Enkel Bevegelse Gjennomsnittet Eksempel Matlab

Enkelt flytende gjennomsnitt - SMA BREAKING DOWN Enkelt flytende gjennomsnitt - SMA Et enkelt bevegelige gjennomsnitt er tilpassbart ved at det kan beregnes for et annet antall tidsperioder, ganske enkelt ved å legge til sluttkurs for sikkerheten i et antall tidsperioder og deretter dele dette totalt etter antall tidsperioder, som gir gjennomsnittsprisen på sikkerheten over tidsperioden. Et enkelt glidende gjennomsnitt svekker ut volatiliteten, og gjør det enklere å se prisutviklingen av et sikkerhetssystem. Hvis det enkle glidende gjennomsnittet peker opp, betyr dette at sikkerhetsprisen øker. Hvis det peker ned, betyr det at sikkerhetsprisen faller. Jo lengre tidsramme for glidende gjennomsnitt, jo glattere det enkle glidende gjennomsnittet. Et kortere glidende gjennomsnitt er mer volatilt, men lesingen er nærmere kildedataene. Analytisk betydning Flytende gjennomsnitt er et viktig analytisk verktøy som brukes til å identifisere dagens prisutvikling og potensialet for endring i en etablert trend. Den enkleste formen av å bruke et enkelt bevegelige gjennomsnitts i analyse, bruker det til å raskt identifisere om en sikkerhet er i en opptrinn eller nedtrengning. Et annet populært, om enn litt mer komplekst analytisk verktøy, er å sammenligne et par enkle bevegelige gjennomsnitt med hver dekning forskjellige tidsrammer. Hvis et kortere sikt enkelt glidende gjennomsnitt er over et langsiktig gjennomsnitt, forventes en opptrend. På den annen side signalerer et langsiktig gjennomsnitt over et kortere sikt gjennomsnitt en nedadgående bevegelse i trenden. Populære handelsmønstre To populære handelsmønstre som bruker enkle bevegelige gjennomsnitt inkluderer dødskrysset og et gyldent kors. Et dødskors oppstår når 50-dagers enkelt glidende gjennomsnitt krysser under 200-dagers glidende gjennomsnitt. Dette betraktes som et bearish signal, at ytterligere tap er i butikk. Gullkorset oppstår når et kortsiktig glidende gjennomsnitt bryter over et langsiktig glidende gjennomsnitt. Forsterket av høye handelsvolumer, kan dette signalere ytterligere gevinster i butikken. 29 september 2013 Flytte gjennomsnitt ved konvolusjon Hva er glidende gjennomsnitt og hva er det bra for Hvordan flytter gjennomsnittet gjort ved å bruke convolution Flytte gjennomsnitt er en enkel operasjon som vanligvis brukes til å undertrykke støy av et signal: vi setter verdien av hvert punkt til gjennomsnittet av verdiene i nabolaget. Med en formel: Her er x inngangen, og y er utgangssignalet, mens størrelsen på vinduet er w, skulle være merkelig. Formelen ovenfor beskriver en symmetrisk operasjon: prøvene tas fra begge sider av det aktuelle punktet. Nedenfor er et virkelighetseksempel. Det punktet som vinduet ligger faktisk er rødt. Verdier utenfor x skal være nuller: For å spille rundt og se effekten av glidende gjennomsnitt, ta en titt på denne interaktive demonstrasjonen. Slik gjøres det ved konvolusjon Som du kanskje har gjentatt, beregner det enkle glidende gjennomsnittet likningen: i begge tilfeller skyves et vindu langs signalet og elementene i vinduet oppsummeres. Så, prøv å gjøre det samme ved å bruke konvolusjon. Bruk følgende parametre: Ønsket utgang er: Som første tilnærming, la oss prøve det vi får ved å samle x-signalet med følgende k-kjerne: Utgangen er nøyaktig tre ganger større enn den forventede. Det kan også ses at utgangsvurderingene er oppsummeringen av de tre elementene i vinduet. Det er fordi under konvolusjonen glir vinduet sammen, alle elementene i det blir multiplisert med en og deretter oppsummert: yk 1 cdot x 1 cdot x 1 cdot x For å få de ønskede verdiene for y. Utgangen skal deles med 3: Ved en formel som inkluderer divisjonen: Men ville