Vektet Bevegelse Gjennomsnittet Spørsmål

Jeg har en tidsserie av aksjekurser og ønsker å beregne det bevegelige gjennomsnittet over et ti minutters vindu (se diagram nedenfor). Ettersom prisklasser forekommer sporadisk (det vil si at de ikke er periodiske), synes det rimeligst å beregne et tidsvektet glidende gjennomsnitt. I diagrammet er det fire prisendringer: A, B, C og D, mens de sistnevnte tre skjer innenfor vinduet. Merk at fordi B bare forekommer litt tid i vinduet (si 3 minutter), bidrar verdien til A fortsatt til beregningen. Faktisk, så vidt jeg kan fortelle, skal beregningen bare baseres på verdiene A, B og C (ikke D) og varigheten mellom dem og neste punkt (eller i tilfelle A: varigheten mellom starten av tidsvinduet og B). I utgangspunktet vil D ikke ha noen effekt da tidsvektingen vil være null. Er dette riktig Anta at dette er riktig, min bekymring er at det bevegelige gjennomsnittet vil lagre mer enn den ikke-vektede beregningen (som ville regne med verdien av D umiddelbart). Den uveide beregningen har imidlertid sine egne ulemper: A ville har så mye effekt på resultatet som de andre prisene til tross for å være utenfor tidsvinduet. En plutselig flurry av raske prismoduler vil sterkt forstyrre det bevegelige gjennomsnittet (selv om det kanskje er ønskelig). Kan noen tilby noe råd om hvilken tilnærming som synes best, eller om det er en alternativ (eller hybrid) tilnærming som er verdt å vurdere. 14 april kl 21: 35 Din begrunnelse er riktig. Hva vil du bruke gjennomsnittet for skjønt uten å vite at det er vanskelig å gi noe råd. Kanskje et alternativ ville være å vurdere løpende gjennomsnitt A, og når en ny verdi V kommer inn, beregne det nye gjennomsnittet A for å være (1-c) AcV, hvor c er mellom 0 og 1. På denne måten har de nyere flåttene en sterkere innflytelse, og effekten av gamle flått sprer seg over tid. Du kan til og med ha c avhengig av tiden siden de tidligere ticks (c blir mindre når flåttene kommer nærmere). I den første modellen (vekting) vil gjennomsnittet være forskjellig hvert sekund (som gamle avlesninger får lavere vekt og nye målinger høyere), slik at den alltid endrer seg, noe som kanskje ikke er ønskelig. Med den andre tilnærmingen, gjør prisene plutselige hopp som nye priser blir introdusert og de gamle forsvinner fra vinduet. besvart apr 14 12 kl 21:50 De to forslagene kommer fra den diskrete verden, men du kan finne en inspirasjon for ditt spesielle tilfelle. Ta en titt på eksponensiell utjevning. I denne tilnærmingen innfører du utjevningsfaktoren (01) som gjør at du kan endre innflytelsen fra de siste elementene på prognosen (eldre elementer tilordnes eksponentielt avtagende vekter): Jeg har laget en enkel animasjon av hvordan eksponensiell utjevning ville spore en ensartet tidsserie x1 1 1 1 3 3 2 2 2 1 med tre forskjellige: Se også på noen av armeringslæringsteknikkene (se på de ulike diskonteringsmetodene) for eksempel TD-læring og Q-Learning. Ja, det bevegelige gjennomsnittet vil selvfølgelig sakte. Dette er fordi verdien er historisk informasjon: den oppsummerer eksempler på prisen i løpet av de siste 10 minuttene. Denne typen gjennomsnitt er iboende laggy. Den har en innebygd fem minutters offset (fordi en boks gjennomsnitt uten offset vil være basert på - 5 minutter, sentrert på prøven). Hvis prisen har vært på A lenge, og deretter endres en gang til B, tar det 5 minutter for gjennomsnittet å nå (AB) 2. Hvis du vil ha en gjennomsnittlig funksjon uten skift i domenet, har vekten å være jevnt fordelt rundt