De 7 fallgruver med bevegelige gjennomsnittsverdier Et glidende gjennomsnitt er gjennomsnittsprisen på en sikkerhet over en angitt tidsperiode. Analytikere bruker ofte bevegelige gjennomsnitt som et analytisk verktøy for å gjøre det lettere å følge markedstrender, ettersom verdipapirene beveger seg opp og ned. Flytte gjennomsnitt kan etablere trender og måle momentum. Derfor kan de brukes til å indikere når en investor bør kjøpe eller selge en bestemt sikkerhet. Investorer kan også bruke bevegelige gjennomsnitt for å identifisere støtte - eller motstandspunkter for å måle når prisene sannsynligvis vil endre retning. Ved å studere historiske handelsområder, opprettes støtte - og motstandspunkter hvor sikkerhetsprisen reverserer sin oppadgående eller nedadgående trend i fortiden. Disse punktene brukes da til å lage, kjøpe eller selge beslutninger. Dessverre er glidende gjennomsnitt ikke perfekte verktøy for å etablere trender, og de presenterer mange subtile, men betydelige, risikoer for investorer. Videre gjelder glidende gjennomsnitt ikke for alle typer bedrifter og næringer. Noen av de viktigste ulempene med bevegelige gjennomsnitt er: 1. Flytende gjennomsnitt trekker trender fra tidligere informasjon. De tar ikke hensyn til endringer som kan påvirke fremtidens ytelse for sikkerheten, for eksempel nye konkurrenter, høyere eller lavere etterspørsel etter produkter i bransjen, og endringer i selskapets ledelsesstruktur. 2. Ideelt sett vil et glidende gjennomsnitt vise en jevn forandring i prisen på en sikkerhet over tid. Dessverre går glidende gjennomsnitt ikke for alle bedrifter, spesielt for de i svært flyktige næringer eller de som er sterkt påvirket av dagens hendelser. Dette gjelder spesielt for oljeindustrien og høy spekulasjonsindustrien generelt. 3. Flytende gjennomsnitt kan spres over en tidsperiode. Dette kan imidlertid være problematisk fordi den generelle trenden kan endres vesentlig avhengig av tidsperioden som brukes. Kortere tidsrammer har mer volatilitet, mens lengre tidsrammer har mindre volatilitet, men tar ikke hensyn til nye endringer i markedet. Investorer må være forsiktig med hvilken tidsramme de velger, for å sikre at trenden er klar og relevant. 4. En pågående debatt er om det bør legges større vekt på de siste dagene i tidsperioden. Mange føler at nyere data bedre reflekterer hvilken retning sikkerheten beveger seg, mens andre føler at det gir noen dager mer vekt enn andre, forstyrrer utviklingen feil. Investorer som bruker ulike metoder for å beregne gjennomsnitt kan trekke helt forskjellige trender. (Lær mer i Simple vs Exponential Moving Average.) 5. Mange investorer hevder at teknisk analyse er en meningsløs måte å forutsi markedsadferd. De sier markedet har ingen minne og fortiden er ikke en indikator for fremtiden. Videre er det betydelig forskning for å få tilbake dette. For eksempel har Roy Nersesian gjennomført en studie med fem forskjellige strategier ved hjelp av bevegelige gjennomsnitt. Suksessraten for hver strategi varierte mellom 37 og 66. Denne undersøkelsen antyder at glidende gjennomsnitt bare gir resultater omtrent halvparten av tiden, noe som kan gjøre at de bruker et risikabelt proposisjon for effektivt timing av aksjemarkedet. 6. Verdipapirer viser ofte et syklisk mønster av oppførsel. Dette gjelder også for verktøyselskaper, som har jevn etterspørsel etter produkt fra år til år, men opplever sterke sesongmessige endringer. Selv om glidende gjennomsnitt kan bidra til å utjevne disse trendene, kan de også skjule det faktum at sikkerheten trender i et oscillerende mønster. (For å lære mer, se Hold øye med Momentum.) 7. Formålet med enhver trend er å forutse hvor prisen på et sikkerhetssystem vil være i fremtiden. Hvis en sikkerhet ikke trender i begge retninger, gir den ikke mulighet til å tjene på enten å kjøpe eller selge. Den eneste måten en investor kan være i stand til å profittere ville være å implementere en sofistikert, opsjonsbasert strategi som er avhengig av den gjenværende prisen stabil. Bottom Line Moving gjennomsnitt har blitt ansett som et verdifullt analytisk verktøy av mange, men for ethvert verktøy for å være effektivt må du først forstå funksjonen, når du skal bruke den og når du ikke skal bruke den. Faren som diskuteres her, indikerer at når gjennomsnittlig flytte ikke har vært et effektivt verktøy, for eksempel når det