det ikke være optimal å gjøre avdelingen under konvolusjonen. Her kommer ideen ved å omplassere ligningen: Så vi skal bruke følgende k-kjerne: På denne måten vil vi få ønsket utdata: Generelt: hvis vi ønsker å gjøre bevegelige gjennomsnitt ved konvolusjon som har en vindusstørrelse på w. Vi skal bruke følgende k-kjerne: En enkel funksjon som gjør det bevegelige gjennomsnittet er: Et eksempelbruk er: Last ned movAv. m (se også movAv2 - en oppdatert versjon som tillater vekting) Beskrivelse Matlab inkluderer funksjoner som kalles movavg og tsmovavg gjennomsnittlig) i Financial Toolbox, er movAv designet for å gjenskape de grunnleggende funksjonalitetene til disse. Koden her gir et godt eksempel på å administrere indekser i looper, som kan være forvirrende til å begynne med. Jeg har bevisst holdt koden kort og enkel å holde denne prosessen klar. movAv utfører et enkelt glidende gjennomsnitt som kan brukes til å gjenopprette støyende data i noen situasjoner. Det fungerer ved å ta et middel av inngangen (y) over et glidende tidvindu, hvis størrelse er spesifisert av n. Jo større n er, desto større er utjevningen av effekten av n i forhold til lengden på inngangsvektoren y. og effektivt (vel slags) skaper et lavpassfrekvensfilter - se avsnittet om eksempler og overveier. Fordi mengden av utjevning som tilbys av hver verdi av n er i forhold til lengden på inngangsvektoren, er den alltid verdt å teste forskjellige verdier for å se hva som passer. Husk også at n poeng går tapt på hvert gjennomsnitt hvis n er 100, inneholder de første 99 punktene i inngangsvektoren ikke nok data for et gjennomsnitt på 100pt. Dette kan unngås noe ved å stable gjennomsnitt, for eksempel, koden og grafen nedenfor, sammenligner en rekke vinduer med gjennomsnittlig lengde. Legg merke til hvor glatt 1010pt er sammenlignet med et enkelt 20pt gjennomsnitt. I begge tilfeller går 20 poeng i tap totalt. Opprett xaxis x1: 0.01: 5 Generer støystøyReps 4 støy repmat (randn (1, ceil (numel (x) noiseReps)), noiseReps, 1) støy reshape (støy, 1, lengde (støy) noiseReps) Generer ydata støy yexp x) 10noise (1: lengde (x)) Gjennomsnittlig gjennomsnitt: y2 movAv (y, 10) 10 pt y3 movAv (y2, 10) 1010 pt y4 movAv (y, 20) 20 pt y5 movAv (y, 40) 40 pt y6 movAv (y, 100) 100 pt Plot-figurplot (x, y, y2, y3, y4, y5, y6) legenden (Rå data, 10pt glidende gjennomsnitt, 1010pt, 20pt, 40pt, 100pt) xlabel (x) ylabel y) tittel (Sammenligning av bevegelige gjennomsnittsverdier) movAv. m-kode gjennomgående funksjonsutgang movAv (y, n) Den første linjen definerer funksjonsnavn, innganger og utganger. Inngangen x skal være en vektor med data for å utføre gjennomsnittet, n skal være antall poeng som skal utføre gjennomsnittet over utgang vil inneholde gjennomsnittlig data returnert av funksjonen. Preallocate output outputNaN (1, numel (y)) Finn midtpunkt for n midPoint runde (n2) Hovedarbeidet av funksjonen er gjort i forløp, men før du starter, blir to ting forberedt. For det første er produksjonen forhåndsallokert som NaNs, dette tjente to formål. For det første er forallokering generelt god praksis, da det reduserer minnesjonglingen Matlab må gjøre, for det andre gjør det veldig enkelt å sette de gjennomsnittlige dataene i en utgang i samme størrelse som inngangsvektoren. Dette betyr at den samme xaxis kan brukes senere for begge, noe som er praktisk for plotting, alternativt kan NaNs fjernes senere i en linje med kode (utdatautgang (Den variable midpoint vil bli brukt til å justere dataene i utgangsvektoren. n 10, vil 10 poeng gå tapt fordi for de første 9 poengene til inngangsvektoren er det ikke nok data til å ta et 10-punkts gjennomsnitt. Da utgangen vil bli kortere enn inngangen, må den justeres riktig. bli brukt, slik at