prøvepunktet. Men dette er umulig å gjøre for priser som skjer i sanntid, siden fremtidige data er utilgjengelige. Hvis du vil ha en nylig endring, som D, for å få større innflytelse, bruk et gjennomsnitt som gir større vekt på nyere data, eller en kortere tidsperiode, eller begge deler. En måte å glatte data på er bare å bruke en enkelt akkumulator (den glatte estimatoren) E og ta periodiske prøver av dataene S. E er oppdatert som følger: I. e. en brøk K (mellom 0 og 1) av forskjellen mellom det nåværende prisprøven S og estimatoren E legges til E. Anta at prisen har vært på A lenge, slik at E er i A og deretter plutselig endres til B. Estimatoren vil begynne å bevege seg mot B på en eksponentiell måte (som oppvarming av kjøling, lading av en kondensator, osv.). Først vil det gjøre et stort hopp, og deretter mindre og mindre trinn. Hvor raskt det beveger seg, avhenger av K. Hvis K er 0, går estimatoren ikke i det hele tatt, og hvis K er 1, beveger den seg øyeblikkelig. Med K kan du justere hvor mye vekt du gir til estimatoren versus den nye prøven. Mer vekt er gitt til nyere prøver implisitt, og prøvevinduet strekker seg i utgangspunktet til uendelig: E er basert på alle verdier som noen gang har skjedd. Selv om de fleste gamle selvfølgelig ikke har noen innflytelse på nåverdien. En veldig enkel, vakker metode. besvart apr 14 12 kl 21:50 Dette er det samme som Tom39s svar. Hans formel for estimatorens nye verdi er (1 - K) E KS. som er algebraisk det samme som E K (S - E). Det er en kvadratlinjeformet blendingfunksjonskvot mellom gjeldende estimator E og den nye prøven S hvor verdien av K 0, 1 styrer blandingen. Å skrive det på den måten er fint og nyttig. Hvis K er 0,7, tar vi 70 av S og 30 av E, som er det samme som å legge til 70 av forskjellen mellom E og S tilbake til E. ndash Kaz Apr 14 12 kl 22:15 I utvidende Toms svar, formelen for å ta hensyn til avstanden mellom flåttene kan formaliseres (lukkede flått har forholdsmessig lavere vekting): a (tn - t n-1) T som er a er forholdet mellom deltaet av ankomsttid over gjennomsnittlig intervall v 1 (bruk tidligere punkt), eller v (1 - u) a (lineær interpolering eller vu (neste punkt) Ytterligere informasjon finnes på side 59 i boken En introduksjon til høyfrekvensfinansiering. Hva er forskjellen mellom bevegelige gjennomsnittlige og vektede glidende gjennomsnitt A 5 Periodens glidende gjennomsnitt, basert på prisene ovenfor, ville bli beregnet ved hjelp av følgende formel: Basert på ligningen ovenfor var gjennomsnittlig pris over perioden som var oppført ovenfor, 90,66. Ved å bruke glidende gjennomsnitt er en effektiv metode for å eliminere sterke prisfluktuasjoner. Nøkkelbegrensning er at datapunkter fra eldre data er n ot vektet noe annerledes enn datapunkter nær begynnelsen av datasettet. Dette er hvor vektede glidende gjennomsnitt kommer til spill. Veidede gjennomsnitt gir tyngre vekting til mer gjeldende datapunkter siden de er mer relevante enn datapunkter i den fjerne fortiden. Summen av vektingen skal legge til opptil 1 (eller 100). Når det gjelder det enkle glidende gjennomsnittet, er vektene fordelt like mye, og derfor er de ikke vist i tabellen ovenfor. Avsluttende pris på AAPLWeighted Moving Averages: Grunnleggende I løpet av årene har teknikere funnet to problemer med det enkle glidende gjennomsnittet. Det første problemet ligger i tidsrammen for det bevegelige gjennomsnittet (MA). De fleste tekniske analytikere tror at prisaksjonen. Åpne eller avsluttende aksjekurs, er ikke nok til å avhenge av riktig