Averages Explained Traders haben sich auf gleitende Durchschnitte zu helfen, festzustellen, hohe Wahrscheinlichkeit Handel Einstiegspunkte und profitablen Exits seit vielen Jahren. Ein bekanntes Problem mit sich bewegenden Durchschnitten ist jedoch die schwere Verzögerung, die in den meisten Arten von gleitenden Durchschnitten vorhanden ist. Der doppelte exponentielle gleitende Durchschnitt (DEMA) liefert eine Lösung durch Berechnen einer schnelleren Mittelungsmethode. Geschichte des doppelten Exponential Moving Average In der technischen Analyse. Bezieht sich der Begriff gleitender Durchschnitt auf einen Durchschnittspreis 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 10 zehn Tagen einen 200-Tage gleitenden Durchschnitt berechnet den durchschnittlichen Preis der letzten 200 Tage. Jeden Tag schreitet die Rückblickperiode auf Basisberechnungen der letzten X-Anzahl von Tagen vor. Ein gleitender Durchschnitt erscheint als glatte, geschwungene Linie, die eine visuelle Darstellung des längerfristigen Trends eines Instruments liefert. Schnellere gleitende Durchschnitte, mit kürzeren Rückblickperioden, sind choppierere langsamere gleitende Durchschnitte, mit längeren Rückblickperioden, sind glatter. Da ein gleitender Durchschnitt ein rückwärts gerichteter Indikator ist, ist er rückläufig. Der in Abbildung 1 gezeigte doppelte exponentielle gleitende Durchschnitt (DEMA) wurde von Patrick Mulloy entwickelt, um die Verzögerungszeit zu reduzieren, die bei herkömmlichen Bewegungsdurchschnitten festgestellt wurde. Es wurde erstmals im Februar 1994, Technical Analysis of Stocks amp Commodities Magazin in Mulloys Artikel Smoothing Daten mit schneller Moving Averages eingeführt. Abbildung 1: Dieses 1-minütige Diagramm des e-mini Russell 2000-Futures-Kontrakts zeigt zwei unterschiedliche doppelte exponentielle gleitende Mittelwerte, wobei eine 55-Periode in blau erscheint, Eine 21-Periode in rosa. Berechnung eines DEMA Wie Mulloy in seinem ursprünglichen Artikel erklärt, ist die DEMA nicht nur eine doppelte EMA mit der doppelten Verzögerungszeit einer einzelnen EMA, sondern ist eine zusammengesetzte Implementierung von Einzel - und Doppel-EMAs, die eine andere EMA mit weniger Verzögerung erzeugen als das Original 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, der zu den Diagrammen hinzugefügt werden kann. Daher können Händler die DEMA nutzen, ohne die Mathematik hinter den Berechnungen zu kennen und ohne irgendeinen Code schreiben oder eingeben zu müssen. Vergleich der DEMA mit traditionellen Bewegungsdurchschnitten Die gleitenden Durchschnitte sind eine der populärsten Methoden der technischen Analyse. Viele Händler verwenden sie, um Trendumkehrungen zu erkennen. Vor allem in einem gleitenden Durchschnitt Crossover, wo zwei gleitende Durchschnitte von verschiedenen Längen auf ein Diagramm gelegt werden. Punkte, wo die gleitenden Durchschnitte kreuzen, können Kauf - oder Verkaufsgelegenheiten bedeuten. Die DEMA kann Händler helfen, Rückschläge früher zu erkennen, weil es schneller ist, auf Veränderungen in der Marktaktivität zu reagieren. Abbildung 2 zeigt ein Beispiel für den e-mini Russell 2000 Futures-Kontrakt. Diese Minute-Diagramm hat vier gleitende Mittelwerte: 21-Periode DEMA (rosa) 55-Periode DEMA (dunkelblau) 21-Periode MA (hellblau) 55-Periode MA (hellgrün) Abbildung 2: Diese 1-minütige Tabelle von Zeigt der e-mini Russell 2000 Futures-Kontrakt die schnellere Reaktionszeit der DEMA bei Einsatz in einem Crossover. Beachten Sie, dass der DEMA-Crossover