Flytting Gjennomsnitt Filter Utmerker Seg

Eksponentiell flytende gjennomsnitt (EMA) Forklart Som vi sa i forrige leksjon, kan enkle bevegelige gjennomsnitt bli forvrengt av pigger. We8217ll starter med et eksempel. Let8217s sier at vi plotter en 5-årig SMA på det daglige diagrammet på EURUSD. Sluttprisene for de siste 5 dagene er som følger: Det enkle glidende gjennomsnittet beregnes som følger: (1.3172 1.3231 1.3164 1.3186 1.3293) 5 1.3209 Enkel nok, vel Vel, hva om det var en nyhetsrapport på dag 2 som forårsaker euroen å slippe over bordet. Dette får EURUSD til å stupe og lukke ved 1.3000. Let8217s se hvilken effekt dette ville ha på 5-tiden SMA. Det enkle glidende gjennomsnittet vil bli beregnet som følger: Resultatet av det enkle glidende gjennomsnittet ville være mye lavere, og det ville gi deg ideen om at prisen faktisk gikk ned, da i virkeligheten var dag 2 bare en engangsaktivitet forårsaket av de dårlige resultatene av en økonomisk rapport. Poenget vi prøver å gjøre er at noen ganger det enkle glidende gjennomsnittet kan være for enkelt. Hvis det bare var en måte at du kunne filtrere ut disse pigger, slik at du ikke ville få feil ide. Hmm8230 Vent et øyeblikk8230 Yep, det er en måte It8217s kalt eksponentielle Moving Average Exponential moving average (EMA) gir mer vekt til de siste perioder. I vårt eksempel ovenfor vil EMA legge mer vekt på prisene på de siste dagene, som ville være dag 3, 4 og 5. Dette ville bety at spissen på dag 2 ville være mindre verdi og wouldn8217t ha så stor en effekt på glidende gjennomsnitt som det ville hvis vi hadde beregnet for et enkelt glidende gjennomsnitt. Hvis du tenker på det, gir dette mye mening fordi det som gjør dette, legger det større vekt på hva handelsmenn gjør nylig. Eksponentiell Moving Average (EMA) og Simple Moving Average (SMA) Side ved side Let8217s ta en titt på 4-timers diagrammet for USDJPY for å markere hvordan et enkelt glidende gjennomsnitt (SMA) og eksponentielt glidende gjennomsnitt (EMA) vil se side om side på et diagram. Legg merke til hvordan den røde linjen (30 EMA) ser ut til å være nærmere pris enn den blå linjen (30 SMA). Dette betyr at det representerer mer nøyaktig ny prishandling. Du kan sikkert gjette hvorfor dette skjer. Det er fordi det eksponentielle glidende gjennomsnittet legger større vekt på hva som har skjedd i det siste. Når det handler om handel, er det langt viktigere å se hva handelsmenn gjør nå, hva de gjorde sist uke eller i forrige måned. Lagre fremgangen ved å logge på og merke leksjonen KomplettKaufman039s Adaptive Moving Average (KAMA) Kaufman039s Adaptive Moving Average (KAMA) Innledning Utviklet av Perry Kaufman, Kaufman039s Adaptive Moving Average (KAMA) er et glidende gjennomsnitt beregnet for å ta hensyn til markedsstøy eller volatilitet. KAMA vil følge prisene nøye når prisendringer er relativt små og støyen er lav. KAMA vil tilpasse seg når prisendringer øker og følger priser fra en større avstand. Denne trend-følgende indikatoren kan brukes til å identifisere den generelle trenden, tidspunktet for vendepunkter og filterprisbevegelser. Beregning Det er flere trinn som kreves for å beregne Kaufman039s Adaptive Moving Average. Let039s første start med innstillingene anbefalt av Perry Kaufman, som er KAMA (10,2,30). 10 er antall perioder for effektivitetsforholdet (ER). 2 er antall perioder for den raskeste EMA-konstanten. 30 er antall perioder for den langsomste EMA-konstanten. Før beregning av KAMA må vi beregne effektivitetsforholdet (ER) og utjevningskonstanten (SC). Å bryte ned formelen i bite size nuggets gjør det lettere å forstå metoden bak indikatoren. Legg merke til at ABS står for absolutt verdi. Effektivitetsforhold (ER) ER er i utgangspunktet prisendringen justert for den daglige volatiliteten. I statistiske termer forteller Efficiency Ratio oss fraktal effektiviteten av prisendringer. ER svinger mellom 1 og 0, men disse ekstremer er unntaket, ikke normen. ER ville være 1 hvis prisene gikk opp i 10 påfølgende perioder eller ned 10 påfølgende perioder. ER ville være null hvis prisen er uendret i