forutsi kjøp eller salg av signaler fra MAs crossover-handlingen. For å løse dette problemet, tilordner analytikere nå mer vekt til de nyeste prisdataene ved å bruke det eksponensielt glattede glidende gjennomsnittet (EMA). (Lær mer om å utforske det eksponentielt veide flytende gjennomsnitt.) Et eksempel For eksempel, ved hjelp av en 10-dagers MA, ville en analytiker ta sluttprisen på den tiende dagen og multiplisere dette nummeret med 10, den niende dagen med ni, den åttende dag med åtte og så videre til den første av MA. Når summen er blitt bestemt, vil analytikeren da dele tallet ved tilsetning av multiplikatorene. Hvis du legger til multiplikatorene i 10-dagers MA-eksemplet, er tallet 55. Denne indikatoren er kjent som det lineært vektede glidende gjennomsnittet. (For beslektet lesing, sjekk ut enkle bevegelige gjennomsnitt, gjør trender stående ut.) Mange teknikere er fast troende på det eksponensielt glattede glidende gjennomsnittet (EMA). Denne indikatoren har blitt forklart på så mange forskjellige måter at det forveksler både studenter og investorer. Kanskje den beste forklaringen kommer fra John J. Murphys tekniske analyse av finansmarkedene, (publisert av New York Institute of Finance, 1999): Det eksponentielt glattede glidende gjennomsnittet adresserer begge problemene forbundet med det enkle glidende gjennomsnittet. For det første tilordner det eksponentielt glatte gjennomsnittet en større vekt til nyere data. Derfor er det et vektet glidende gjennomsnitt. Men mens den tilordner mindre betydning for tidligere prisdata, inkluderer den i beregningen alle dataene i instrumentets levetid. I tillegg er brukeren i stand til å justere vektingen for å gi større eller mindre vekt til den siste dagsprisen, som legges til en prosentandel av verdien for tidligere dager. Summen av begge prosentverdiene legger til 100. For eksempel kan den siste dagens pris tildeles en vekt på 10 (.10), som legges til den forrige dagens vekt på 90 (.90). Dette gir den siste dagen 10 av totalvekten. Dette ville være tilsvarer et 20-dagers gjennomsnitt, ved å gi den siste dagens pris en mindre verdi på 5 (.05). Figur 1: Eksponentielt glatt flyttende gjennomsnitt Ovennevnte diagram viser Nasdaq Composite Index fra den første uken i august 2000 til 1. juni 2001. Som du tydeligvis kan se, er EMA, som i dette tilfellet bruker sluttprisdataene over en 9-dagers periode, har bestemte salgssignaler den 8. september (merket med en svart nedpilt). Dette var dagen da indeksen brøt under 4000-nivået. Den andre svarte pilen viser et annet nedre ben som teknikerne faktisk forventer. Nasdaq kunne ikke generere nok volum og interesse fra detaljhandlerne til å bryte 3000 mark. Derefter dør du ned igjen til bunnen ut på 1619.58 på 4. april. Opptrenden av 12. april er markert med en pil. Her stengte indeksen på 1961,46, og teknikere begynte å se institusjonelle fondforvaltere begynner å hente opp gode kjøp som Cisco, Microsoft og noen av energirelaterte problemstillinger. (Les våre relaterte artikler: Flytte gjennomsnittlige konvolutter: Raffinere et populært handelsverktøy og flytte gjennomsnittlig avvisning.) Beta er et mål for volatiliteten eller systematisk risiko for en sikkerhet eller en portefølje i forhold til markedet som helhet. En type skatt belastet kapitalgevinster pådratt av enkeltpersoner og selskaper. Kapitalgevinst er fortjenesten som en investor. En ordre om å kjøpe en sikkerhet til eller under en spesifisert pris. En kjøpsgrenseordre tillater handelsmenn og investorer å spesifisere. En