Fractal adaptive moving average excel

John Ehlers DOCUMENTOS TÉCNICOS John Ehlers, desenvolvedor da MESA, escreveu e publicou muitos artigos relacionados aos princípios utilizados nos ciclos de mercado. São apresentadas sinopses para os documentos disponíveis. Baixe cada um, selecionando o HyperText associado. Por que os comerciantes perdem dinheiro (e o que fazer sobre isso) Um artigo na edição de maio de 2017 da Stock amp Commodities Magazine descreveu como criar curvas artificiais de equidade ao conhecer apenas o fator de lucro e os vencedores percentuais de uma estratégia de negociação. Estatísticas de Bell Curve para negociação de ações selecionadas aleatoriamente e negociação de portfólio também estão incluídas. Esta é uma planilha do Excel que permite que você experimente esses descritores estatísticos de desempenho do sistema comercial. Indicadores preditivos para estratégias efetivas de negociação Os comerciantes técnicos entendem que os indicadores precisam facilitar o bom rendimento dos dados do mercado e que o alisamento introduz o atraso como efeito colateral indesejável. Nós também sabemos que o mercado é fractal, um gráfico de intervalo semanal parece exatamente com um gráfico mensal, diário ou intradía. O que pode não ser tão óbvio é que, à medida que o intervalo de tempo ao longo do eixo x aumenta, os balanços de preços altos a baixos ao longo do eixo y também aumentam, aproximadamente na proporção. Este fenômeno de dilatação espectral causa uma distorção indesejável, que não foi reconhecida ou foi amplamente ignorada por desenvolvedores de indicadores e técnicos de mercado. Inferindo Estratégias de Negociação de Funções de Densidade de Probabilidade Medida Este foi o Vencedor do Campeonato do Prêmio Charles H. Dow da MTA 2008. Neste artigo, mostro as implicações das várias formas de destruição e como as Distribuições de Probabilidade resultantes podem ser usadas como estratégias para gerar sistemas de negociação efetivos. Os resultados desses robustos sistemas de negociação são comparados às abordagens padrão. Esta apresentação de papel e forma interativa para eliminar o atraso tanto quanto desejado dos filtros de suavização. Naturalmente, o atraso reduzido vem ao preço da diminuição da suavidade do filtro. O filtro exibe nenhum excesso transiente comumente encontrado em filtros de ordem superior. Decomposição do Modo Empírico Uma nova abordagem para a detecção de modo de ciclo e tendência. Transformada de Fourier para comerciantes O problema com a transformação de Fourier para a medição dos ciclos de mercado é que eles têm uma resolução muito fraca. Neste artigo, mostro como usar outra transformação não linear para melhorar a resolução para que as Transformações de Fourier sejam utilizáveis. O espectro medido é exibido como um indicador térmico do indicador de fumaça do mapa de calor Os indicadores são apenas transferir respostas dos dados de entrada. Por uma simples mudança de constantes, este indicador pode se tornar um EMA, SMA, 2 Pole Gaussian Low Pass Filter, 2 Pole Butterworth Low Pass Filter, um FIR mais suave, um filtro Bandpass ou um filtro Bandstop. Filtro Ehlers É descrito um filtro FIR não-linear incomum. Este filtro está entre os mais sensíveis às mudanças de preços, mas é mais suave nos mercados laterais. O Fator de Lucro da Avaliação do Desempenho do Sistema (ganhos brutos divididos por perdas brutas) é análogo ao fator de pagamento nos jogos. Assim, quando o fator de lucro é combinado com os vencedores percentuais em uma série de eventos aleatórios, as instâncias de como um crescimento da equidade da estratégia de negociação pode ser simulado. Este artigo descreve como os descritores de desempenho comuns estão relacionados a esses dois parâmetros. Uma folha de cálculo do Excel é descrita, permitindo que você realize uma Análise Monte Carlo de seus sistemas de negociação se você conhece esses dois parâmetros (fora da amostra). FRAMA (Média de mudança adaptativa da FRACT). Uma média móvel não linear é derivada usando o expoente Hurst. A MAMA é a