in beiden Fällen deutlich früher erscheint als die MA-Crossover. Die erste DEMA Crossover erscheint bei 12:29 und die nächste Bar öffnet zu einem Preis von 663,20. Die MA-Crossover, auf der anderen Seite, Formen um 12:34 und die nächsten Bars Eröffnungspreis bei 660,50. Im nächsten Satz von Frequenzweichen erscheint die DEMA-Überkreuzung bei 1:33, und die nächste Leiste öffnet bei 658. Die MA dagegen bildet bei 1:43, wobei sich die nächste Leiste bei 662,90 öffnet. In jedem Fall bietet die DEMA-Überkreuzung einen Vorteil beim Einsteigen in den Trend früher als der MA-Crossover. (Für mehr Einblick, lesen Sie die Moving Averages Tutorial.) Handel mit einem DEMA Die oben genannten gleitenden Durchschnitt Crossover Beispiele illustrieren die Wirksamkeit der Verwendung der schnelleren doppelten exponentiellen gleitenden Durchschnitt. Zusätzlich zur Verwendung der DEMA als Standalone-Indikator oder in einem Crossover-Setup kann die DEMA in einer Vielzahl von Indikatoren verwendet werden, wobei die Logik auf einem gleitenden Durchschnitt basiert. Technische Analysewerkzeuge wie Bollinger Bands. (MACD) und der dreifach exponentiellen gleitenden Durchschnitt (TRIX) basieren auf gleitenden Durchschnittstypen und können modifiziert werden, um eine DEMA anstelle anderer traditionellerer Arten von gleitenden Durchschnittswerten einzufügen. Das Ersetzen der DEMA kann Händler helfen, unterschiedliche Kauf - und Verkaufsgelegenheiten zu lokalisieren, die vor denen liegen, die von den MAs oder EMAs, die traditionell in diesen Indikatoren verwendet werden, zur Verfügung gestellt werden. Natürlich immer in einen Trend eher früher als später führt in der Regel zu höheren Gewinnen. Abbildung 2 verdeutlicht dieses Prinzip - wenn wir die Crossovers als Kauf - und Verkaufssignale nutzen wollten. Würden wir die Trades deutlich früher bei der Verwendung der DEMA Crossover im Gegensatz zu den MA Crossover geben. Bottom Line Trader und Investoren haben lange bewegte Durchschnitte in ihrer Marktanalyse verwendet. Gleitende Durchschnitte sind ein weit verbreitetes technisches Analyse-Tool, das ein Mittel zur schnellen Betrachtung und Interpretation des längerfristigen Trends eines bestimmten Handelsinstruments bietet. Da bewegte Durchschnitte durch ihre Natur sind nacheilende Indikatoren. Ist es hilfreich, den gleitenden Durchschnitt zu optimieren, um einen schnelleren, reaktionsfähigeren Indikator zu berechnen. Der doppelte exponentielle gleitende Durchschnitt bietet Händlern und Investoren einen Überblick über den längerfristigen Trend mit dem zusätzlichen Vorteil, dass er ein schneller gleitender Durchschnitt mit weniger Verzögerungszeit ist. (Für das zugehörige Lesen schauen Sie sich die Moving Average MACD Combo und Simple Vs. Exponential Moving Averages an.) Double Moving Average Filter Beschreibung Der DoubleMovingAverageFilter implementiert einen Tiefpassfilter mit doppelter Gleitweite. Der DoubleMovingAverageFilter ist Teil der Preprocessing Module. Ein Beispiel für ein Signal (Sinus-Zufallsrauschen), das unter Verwendung eines gleitenden Durchschnittsfilters gefiltert wurde. Das rote Signal ist das ursprüngliche Signalrauschen, das grüne Signal das gefilterte Signal unter Verwendung eines gleitenden Durchschnittsfilters mit einer Fenstergröße von 5 und das blaue Signal das gefilterte Signal unter Verwendung eines gleitenden Durchschnittsfilters mit einer Fenstergröße von 20. DoubleMovingAverageFilterExampleImage1. Jpg Vorteile Der DoubleMovingAverageFilter eignet sich