IRS-regelen (Internal Revenue Service) som tillater straffefri uttak fra en IRA-konto. Regelen krever det. Det første salg av aksjer av et privat selskap til publikum. IPO er ofte utstedt av mindre, yngre selskaper som søker. Gjeldsgrad er gjeldsraten som brukes til å måle selskapets økonomiske innflytelse eller en gjeldsgrad som brukes til å måle en person. Hva er flytteverdier Del 2 I den siste artikkelen snakket vi om enkle glidende gjennomsnitt. Hva de er, hvordan å beregne dem, hvorfor kan du faktisk gjøre det, og alle de gode greiene. Som du kanskje har surmised fra tilstedeværelsen av ordet ldquosimplerdquo i uttrykket ldquosimple glidende gjennomsnitt, rdquo typen bevegelige gjennomsnitt vi diskuterte sist gang er egentlig bare toppen av isfjellet. Som kan føre til at du lurer på: Hva er noen av de andre typer bevegelige gjennomsnitt? Er de bedre eller verre enn enkle bevegelige gjennomsnitt? Og viktigst, når og hvorfor vil du noen gang bruke en av dem? Hold deg innstilt fordi de er akkurat de Spørsmål wersquoll svarer i dag. Gjennomgang: Hva er enkle bevegelige gjennomsnittsverdier Før vi begynner å snakke om alle forskjellige typer bevegelige gjennomsnitt, letrsquos raskt gjennomgå det enkle glidende gjennomsnittet som vi snakket om før. I tilfelle yoursquove glemt, har du brukt ldquofactrdquo som dinquest trening for å konkurrere i 1500 meter-rase ved OL i 2016 for å hjelpe oss å forstå hvordan bevegelige gjennomsnitt fungerer. I den siste artikkelen. det har vært å holde orden på tider av dine daglige øvelser, og du ønsket å komme opp med en måte å spore din daglige utvikling på. Problemet er at dag-til-dag-tidene varierer mye, noe som gjør det vanskelig å se den langsiktige trenden som forteller deg om du vil forbedre. Som vi har funnet, er det en måte å løse dette konkluderte på å bruke et glidende gjennomsnitt. For å finne den gjennomsnittlige tiden for en dag ved hjelp av et 3-dagers enkelt glidende gjennomsnitt, legg bare til den dagene til de to siste dagene, og divider med 3 for å bruke et 4-dagers enkelt glidende gjennomsnitt i stedet bare legg til dayrsquos tid til tider fra de foregående 3 dagene og divider med 4 og så videre for hvor mange dager du vil gjennomsnittlig over. Det er enkelt å gjøre, og det beste er at alle de distraherende daglige fluktuasjonene blir utjevnet slik at du kan se den generelle trenden. Hvor stor skal vinduet være Ett spørsmål som umiddelbart kommer til å tenke er: Hvordan påvirker størrelsen på det bevegelige gjennomsnittet ldquowindowrdquo resultatet Med andre ord, hva betyr det å bruke et 3-dagers vindu versus et 4-dagers vindu versus noe som et 2-ugers vindu Det enkle svaret er at størrelsen på vinduet avgjør hvor mye ldquomemoryrdquo det bevegelige gjennomsnittet inneholder. Med andre ord, et større vindu (som betyr flere dager i vårt eksempel) inneholder data fra lengre tid tilbake. Hvilket betyr at verdien av det bevegelige gjennomsnittet du beregner vil endres sakte siden det er mer påvirket av tidligere verdier. Hvordan vet du hvor stort vinduet skal være Det avhenger av om du vil se på kort, medium eller langtidsbilde. For eksempel, hvis du spore dine løpstider i løpet av måneder eller år, vil yoursquod sikkert bruke noe som et 2-ukers glidende gjennomsnitt for å spore fremdriften din, siden dinsquod egentlig bare er interessert i svært langsiktige trender. Jo større vinduet, desto mindre påvirker de kortsiktige daglige fluktuasjonene, vil hahellipand desto tydeligere er det et stort bilde. Størrelsen