mãe de todas as médias móveis adaptativas. Atualmente o nome é um acrônimo para MESA Adaptive Moving Average. A ação não-linear deste filtro é produzida pelo retorno da fase a cada meio ciclo. Quando combinados com FAMA, uma Média de Mudança Adaptativa Segura, os cruzamentos formam excelentes sinais de entrada e saída que são relativamente livres de whipsaws. Time Warp Without Space Travel Os polinômios de Laguerre são usados ​​para gerar uma estrutura de filtro semelhante a uma média móvel simples com a diferença de que o espaçamento de tempo entre as torneiras de filtro é nolinear. O resultado permite a criação de filtros muito curtos com as características de suavização de filtros muito mais longos. Filtros mais curtos significam menos lag. As vantagens de usar o Laguerre Polynomials em filtros são demonstrados em indicadores e sistemas de troca automática. O artigo inclui código EasyLanguage. O Oscilador CG O Oscilador CG é único porque é um oscilador que é alisado e com zero atraso. Encontra o Centro de Gravidade (CG) dos valores de preço em um filtro FIR. O CG automaticamente tem o alisamento do filtro FIR (semelhante a uma média móvel simples), sendo a posição do CG exatamente em fase com o movimento de preços. O código EasyLanguage está incluído. Usando a Transformada do Fisher Muitos sistemas de negociação são projetados usando a suposição de que a distribuição de probabilidade dos preços tem uma Distribuição de Probabilidade Normal ou Gaussiana sobre a média. Na verdade, nada poderia estar mais longe da verdade. Este artigo descreve como o Fisher Transform converte dados para ter quase uma Distribuição de Probabilidade Normal. Dado que a Distribuição de Probabilidade é Normal após a aplicação da Transformada Fisher, os dados são usados ​​para criar pontos de entrada com precisão cirúrgica. O artigo inclui código EasyLanguage. A Transformação Inverse Fisher A Transformação Fisher Inverse pode ser usada para gerar um oscilador que muda rapidamente entre oversold e overbought sem whipsaws. Gaussian Filters Lag é a queda dos filtros de suavização. Este artigo mostra como o atraso pode ser reduzido e o melhor alinhamento de fidelidade é obtido reduzindo o atraso dos componentes de alta freqüência nos dados. É fornecida uma tabela completa de coeficientes de filtro de Gauss. Polos e Zeros Uma descrição de filtros digitais em termos de Z Transforms. As ramificações de filtros de ordem superior são descritas. Tabelas de coeficientes para 2 pólos e 2 filtros Pole Butterworth são dados. Média móvel adaptativa de Kaufman039s (KAMA) A média móvel móvel de Kaufman039s (KAMA) Introdução Desenvolvido por Perry Kaufman, a média móvel adaptável (KAMA) de Kaufman039s é uma média móvel projetada para contabilizar o mercado Ruído ou volatilidade. A KAMA acompanhará os preços quando os balanços de preços são relativamente pequenos e o ruído é baixo. KAMA irá se ajustar quando os balanços de preços se expandirem e seguirem os preços a uma distância maior. Este indicador de tendência pode ser usado para identificar a tendência geral, os pontos de viragem do tempo e os movimentos dos preços dos filtros. Cálculo Existem várias etapas necessárias para calcular a Média de Mudança Adaptativa de Kaufman039s. Let039s primeiro começar com as configurações recomendadas por Perry Kaufman, que são KAMA (10,2,30). 10 é o número de períodos para a Razão de Eficiência (ER). 2 é o número de períodos para a constante EMA mais rápida. 