løpet av de ti perioder. Utjevning Konstant (SC) Utjevningskonstanten bruker ER og to utjevningskonstanter basert på et eksponentielt glidende gjennomsnitt. Som du kanskje har lagt merke til, bruker utjevningskonstanten utjevningskonstantene for et eksponentielt glidende gjennomsnitt i formelen. (2301) er utjevningskonstanten for en 30-årig EMA. Den raskeste SC er utjevningskonstanten for kortere EMA (2-perioder). Den langsomste SC er utjevningskonstanten for den langsommere EMA (30-perioder). Legg merke til at 2 på slutten er å firkant ligningen. Med effektivitetsforholdet (ER) og utjevningskonstant (SC) er vi nå klare til å beregne Kaufman039s adaptive flytende gjennomsnitt (KAMA). Siden vi trenger en innledende verdi for å starte beregningen, er den første KAMA bare et enkelt glidende gjennomsnitt. Følgende beregninger er basert på formelen nedenfor. BeregningseksempelChart Bildene nedenfor viser et skjermbilde fra et Excel-regneark som brukes til å beregne KAMA og det tilsvarende QQQ-diagrammet. Bruk og signaler Chartists kan bruke KAMA som enhver annen trend som følger indikator, for eksempel et glidende gjennomsnitt. Chartister kan se etter priskryss, retningsendringer og filtrerte signaler. For det første angir et kryss over eller under KAMA retningsendringer i priser. Som med ethvert glidende gjennomsnitt, vil et enkelt crossover-system generere mange signaler og mange whipsaws. Chartister kan redusere whipsaws ved å bruke et pris - eller tidsfilter til overgangene. Man kan kreve pris for å holde krysset i angitt antall dager eller kreve korset, overstige KAMA etter sett prosentandel. For det andre kan kartleggere bruke KAMAs retning for å definere den generelle trenden for sikkerhet. Dette kan kreve en parameterjustering for å glatte indikatoren ytterligere. Chartister kan endre midtparameteren, som er den raskeste EMA-konstanten, for å glatte KAMA og se etter retningsendringer. Trenden er nede så lenge KAMA faller og smi lavere nedgang. Trenden går opp så lenge KAMA stiger og smi høyere høyder. Kroger-eksempelet nedenfor viser KAMA (10,5,30) med en bratt oppgang fra desember til mars og en mindre bratt oppgang fra mai til august. Og til slutt kan kartleggere kombinere signaler og teknikker. Chartister kan bruke en langsiktig KAMA for å definere den større trenden og kortsiktige KAMA for handelssignaler. For eksempel kan KAMA (10,5,30) brukes som et trendfilter og anses å være bullish når det stiger. Når hausse, kan kartleggere da se etter bullish kryss når prisen beveger seg over KAMA (10,2,30). Eksemplet nedenfor viser MMM med en stigende langsiktig KAMA og bullish kryss i desember, januar og februar. Langsiktig KAMA avslått i april, og det var bearish kryss i mai, juni og juli. SharpCharts KAMA kan bli funnet som en indikatoroverlegg i SharpCharts arbeidsbenk. Standardinnstillingene vises automatisk i parameterboksen når den er valgt, og diagrammer kan endre disse parameterne slik de passer til deres analytiske behov. Den første parameteren er for effektivitetsforholdet, og diagrammer bør avstå fra å øke dette nummeret. I stedet kan diagrammer redusere det for å øke følsomheten. Chartister som ønsker å glatte KAMA for langsiktig trendanalyse, kan øke mellomparameteren gradvis. Selv om forskjellen er bare 3, er KAMA (10,5,30) betydelig jevnere enn KAMA (10,2,30). Ytterligere studie Fra skaperen gir boken nedenfor detaljert informasjon om indikatorer, programmer, algoritmer og systemer, inkludert detaljer om KAMA og andre bevegelige gjennomsnittssystemer. Handelssystemer og metoder Perry KaufmanDAX inneholder noen statistiske aggregasjonsfunksjoner, for eksempel gjennomsnitt, varians og standardavvik. Andre typiske statistiske beregninger krever at du skriver lengre DAX-uttrykk. Excel, fra dette synspunktet, har et mye rikere språk. De statistiske mønstrene er en samling av vanlige statistiske beregninger: median, modus, glidende gjennomsnitt, prosentil og kvartil. Vi vil gjerne takke Colin Banfield, Gerard Brueckl og Javier Guilln, hvis blogger inspirerte noen av de følgende mønstrene. Grunnmønster