zum Entfernen einer geringen Menge an Hochfrequenzrauschen aus einem N-dimensionalen Signal. Nachteile Der Hauptnachteil des DoubleMovingAverageFilters besteht darin, dass zum Filtern von signifikant hochfrequenten Störungen die Fenstergröße des Filters groß sein muss. Das Problem mit einem großen Filterfenster besteht darin, dass dies eine große Latenz in jedem Signal hervorruft, das durch den Filter hindurchgeht, was für Realzeitanwendungen nicht vorteilhaft sein kann. Wenn Sie feststellen, dass Sie ein großes Filterfenster benötigen, um hochfrequentes Rauschen zu filtern und die Latenz, die durch diese Fenstergröße induziert wird, nicht für Ihre Echtzeitanwendung geeignet ist, dann möchten Sie vielleicht einen Tiefpassfilter ausprobieren. Beispielcode GRT DoubleMovingAverageFilter Beispiel Dieses Beispiel veranschaulicht, wie das GRT DoubleMovingAverageFilter PreProcessing Module erstellt und verwendet wird. Der DoubleMovingAverageFilter implementiert einen doppelt gleitenden Tiefpassfilter. 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 usw. notieren, falls erforderlich). Dieses Beispiel zeigt Ihnen, wie Sie: - Erstellen einer neuen DoubleMovingAverageFilter-Instanz mit einer bestimmten Fenstergröße für ein 1-dimensionales Signal - Filtern von Daten mit dem DoubleMovingAverageFilter - Speichern der DoubleMovingAverageFilter-Einstellungen in einer Datei - Laden Sie die DoubleMovingAverageFilter-Einstellungen aus einer Datei includeGRT. hquot Mit Namensraum GRT int main 40 int argc. const char argv 91 93 41 123 Erstellen Sie eine neue Instanz eines Doppel Gleitmittelungsfilters mit einer Fenstergröße von 5 für ein 1-dimensionalen Signal DoubleMovingAverageFilter Filter 40 5. 1 41 Erstellen und Öffnen einer Datei die Daten fstream Datei Datei zu speichern. Öffnen Sie 40 quotDoubleMovingAverageFilterData. txtquot. Fstream. Out 41 Erzeugen Sie einige Daten (Sinuswellenrauschen) und filtern Sie es doppelt x 0 const UINT M 1000 Random random für 40 UINT i 0 i lt M i 41 123 Doppelsignal sin 40 x 41 random. GetRandomNumberUniform 40 - 0,2. 0,2 41 DoppelfilterValue-Filter. Filter 40 Signal 41 Datei ltlt Signal ltlt t ltlt gefiltertValue ltlt endl x TWOPI double 40 M 41 10 125 Schließen Sie die Datei. Close 40 41 Speichern Sie die Filtereinstellungen in einem Dateifilter. SaveSettingsToFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 Wir können die Einstellungen später bei Bedarf wieder laden. LoadSettingsFromFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 return EXITSUCCESS 125 Der DoubleMovingAverageFilter funktioniert 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 doppelte gt Daten 40 3 41 Daten 91 0 93 0. Wert aus Sensordaten abrufen 91 1 93 0. Wert aus Sensordaten abrufen 91 2 93 0. Get value from sensor Filtern Sie den Signalvektor lt double gt filteredValue Filter. Filter 40 data 41 movAv. m herunterladen (siehe auch movAv2 - eine aktualisierte Version, die eine Gewichtung erlaubt) Beschreibung Matlab enthält Funktionen, die movavg und tsmovavg (Zeitreihen-gleitender Durchschnitt) in der Financial Toolbox genannt werden. MovAv wurde entwickelt, um die grundlegende Funktionalität dieser zu replizieren. Der Code hier bietet ein schönes Beispiel für die Verwaltung von Indizes innerhalb Schleifen, die zu Beginn verwirrend sein kann. Ive bewusst hielt den Code kurz und einfach zu halten diesen Prozess klar. MovAv führt einen einfachen gleitenden Durchschnitt aus, der verwendet werden kann, um in einigen Situationen verrauschte