brukes med flyktige verdipapirer, og hvordan de kan overse visse viktige statistiske opplysninger, for eksempel sykliske mønstre. Det er også tvilsomt hvor effektive glidende gjennomsnitt er for nøyaktig å indikere prisutvikling. Gitt ulempene, kan bevegelige gjennomsnitt være et verktøy som er best brukt sammen med andre. Til slutt vil personlig erfaring være den ultimate indikatoren for hvor effektiv de egentlig er for din portefølje. (For mer, se Gjør Adaptive Moving Averages Lead To Better Results) Forskeren og ingeniører Guide til digital signalbehandling 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. Dobbeltflytende gjennomsnittlig filterbeskrivelse DoubleMovingAverageFilter implementerer et lavpass dobbeltflytende gjennomsnittlig filter. DoubleMovingAverageFilter er en del av Preprocessing Modules. Et eksempel på et signal (sinusbølgeavhengig støy) filtrert ved hjelp av et glidende gjennomsnittsfilter. Det røde signalet er den opprinnelige signalstøyen, det grønne signalet er det filtrerte signalet ved hjelp av et glidende gjennomsnittsfilter med en vindustørrelse på 5, og det blå signalet er det filtrerte signalet ved hjelp av et glidende gjennomsnittsfilter med en vindustørrelse på 20. DoubleMovingAverageFilterExampleImage1. jpg-fordeler DoubleMovingAverageFilter er bra for å fjerne en liten mengde høyfrekvent støy fra et N-dimensjonalt signal. Ulemper Den største ulempen ved DoubleMovingAverageFilter er at for å filtrere ut signifikant høyfrekvent støy, må filterstørrelsen på filteret være stor. Problemet med å ha et stort filtervindu er at dette vil forårsake stor latens i ethvert signal som passerer gjennom filteret, noe som kanskje ikke er fordelaktig for sanntidsapplikasjoner. Hvis du finner ut at du trenger et stort filtervindu for å filtrere ut høyfrekvent støy, og latensen fremvist av denne vinduets størrelse ikke passer for din sanntidsapplikasjon, vil du kanskje prøve et lavpassfilter i stedet. Eksempelkode GRT DoubleMovingAverageFilter Eksempel Dette eksempelet viser hvordan du lager og bruker GRT DoubleMovingAverageFilter PreProcessing Module. DoubleMovingAverageFilter implementerer et lavpass dobbeltflytende gjennomsnittlig filter. I dette eksemplet oppretter vi en forekomst av en DoubleMovingAverageFilter og bruker dette til å filtrere noen dummy data, generert fra en sinusbølge tilfeldig støy. Testsignalet og filtrerte signaler blir deretter lagret i en fil (slik at du kan plotte resultatene i Matlab, Excel, etc. hvis nødvendig). Dette eksemplet viser hvordan du: - Opprett en ny DoubleMovingAverageFilter-forekomst med en bestemt vindusstørrelse for et 1-dimensjonalt signal - Filtrer noen data ved hjelp av DoubleMovingAverageFilter - Lagre DoubleMovingAverageFilter-innstillingene i en fil - Legg inn DoubleMovingAverageFilter-innstillingene fra en fil, inkluderer quotGRT. hquot bruker navneområde GRT int main 40 int argc. const char argv 91 93 41 123 Opprett en ny forekomst av et dobbeltglasset gjennomsnittlig filter med en vindustørrelse på 5 for et 1-dimensjonalt signal DoubleMovingAverageFilter filter 40 5. 1 41 Opprett og åpne en fil for å lagre datafilens filfil. åpne 40 quotDoubleMovingAverageFilterData. txtquot. fstream. ut 41 Generer noen data (sinusbølge støy) og filtrer den dobbel x 0 const UINT M 1000 Tilfeldig tilfeldig for 40 UINT i 0 I lt I 41 123 dobbelt signal sin 40 x 41 tilfeldig. getRandomNumberUniform 40 - 0.2. 0,2 41 dobbeltfilterValuefilter. filter 40 signal 41 fil l ltt signal l lt kvittet filtrertValue LLT endl x TWOPI dobbelt 40 M 41 10 125 Lukk filfilen. lukk 40 41 Lagre filterinnstillingene til et filfilter. saveSettingsToFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 Vi kan da laste inn innstillingene senere hvis det er nødvendig, filter. loadSettingsFromFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 retur EXITSUCCESS 125 DoubleMovingAverageFilter fungerer også med ethvert N-dimensjonalt signal: Opprett en ny forekomst av DoubleMovingAverageFilter med en vindustørrelse på 10 for et tredimensjonalt signal DoubleMovingAverageFilter filter 40 10. 3 41 Verdien du vil filtrere vektor lt dobbelt gt data 40 3 41 data 91 0 93 0. Få verdi fra sensordata 91 1 93 0. Få verdi fra sensordata 91 2 93 0. Få verdi fra sensor Filtrer signalvektoren lt double gt filteredValue filter. filter 40 data 41
No comments:
Post a Comment