Eksempel Formlene i dette mønsteret er løsningen på spesifikke statistiske beregninger. Du kan bruke standard DAX-funksjoner til å beregne gjennomsnittet (aritmetisk gjennomsnitt) av et sett med verdier. GJENNOMSNITT . returnerer gjennomsnittet av alle tallene i en numerisk kolonne. AVERAGEA. returnerer gjennomsnittet av alle tallene i en kolonne, og håndterer både tekst og ikke-numeriske verdier (ikke-numeriske og tomme tekstverdier teller som 0). AVERAGEX. beregne gjennomsnittet på et uttrykk evaluert over et bord. Flytende gjennomsnitt Det glidende gjennomsnittet er en beregning for å analysere datapunkter ved å opprette en rekke gjennomsnitt av forskjellige delsett av hele datasettet. Du kan bruke mange DAX teknikker til å gjennomføre denne beregningen. Den enkleste teknikken bruker AVERAGEX, itererer et bord med ønsket granularitet og beregner for hver iterasjon uttrykket som genererer det enkle datapunktet som skal brukes i gjennomsnittet. For eksempel beregner følgende formel det bevegelige gjennomsnittet for de siste 7 dagene, forutsatt at du bruker en datatabell i datamodellen din. Ved å bruke AVERAGEX beregner du automatisk målingene på hvert granularitetsnivå. Når du bruker et mål som kan aggregeres (for eksempel SUM), kan en annen tilgang basert på CALCULATE være raskere. Du finner denne alternative tilnærmingen i det komplette mønsteret av Moving Average. Du kan bruke standard DAX-funksjoner til å beregne variansen av et sett med verdier. VAR. S. returnerer variansen av verdier i en kolonne som representerer en prøvepopulasjon. VAR. P. returnerer variansen av verdier i en kolonne som representerer hele befolkningen. VARX. S. returnerer variansen til et uttrykk evaluert over et tabell som representerer en prøvepopulasjon. VARX. P. returnerer variansen til et uttrykk evaluert over et bord som representerer hele befolkningen. Standardavvik Du kan bruke standard DAX-funksjoner til å beregne standardavviket for et sett med verdier. STDEV. S. returnerer standardavviket til verdier i en kolonne som representerer en prøvepopulasjon. STDEV. P. returnerer standardavviket til verdier i en kolonne som representerer hele befolkningen. STDEVX. S. returnerer standardavviket til et uttrykk evaluert over en tabell som representerer en prøvepopulasjon. STDEVX. P. returnerer standardavviket til et uttrykk evaluert over en tabell som representerer hele befolkningen. Medianen er den numeriske verdien som skiller den øvre halvdelen av en befolkning fra den nedre halvdelen. Hvis det er et merkelig antall rader, er medianen middelverdien (sortering av rader fra laveste verdi til høyeste verdi). Hvis det er et jevnt antall rader, er det gjennomsnittet av de to middelverdiene. Formelen ignorerer blanke verdier, som ikke anses som en del av befolkningen. Resultatet er identisk med MEDIAN-funksjonen i Excel. Figur 1 viser en sammenligning mellom resultatet returnert av Excel og den tilsvarende DAX-formelen for medianberegningen. Figur 1 Eksempel på medianberegning i Excel og DAX. Modusen er verdien som vises oftest i et sett med data. Formelen ignorerer blanke verdier, som ikke anses som en del av befolkningen. Resultatet er identisk med MODE og MODE. SNGL-funksjonene i Excel, som bare returnerer minimumsverdien når det er flere moduser i settet av verdier som vurderes. Excel-funksjonen MODE. MULT ville returnere alle modi, men du kan ikke implementere det som et mål i DAX. Figur 2 sammenligner resultatet som returneres av Excel med den tilsvarende DAX-formelen for modusberegningen. Figur 2 Eksempel på modusberegning i Excel og DAX. Percentil percentilen er verdien under hvilken en gitt prosentandel av verdiene i en gruppe faller. Formelen ignorerer blanke verdier, som ikke anses som en del av befolkningen. Beregningen i DAX krever flere trinn, beskrevet i Fullmønster-delen, som viser hvordan man får de samme resultatene av Excel-funksjonene PERCENTILE, PERCENTILE. INC og PERCENTILE. EXC. Kvartilene er tre poeng som deler et sett med verdier i fire like grupper, hver gruppe består av en fjerdedel av dataene. Du kan beregne