på vinduet avgjør hvor mye ldquomemoryrdquo det bevegelige gjennomsnittet inneholder. Hva er et sentralt bevegelige gjennomsnitt, men som det viser seg, er enkle glidende gjennomsnitt arenrsquot perfekte. Det største problemet er at nåværende verdier kan noen ganger være for avhengige av tidligere verdier. Tross alt, med unntak av det nyeste datapunktet, kommer alle dataene i en enkel bevegelig gjennomsnittsberegning fra fortiden. Det er derfor itrsquos noen ganger bedre å bruke whatrsquos kalt et ldquocentral moving average. rdquo Ideen er nesten identisk, bortsett fra at denne gangen Vi bruker like mange datapunkter på hver side av et sentralt punkt for å beregne det bevegelige gjennomsnittet. For eksempel, mens et 5-dagers enkeltflytende gjennomsnitt på Wednesdayrsquos-løpstid skulle bruke lørdag, søndag, mandag, tirsdag og onsdagstid, ville et 5-dagers sentralt glidende gjennomsnitt bruke mandag, tirsdag, onsdag, torsdag og fredag. Denne typen sentrale bevegelige gjennomsnitt er brukt hele tiden i vitenskap og ingeniørarbeid siden det er mindre tid lagmdashwhich betyr at det vanligvis representerer ldquoactualrdquo glidende gjennomsnitt. Selvfølgelig er det ikke så praktisk å bruke når du holder øye med rase ganger eller vekten din, siden du må vente på et antall dager i løpet av størrelsen på windowmdash for å gjøre beregningen din. Det betyr at et enkelt glidende gjennomsnitt er et bedre valg for de fleste av dine daglige applikasjoner. Hva er vektet Flytte gjennomsnitt Therersquos en annen type glidende gjennomsnitt som jeg vil snakke om i dag: vektet glidende gjennomsnitt. Denne typen glidende gjennomsnitt er litt mer komplisert, slik at vi kommer til å gå for mye i detalj. Men itrsquos er et utrolig viktig verktøy innen mange områder innen matte, vitenskap, ingeniørfag, og i næringslivet og finansmarkedet, så det er godt å forstå grunnleggende ideen. Det enkle glidende gjennomsnittet som vi kjenner og elsker, er faktisk et vektet glidende gjennomsnitt der dataene alle veies likt. Hva betyr det Vel, for å beregne Wednesdayrsquos rase tid ved hjelp av et 3-dagers enkelt glidende gjennomsnitt, legger vi opp mandag, tirsdag og onsdagssquos ganger og deles deretter med 3. Hvilket er det samme som å legge til: (1 x Mondayrsquos tid) (1 x Tuesdayrsquos tid), og deretter dele dette resultatet med 3. Jeg vet at dette sannsynligvis virker som en merkelig ting å gjøre, men tror det eller notmdashwersquove faktisk bare sett hvordan et veiet glidende gjennomsnitt fungerer. Howrsquos at vel, i dette tilfellet, ble hver dag gitt en vekt på 1mdashbut de donrsquot må være det samme. Hvis vi for eksempel tilordner en vekt på 1 for mandag, 2 for tirsdag og 3 for onsdag, blir det veide glidende gjennomsnittet beregnet ved å beregne (1 x Mondayrsquos tid) (2 x tirsdag) klokka (3 x onsdagstid) og deretter ved å dele dette resultatet med 1 2 3 6 (som er summen av vekter). Hvorfor vil vi det? Vel, hvis du tenker på det, så ser du at dette glidende gjennomsnittet gir mer vekt til onsdagens tid enn tirsdagskvart, og mer vekt til tirsdagskvartid enn Mondayrsquos. Det betyr at eldre tider blir mindre viktige i beregningen av glidende gjennomsnitt som tiden går. Ok, det er alt matematikken vi har tid til i dag. Husk å bli en fan av Math Dude på Facebook, der yoursquoll finner masse god matte lagt ut i løpet av uken. Hvis du kjenner på Twitter. vennligst følg meg der også. Endelig, send dine matte spørsmål på vei via Facebook. Twitter. eller e-post på mathdudequickanddirtytips.