30 é o número de períodos para a constante EMA mais lenta. Antes de calcular o KAMA, precisamos calcular a Razão de Eficiência (ER) e a Constante de Suavização (SC). Divulgar a fórmula em nuggets de tamanho de mordida facilita a compreensão da metodologia por trás do indicador. Observe que o ABS significa Absolute Value. Razão de Eficiência (ER) O ER é basicamente a variação de preço ajustada pela volatilidade diária. Em termos estatísticos, a Razão de eficiência nos diz a eficiência fractal das mudanças de preços. ER flui entre 1 e 0, mas esses extremos são a exceção, não a norma. ER seria 1 se os preços subissem 10 períodos consecutivos ou 10 períodos consecutivos. ER seria zero se o preço for inalterado ao longo dos 10 períodos. Smoothing Constant (SC) A constante de suavização usa o ER e duas constantes de suavização com base em uma média móvel exponencial. Como você pode ter notado, a constante de suavização está usando as constantes de suavização para uma média móvel exponencial na sua fórmula. (2301) é a constante de suavização para uma EMA de 30 períodos. O SC mais rápido é a constante de suavização para EMA mais curto (2 períodos). O SC mais lento é a constante de suavização para o EMA mais lento (30 períodos). Observe que o 2 no final é quadrado da equação. Com a Razão de Eficiência (ER) e a Constante de Suavização (SC), agora estamos prontos para calcular a Média de Mudança Adaptativa de Kaufman039 (KAMA). Uma vez que precisamos de um valor inicial para iniciar o cálculo, o primeiro KAMA é apenas uma média móvel simples. Os seguintes cálculos são baseados na fórmula abaixo. Exemplo de cálculoChart As imagens abaixo mostram uma captura de tela de uma planilha do Excel usada para calcular KAMA e o gráfico QQQ correspondente. Uso e sinais Os cartistas podem usar o KAMA como qualquer outra tendência que acompanha o indicador, como uma média móvel. Os cartistas podem procurar cruzes de preços, mudanças direcionais e sinais filtrados. Primeiro, uma cruz acima ou abaixo da KAMA indica mudanças direcionais nos preços. Tal como acontece com qualquer média móvel, um sistema de cruzamento simples gerará muitos sinais e muitos whipsaws. Chartists podem reduzir whipsaws aplicando um filtro de preço ou tempo para os cruzamentos. Pode-se exigir que o preço mantenha a cruz por um número definido de dias ou que exijam que a cruze exceda KAMA por porcentagem definida. Em segundo lugar, os cartistas podem usar a direção da KAMA para definir a tendência geral de uma segurança. Isso pode exigir um ajuste de parâmetros para suavizar o indicador ainda mais. Os cartistas podem mudar o parâmetro do meio, que é a constante EMA mais rápida, para alisar o KAMA e procurar mudanças direcionais. A tendência está baixa enquanto a KAMA cair e forjar baixas mais baixas. A tendência aumenta enquanto a KAMA estiver aumentando e forjando altos altos. O exemplo de Kroger abaixo mostra KAMA (10,5,30) com uma tendência ascendente acentuada de dezembro a março e uma tendência ascendente menos escarpada de maio a agosto. E, finalmente, os chartists podem combinar sinais e técnicas. Os cartistas podem usar um KAMA de longo prazo para definir a maior tendência e um KAMA de prazo mais curto para sinais comerciais. Por exemplo, KAMA (10,5,30) poderia ser usado como um filtro de tendência e ser considerado otimista ao subir. Uma vez otimista, os carlos poderiam procurar cruzes de alta quando o preço se movesse acima de KAMA (10,2,30). O exemplo abaixo mostra MMM com um aumento de KAMA a longo prazo e cruzamentos de alta em dezembro, janeiro e fevereiro. KAMA de longo prazo recusou em abril e houve cruzamentos de baixa em maio, junho e julho. SharpCharts KAMA pode ser encontrado como uma sobreposição de indicadores no banco de trabalho SharpCharts. As configurações padrão aparecerão automaticamente na caixa de parâmetros uma vez que ela for selecionada e os autores podem alterar esses parâmetros de acordo com suas necessidades analíticas. O primeiro parâmetro é para a Razão de Eficiência e os autores devem abster-se de aumentar esse número. Em vez disso, os cartistas podem diminuí-lo para aumentar a sensibilidade. Os cartistas que procuram lidar com o KAMA para análise de tendências a longo prazo podem aumentar o parâmetro do meio de forma incremental. Mesmo que a diferença seja apenas 3, o KAMA (10,5,30) é significativamente mais suave do que KAMA (10,2,30). Estudo adicional Do criador, o livro abaixo oferece informações detalhadas sobre indicadores, programas, algoritmos e sistemas, incluindo detalhes sobre KAMA e outros sistemas de média móvel. Sistemas e Métodos de Negociação Perry Kaufman