kvartilene ved hjelp av Percentilmønsteret ved å følge disse korrespondansene: Første kvartil lavere kvartil 25. prosentandel Andre kvartilmedian 50. prosentil Tredje kvartil øvre kvartil 75. prosentil Fullstendig mønster Noen få statistiske beregninger har en lengre beskrivelse av det komplette mønsteret fordi Du kan ha forskjellige implementeringer avhengig av datamodeller og andre krav. Flytende gjennomsnitt Vanligvis vurderer du det bevegelige gjennomsnittet ved å referere til granularitetsnivået for dagen. Den generelle malen med følgende formel har disse markørene: ltnumberofdaysgt er antall dager for glidende gjennomsnitt. ltdatecolumngt er datakolonnen i datortabellen hvis du har en eller datakolonnen i tabellen som inneholder verdier hvis det ikke finnes en egen datatabell. ltmeasuregt er målet til å beregne som det bevegelige gjennomsnittet. Det enkleste mønsteret bruker AVERAGEX-funksjonen i DAX, som automatisk bare vurderer de dagene som det er en verdi for. Som et alternativ kan du bruke følgende mal i datamodeller uten datatabell og med et mål som kan aggregeres (for eksempel SUM) over hele perioden som vurderes. Den forrige formelen vurderer en dag uten tilsvarende data som et mål som har 0 verdi. Dette kan bare skje når du har et eget datatabell, som kan inneholde dager for hvilke det ikke er noen tilsvarende transaksjoner. Du kan fikse nevneren for gjennomsnittet ved å bruke kun antall dager for hvilke transaksjoner bruker følgende mønster, hvor: ltfacttablegt er tabellen relatert til datatabellen og inneholder verdier beregnet av målingen. Du kan bruke funksjonene DATESBETWEEN eller DATESINPERIOD i stedet for FILTER, men disse fungerer bare i en vanlig datatabell, mens du kan bruke det ovenfor beskrevne mønsteret også til ikke-vanlige datatabeller og til modeller som ikke har datortabell. For eksempel vurdere de forskjellige resultatene som produseres av følgende to tiltak. I figur 3 kan du se at det ikke er salg på 11. september 2005. Denne datoen er imidlertid inkludert i datortabellen, slik at det er 7 dager (fra 11. september til 17. september) som bare har 6 dager med data. Figur 3 Eksempel på en flytende gjennomsnittlig beregning vurderer og ignorerer datoer uten salg. Tiltaket Moving Average 7 Days har et lavere nummer mellom 11. september og 17. september fordi det vurderer 11. september som en dag med 0 salg. Hvis du vil ignorere dager uten salg, må du bruke målet Moving Average 7 Days No Zero. Dette kan være riktig tilnærming når du har en komplett datortabell, men du vil ignorere dager uten transaksjoner. Ved hjelp av den flytende gjennomsnittlige 7-dagers formel, er resultatet riktig, fordi AVERAGEX bare vurderer bare ikke-tomme verdier. Husk at du kan forbedre ytelsen til et bevegelig gjennomsnitt ved å fortsette verdien i en beregnet kolonne i et bord med ønsket granularitet, for eksempel dato eller dato og produkt. Den dynamiske beregningsmetoden med et mål gir imidlertid muligheten til å bruke en parameter for antall dager i glidende gjennomsnitt (for eksempel erstatte ltnumberofdaysgt med et mål som implementerer Parameter Tabellmønsteret). Medianen tilsvarer den 50. prosentpoeng, som du kan beregne ved hjelp av Persentilmønsteret. Medianmønsteret gjør det imidlertid mulig å optimalisere og forenkle medianberegningen ved hjelp av et enkelt mål, i stedet for de flere tiltakene som kreves av Percentil-mønsteret. Du kan bruke denne tilnærmingen når du beregner medianen for verdier som er inkludert i ltvaluecolumngt, som vist nedenfor: For å forbedre ytelsen, vil du kanskje fortsette verdien av et mål i en beregnet kolonne hvis du vil oppnå medianen for resultatene av et mål i datamodellen. Men før du gjør denne optimaliseringen, bør du implementere MedianX-beregningen basert på følgende mal, ved å bruke disse markørene: ltgranularitytablegt er tabellen som definerer beregningens granularitet. For eksempel kan det være datatabellen hvis du vil beregne medianen til et mål beregnet på dagnivå, eller det kan være VALUES (8216DateYearMonth) hvis du vil beregne medianen til et