en lik mengde data går tapt ved start og slutt, og inngangen holdes justert med utgangen av NaN buffere opprettet ved preallokering av utgang. For en 1: lengde (y) - n Finn indeksområdet for å ta gjennomsnitt over (a: b) forbud Beregn gjennomsnittlig utgang (amidPoint) gjennomsnittlig (y (a: b)) ende I selve forløpet er et gjennomsnitt tatt over hvert påfølgende segment av inngangen. Sløyfen løper for a. definert som 1 opp til lengden på inngangen (y), minus dataene som vil gå tapt (n). Hvis inngangen er 100 poeng lo ng og n er 10, vil løkken løpe fra (a) 1 til 90. Dette betyr at den første indeksen til segmentet blir gjennomsnittlig. Den andre indeksen (b) er ganske enkelt an-1. Så på den første iterasjonen, a1. n10. så b 11-1 10. Det første gjennomsnittet er tatt over y (a: b). eller x (1:10). Gjennomsnittet for dette segmentet, som er en enkelt verdi, lagres i produksjonen på indeksen amidPoint. eller 156. På den andre iterasjonen, a2. b 210-1 11. så er gjennomsnittet tatt over x (2:11) og lagret i utgang (7). På den siste iterasjonen av løkken for en inngang på lengde 100, a91. b 9010-1 100, slik at gjennomsnittet blir tatt over x (91: 100) og lagret i utgang (95). Dette etterlater produksjonen med totalt n (10) NaN-verdier ved indeks (1: 5) og (96: 100). Eksempler og overveier Flytte gjennomsnitt er nyttige i noen situasjoner, men de er ikke alltid det beste valget. Her er to eksempler hvor de ikke nødvendigvis er optimale. Mikrofonkalibrering Dette datasettet representerer nivåene av hver frekvens produsert av en høyttaler og registrert av en mikrofon med en kjent lineær respons. Høyttalerenes utgang varierer med frekvens, men vi kan korrigere for denne variasjonen med kalibreringsdataene. Utgangen kan justeres på nivå for å ta hensyn til svingningene i kalibreringen. Legg merke til at rådataene er støyende - det betyr at en liten endring i frekvens ser ut til å kreve en stor, uregelmessig, endring i nivå for å ta hensyn til. Er dette realistisk eller er dette et produkt av opptaksmiljøet. Det er i dette tilfellet rimelig å bruke et glidende gjennomsnitt som jevner ut nivåfrekvenskurven for å gi en kalibreringskurve som er litt mindre uregelmessig. Men hvorfor er dette ikke det beste i dette eksemplet Flere data ville være bedre - flere kalibreringer kjører i gjennomsnitt sammen vil ødelegge støyen i systemet (så lenge det er tilfeldig) og gi en kurve med mindre subtile detaljer tapt. Det bevegelige gjennomsnittet kan kun omtrentliggjøre dette, og kan fjerne noen høyere frekvensdips og topper fra kurven som virkelig eksisterer. Sinbølger Ved å bruke et glidende gjennomsnitt på sinusbølger fremheves to poeng: Det generelle spørsmålet om å velge et rimelig antall poeng for å utføre gjennomsnittet over. Det er enkelt, men det er mer effektive metoder for signalanalyse enn gjennomsnittlig oscillerende signaler i tidsdomene. I denne grafen er den opprinnelige sinusbølgen plottet i blått. Støy er lagt til og tegnet som oransje kurven. Et glidende gjennomsnitt utføres på forskjellige antall punkter for å se om den opprinnelige bølgen kan gjenvinnes. 5 og 10 poeng gir rimelige resultater, men fjerner ikke støyen helt, hvor like større antall poeng begynner å miste amplitudedetalj som gjennomsnittet strekker seg over forskjellige faser (husk at bølgen oscillerer rundt null og mener (-1 1) 0) . En alternativ tilnærming ville være å konstruere et lavpassfilter enn det som kan påføres signalet i frekvensdomenet. Jeg kommer ikke til å gå i detalj som det går ut over omfanget av denne artikkelen, men da støyen er betydelig høyere frekvens enn bølgenees grunnfrekvens, ville det være ganske enkelt i dette tilfellet å konstruere et lavpassfilter enn å fjerne høyfrekvensen bråk.