Daten wiederherzustellen. Es funktioniert, indem man den Mittelwert der Eingabe (y) über ein gleitendes Zeitfenster nimmt, dessen Größe durch n spezifiziert ist. Je größer n ist, desto größer ist die Glättung der Wirkung von n in Bezug auf die Länge des Eingangsvektors y. Und effektiv (gut, Art von) schafft ein Tiefpass-Frequenz-Filter - siehe die Beispiele und Überlegungen Abschnitt. Da die Menge an Glättung, die von jedem Wert von n bereitgestellt wird, relativ zu der Länge des Eingangsvektors ist, ist es immer wert, verschiedene Werte zu testen, um zu sehen, was passend ist. Denken Sie auch daran, dass n Punkte in jedem Durchschnitt verloren gehen, wenn n 100 ist, enthalten die ersten 99 Punkte des Eingangsvektors nicht genug Daten für einen Durchschnitt von 100pt. Dies kann durch Stapeln von Durchschnitten etwas vermieden werden, zum Beispiel, wenn der Code und das Diagramm unten eine Anzahl von unterschiedlichen Längenfensterdurchschnitten vergleichen. Beachten Sie, wie glatt 1010pt mit einem einzigen 20pt Durchschnitt verglichen wird. In beiden Fällen gehen insgesamt 20 Datenpunkte verloren. Erstellen Sie xaxis x1: 0.01: 5 Erzeugen Sie RauschenRauschen 4 Rauschen repmat (randn (1, ceil (numel (x) noiseReps)), noiseReps, 1) Rauschform (Rauschen, 1, Länge (Rauschen) noiseReps) Generieren Sie ydata Rauschen yexp (Y, 20) 20 pt y5 movAv (y, 40) 40 pt (y, 10) 10 & ndash; (X, y2, y3, y4, y5, y6) Legende (Rohdaten, 10pt gleitender Durchschnitt, 1010pt, 20pt, 40pt, 100pt) xlabel (x) ylabel Y) title (Vergleich der gleitenden Mittelwerte) movAv. m Code Durchlauffunktion output movAv (y, n) Die erste Zeile definiert die Funktionen name, inputs und output. Der Eingang x sollte ein Vektor von Daten, um den Durchschnitt auf, n sollte die Anzahl der Punkte, um die durchschnittliche über die Ausgabe werden die gemittelten Daten, die von der Funktion zurückgegeben werden. Ausgangspunkt NAN vorgeben (1, numel (y)) Mittelpunkt von n finden midPoint round (n2) Die Hauptfunktion der Funktion wird in der for-Schleife ausgeführt, aber vor dem Start werden zwei Dinge vorbereitet. Zuerst wird die Ausgabe als NaNs vorgegeben, dies diente zwei Zwecken. Zuerst ist die Vorverteilung allgemein gute Praxis, da sie das Gedächtnis-Jonglieren, das Matlab zu tun hat, reduziert, zweitens macht es es sehr einfach, die gemittelten Daten in einen Ausgang einzustellen, der dieselbe Größe wie der Eingangsvektor hat. Dies bedeutet, dass die gleiche Xaxis später für beide verwendet werden kann, was für das Plotten bequem ist, alternativ können die NaNs später in einer Zeile des Codes entfernt werden (Ausgabeausgabe (Der variable midPoint wird verwendet, um die Daten in dem Ausgangsvektor auszurichten N 10, werden 10 Punkte verloren gehen, da für die ersten 9 Punkte des Eingangsvektors nicht genügend Daten vorhanden sind, um einen 10-Punkte-Durchschnitt zu nehmen. Wenn die Ausgabe kürzer als die Eingabe ist, muss sie ordnungsgemäß ausgerichtet werden Verwendet werden, so dass eine gleiche Menge an Daten am Anfang und am Ende verloren geht und der Eingang mit den Ausgangssignalen von den NaN-Puffern ausgerichtet bleibt, die erzeugt werden, wenn eine Ausgabe vorangestellt wird, für einen Indexwert von 1: Länge (y) (A: b) ban Berechnung des Mittelwerts (amidPoint) Mittelwert (y (a: b)) Ende In der for-Schleife wird ein Mittelwert über jedes aufeinanderfolgende Segment des Eingangs übernommen Definiert als 1 bis zur Länge des Eingangs (y), abzüglich der Daten, die verloren gehen (n) Wenn die Eingabe 