mål beregnet på månedenivå. ltmeasuregt er målet for å beregne for hver rad av ltgranularitytablegt for medianberegningen. ltmeasuretablegt er tabellen som inneholder data som brukes av ltmeasuregt. For eksempel, hvis ltgranularitytablegt er en dimensjon som 8216Date8217, vil ltmeasuretablegt være 8216Internet Sales8217 som inneholder kolonnen for Internett-salgsmengde summet av Internett Total Sales-måleen. For eksempel kan du skrive medianen av Internett Total Salg for alle Kunder i Eventyrverker som følger: Tips Følgende mønster: brukes til å fjerne rader fra ltgranularitytablegt som ikke har tilsvarende data i gjeldende utvalg. Det er en raskere måte enn å bruke følgende uttrykk: Du kan imidlertid erstatte hele CALCULATETABLE uttrykket med bare ltgranularitytablegt hvis du vil vurdere tomme verdier av ltmeasuregt som 0. Utførelsen av MedianX-formel avhenger av antall rader i tabell iterated og på kompleksiteten av tiltaket. Hvis ytelsen er dårlig, kan du fortsette med det lette resultatet i en beregnet kolonne av lttablegt, men dette vil fjerne muligheten til å bruke filtre til medianberegningen på spørringstidspunktet. Percentile Excel har to forskjellige implementeringer av percentilberegning med tre funksjoner: PERCENTILE, PERCENTILE. INC og PERCENTILE. EXC. De returnerer alle K-th-prosentverdien, hvor K er i området 0 til 1. Forskjellen er at PERCENTILE og PERCENTILE. INC anser K som et inkluderende utvalg, mens PERCENTILE. EXC anser K-området 0 til 1 som eksklusiv . Alle disse funksjonene og deres DAX-implementeringer mottar en prosentilverdi som parameter, som vi kaller K. ltKgt-prosentilverdien ligger i området 0 til 1. De to DAX-implementeringene av percentil krever noen få tiltak som er liknende, men forskjellige nok til å kreve to forskjellige sett med formler. Tiltakene som er definert i hvert mønster er: KPerc. Den prosentile verdien det tilsvarer ltKgt. PercPos. Punktilstandens posisjon i det sorterte sett av verdier. ValueLow. Verdien under prosentilstanden. ValueHigh. Verdien over prosentilposisjonen. Percentil. Den endelige beregningen av percentilen. Du trenger ValueLow og ValueHigh-målene hvis PercPos inneholder en desimaldel, fordi du må interpolere mellom ValueLow og ValueHigh for å returnere riktig prosentilverdi. Figur 4 viser et eksempel på beregningene som ble gjort med Excel - og DAX-formler, ved hjelp av begge algoritmer av prosentil (inklusiv og eksklusiv). Figur 4 Percentile beregninger ved hjelp av Excel-formler og tilsvarende DAX-beregning. I de følgende avsnittene utfører Percentile-formlene beregningen på verdier lagret i en tabellkolonne, DataValue, mens PercentileX-formlene utfører beregningen på verdier returnert av et mål beregnet ved en gitt granularitet. Percentil Inklusiv Percentil Inklusiv implementering er følgende. Percentil Eksklusiv Percentil Eksklusiv implementering er følgende. PercentileX Inklusive PercentileX Inklusiv implementering er basert på følgende mal, ved hjelp av disse markørene: ltgranularitytablegt er tabellen som definerer beregningens granularitet. For eksempel kan det være datatabellen hvis du vil beregne percentilen til et mål på dagens nivå, eller det kan være VALUES (8216DateYearMonth) hvis du vil beregne percentilen av et mål på månedenivået. ltmeasuregt er målet for å beregne for hver rad av ltgranularitytablegt for percentilberegning. ltmeasuretablegt er tabellen som inneholder data som brukes av ltmeasuregt. For eksempel, hvis ltgranularitytablegt er en dimensjon som 8216Date, 8217, så vil ltmeasuretablegt være 8216Sales8217 som inneholder summekolonnen summert av totalbeløpsmålet. For eksempel kan du skrive PercentileXInc av Total Salg for alle datoene i datatabellen som følger: PercentileX Exclusive PercentileX Exclusive implementeringen er basert på følgende mal, med samme markører som brukes i PercentileX Inclusive: For eksempel, du kan skrive PercentileXExc av Total Salg for alle datoene i datatabellen som følger: Hold meg informert om kommende mønstre (nyhetsbrev). Fjern merket for å laste ned filen fritt. Publisert 17. mars 2014 av