100 Punkte lang ist und n 10 ist, wird die Schleife von (a) 1 bis 90 laufen Bedeutet a liefert den ersten Index des zu mittelnden Segments. Der zweite Index (b) ist einfach ein-1. Also auf der ersten Iteration, a1. N10. So b 11-1 10. Der erste Durchschnitt wird über y (a: b) übernommen. Oder x (1:10). Der Durchschnitt dieses Segments, das ein einzelner Wert ist, wird in der Ausgabe am Index amidPoint gespeichert. Oder 156. Auf der zweiten Iteration, a2. B 210-1 11. So wird der Mittelwert über x (2:11) übernommen und im Ausgang (7) gespeichert. Bei der letzten Iteration der Schleife für einen Eingang der Länge 100, a91. B 9010-1 100, so daß der Mittelwert x (91: 100) übernommen und im Ausgang (95) gespeichert wird. Dies verlässt den Ausgang mit insgesamt n (10) NaN-Werten am Index (1: 5) und (96: 100). Beispiele und Überlegungen Gleitende Durchschnitte sind in einigen Situationen nützlich, aber theyre nicht immer die beste Wahl. Hier sind zwei Beispiele, wo sie nicht unbedingt optimal sind. Mikrofonkalibrierung Dieser Datensatz repräsentiert die Pegel jeder Frequenz, die von einem Lautsprecher erzeugt und von einem Mikrofon mit einer bekannten linearen Antwort aufgezeichnet wird. Der Ausgang des Lautsprechers variiert mit der Frequenz, aber wir können diese Abweichung mit den Kalibrierdaten korrigieren - der Ausgang kann in Pegel eingestellt werden, um die Schwankungen der Kalibrierung zu berücksichtigen. Beachten Sie, dass die Rohdaten verrauscht sind - dies bedeutet, dass eine kleine Änderung der Frequenz eine große, unregelmäßige Änderung des Pegels erforderlich macht. Ist dies realistisch oder ist dies ein Produkt der Aufzeichnungsumgebung ist es sinnvoll, in diesem Fall einen gleitenden Durchschnitt anzuwenden, der die Pegelfrequenzkurve ausgleicht, um eine Eichkurve zu liefern, die etwas weniger unregelmäßig ist. Aber warum ist dies nicht optimal in diesem Beispiel Mehr Daten wäre besser - mehrere Kalibrierungen läuft gemittelt würde das Rauschen im System zerstören (so lange wie seine zufällige) und bieten eine Kurve mit weniger subtilen Details verloren. Der gleitende Durchschnitt kann nur annähern, und kann einige höhere Frequenz Dips und Peaks aus der Kurve, die wirklich existieren zu entfernen. Sine Wellen Mit einem gleitenden Durchschnitt auf Sinus-Wellen hebt zwei Punkte: Die allgemeine Frage der Auswahl einer angemessenen Anzahl von Punkten, um den Durchschnitt über. Seine einfache, aber es gibt effektivere Methoden der Signalanalyse als Mittelung oszillierender Signale im Zeitbereich. In diesem Diagramm ist die ursprüngliche Sinuswelle blau aufgetragen. Rauschen wird hinzugefügt und als die orange Kurve aufgetragen. Ein gleitender Durchschnitt wird bei verschiedenen Punktzahlen durchgeführt, um zu sehen, ob die ursprüngliche Welle wiederhergestellt werden kann. 5 und 10 Punkte liefern vernünftige Ergebnisse, aber entfernen Sie nicht das Rauschen vollständig, wo die größeren Punktezahlen beginnen, Amplitudendetails zu verlieren, da sich der Mittelwert über verschiedene Phasen erstreckt (erinnern Sie sich an die Welle oscilates um Null und Mittelwert (-1 1) 0) . Ein alternativer Ansatz wäre, ein Tiefpaßfilter aufzubauen, als es auf das Signal im Frequenzbereich angewendet werden kann. Im nicht gehen ins Detail gehen, wie es geht über den Rahmen dieses Artikels, aber da das Rauschen ist wesentlich höhere Frequenz als die Wellen Grundfrequenz, wäre es ziemlich einfach in diesem Fall ein Tiefpassfilter als die Hochfrequenz zu entfernen Lärm.