การย้าย ค่าเฉลี่ย ส่วนเบี่ยงเบน

ด้านล่างนี้คุณสามารถดูวิธี C ของฉันในการคำนวณ Bollinger Bands สำหรับแต่ละค่าเฉลี่ยเคลื่อนที่ขึ้นแถบขึ้นแถบลงคุณจะเห็นวิธีนี้ใช้ 2 สำหรับลูปในการคำนวณส่วนเบี่ยงเบนมาตรฐานเคลื่อนที่โดยใช้ค่าเฉลี่ยเคลื่อนที่โดยใช้วงรอบเพิ่มเติม เพื่อคำนวณค่าเฉลี่ยเคลื่อนที่ในช่วง n ล่าสุดฉันสามารถเอาออกโดยการเพิ่มค่าจุดใหม่เพื่อ totalaverage ที่จุดเริ่มต้นของลูปและลบค่าจุด n ในตอนท้ายของ loop. My คำถามตอนนี้เป็นพื้นสามารถ ฉันเอาห่วงที่เหลือภายในเช่นเดียวกับฉันจัดการกับ average. asked เคลื่อนไหว 31 มกราคม 13 ที่ 21 45 คำตอบคือใช่คุณสามารถในช่วงกลาง 80 s ฉันพัฒนาเพียงขั้นตอนวิธีอาจไม่เดิม FORTRAN สำหรับ การตรวจสอบกระบวนการและการประยุกต์ใช้การควบคุม แต่น่าเสียดายที่กว่า 25 ปีที่ผ่านมาและฉันจำไม่ได้ว่าสูตรที่แน่นอน แต่เทคนิคเป็นส่วนขยายของหนึ่งสำหรับการย้ายค่าเฉลี่ยที่มีการคำนวณคำสั่งที่สองแทนเพียงคนเชิงเส้นหลังจากมอง t รหัสของคุณบางฉันคิดว่าฉันสามารถ suss ออกว่าฉันได้กลับแล้วสังเกตว่าห่วงภายในของคุณคือการรวม Squares. in มากเช่นเดียวกับที่ค่าเฉลี่ยของคุณต้องมีเดิมมีมูลค่ารวมเพียงสอง ความแตกต่างเป็นลำดับอำนาจของ 2 แทน 1 และที่คุณกำลังลบค่าเฉลี่ยแต่ละค่าก่อนที่คุณจะสแควร์ตอนนี้ที่อาจดูแยกออกไม่ได้ แต่ในความเป็นจริงพวกเขาสามารถแยกออกได้ตอนแรกระยะเป็นเพียงผลรวมของสี่เหลี่ยมคุณจัดการ ว่าในทางเดียวกันกับที่คุณทำผลรวมของค่าสำหรับค่าเฉลี่ยคำสุดท้าย k 2 n เป็นเพียงค่าเฉลี่ยของกำลังสองเท่าของรอบระยะเวลาเนื่องจากคุณแบ่งผลตามระยะเวลาต่อไปคุณสามารถเพิ่มค่าเฉลี่ยใหม่ที่ยกกำลังสองโดยไม่เพิ่มค่า loop. Finally ในระยะที่สอง SUM -2 vik เนื่องจาก SUM vi ทั้งหมด kn แล้วคุณสามารถเปลี่ยนเป็น this. or เพียง -2 k 2 n ซึ่งเป็น -2 เท่าของค่าเฉลี่ยถ่วงน้ำหนักเมื่อช่วง n ถูกแบ่งออกอีกครั้ง ดังนั้นสูตรรวมสุดท้ายคือ ตรวจสอบเพื่อตรวจสอบความถูกต้องของการนี้เนื่องจากฉัน deriving มันปิดด้านบนของหัวของฉันและ incorporating ลงในรหัสของคุณควรมีลักษณะเช่นนี้ปัญหากับวิธีการที่คำนวณผลรวมของสี่เหลี่ยมคือว่าและตารางผลรวม จะได้รับค่อนข้างใหญ่และการคำนวณความแตกต่างของพวกเขาอาจทำให้เกิดข้อผิดพลาดที่มีขนาดใหญ่มากดังนั้นลองคิดถึงบางสิ่งบางอย่างที่ดีกว่าด้วยเหตุนี้จึงเป็นสิ่งจำเป็นโปรดดูบทความ Wikipedia เกี่ยวกับอัลกอริทึมสำหรับการคำนวณความแปรปรวนและ John Cook ในคำอธิบายทางทฤษฎีสำหรับผลลัพธ์ที่เป็นตัวเลข First แทนการคำนวณ stddev ให้ s เน้นความแปรปรวนเมื่อเรามีความแปรปรวน stddev เป็นเพียงรากที่สองของความแปรปรวนสมมติว่าข้อมูลอยู่ในอาร์เรย์ที่เรียกว่า x กลิ้งหน้าต่าง n โดยหนึ่งสามารถคิดเป็น ลบค่าของ x 0 และเพิ่มค่าของ xn Let s หมายถึงค่าเฉลี่ยของ x 0 x n-1 และ x 1 xn ตามและตามลำดับความแตกต่างระหว่างความผันแปรของ x 0 x n-1 และ x 1 xn คือหลังจาก ยกเลิกเงื่อนไขและข้อตกลง ga - ab ab ดังนั้นความแปรปรวนจะถูกรบกวนโดยสิ่งที่ doesn t คุณต้องรักษาผลรวมของสี่เหลี่ยมซึ่งจะดีกว่าสำหรับ accuracy. You ตัวเลขสามารถคำนวณค่าเฉลี่ยและความแปรปรวนครั้งในการเริ่มต้นด้วยวิธีที่เหมาะสม Welford วิธีหลัง ว่าทุกครั้งที่คุณต้องเปลี่ยนค่าในหน้าต่าง x 0 โดย xn อื่นคุณอัปเดตค่าเฉลี่ยและความแปรปรวนเช่น this. Thanks นี้ฉันใช้เป็นพื้นฐานของการดำเนินการใน C สำหรับ CLR ฉันพบว่าในทางปฏิบัติ คุณอาจปรับปรุงเช่นว่า newVar เป็นจำนวนลบมากขนาดเล็กและ sqrt ล้มเหลวฉันแนะนำถ้าจะ จำกัด ค่าศูนย์สำหรับกรณีนี้ไม่คิด แต่มั่นคงนี้เกิดขึ้นเมื่อทุกค่าในหน้าต่างของฉันมีค่าเดียวกันฉันใช้ ขนาดของหน้าต่าง 20 และค่าในคำถามเป็น 0 5 ในกรณีที่มีคนต้องการที่จะลองและทำซ้ำ Drew Noakes นี้ 26 กรกฎาคมที่ 15 25. ฉันเคยใช้คอมมอนส์คณิตศาสตร์และสนับสนุนการที่ห้องสมุดสำหรับบางสิ่งบางอย่างที่คล้ายกับนี้ s open-source, porting ไปยัง C ควร b e ง่ายเป็นพายเก็บซื้อได้คุณพยายามทำวงกลมตั้งแต่เริ่มต้นตรวจสอบออกพวกเขามีชั้น StandardDeviation ไป town. answered 31 มกราคม 13 ที่ 21 48.You ยินดีต้อนรับฉัน didn t มีคำตอบที่คุณกำลังมองหาฉัน แน่นอน didn t หมายถึงการแนะนำ porting ห้องสมุดทั้งหมดเพียงรหัสที่จำเป็นขั้นต่ำซึ่งควรจะไม่กี่ร้อยบรรทัดหรือดังนั้นโปรดทราบว่าฉันมีความคิดว่ากฎหมายข้อ จำกัด ลิขสิทธิ์ apache มีในรหัสที่ไม่ดังนั้นคุณต้องมีการตรวจสอบว่าใน กรณีที่คุณติดตามมันนี่คือลิงค์เพื่อให้ Variance FastMath Jason 31 มกราคม 13 ที่ 22 36 ข้อมูลที่สำคัญที่สุดได้รับแล้วให้เหนือ - แต่บางทีนี้ยังคงเป็นดอกเบี้ยทั่วไปห้องสมุด Java เล็ก ๆ ในการคำนวณค่าเฉลี่ยเคลื่อนที่และ ส่วนเบี่ยงเบนมาตรฐานมีอยู่ที่นี่การใช้งานขึ้นอยู่กับรูปแบบวิธี Welford ที่กล่าวมาข้างต้นวิธีการลบและแทนที่ค่าที่ได้รับมาซึ่งสามารถใช้สำหรับการย้ายหน้าต่างค่าได้ในทางปฏิบัติค่าเฉลี่ยเคลื่อนที่จะให้ค่าประมาณที่ดี ค่าเฉลี่ยของชุดเวลาถ้าค่าเฉลี่ยมีค่าคงที่หรือค่อยๆเปลี่ยนแปลงในกรณีค่าคงที่ค่าคงที่ค่าที่มากที่สุดของ m จะให้ค่าประมาณที่ดีที่สุดของค่าเฉลี่ยค่าเฉลี่ยระยะเวลาการสังเกตนานขึ้นจะเฉลี่ยผลกระทบของความแปรปรวนวัตถุประสงค์ของ การให้ m ที่เล็กกว่าคือการทำให้การคาดการณ์สามารถตอบสนองต่อการเปลี่ยนแปลงในกระบวนการอ้างอิงเพื่อแสดงให้เราเห็นชุดข้อมูลที่รวมการเปลี่ยนแปลงค่าเฉลี่ยของชุดค่าผสมเวลาชุดภาพแสดงชุดข้อมูลเวลาที่ใช้ในการแสดงร่วมกับค่าเฉลี่ย ความต้องการเริ่มต้นเป็นค่าคงที่ที่ 10 เริ่มต้นที่ 21 เวลาจะเพิ่มขึ้นโดยหนึ่งหน่วยในแต่ละงวดจนกว่าจะถึงค่า 20 ที่เวลา 30 แล้วมันจะกลายเป็นค่าคงที่อีกครั้งข้อมูลจะถูกจำลองโดยการเพิ่มไปยัง ค่าเฉลี่ยเสียงรบกวนสุ่มจากการแจกแจงแบบปกติที่มีค่าเฉลี่ยศูนย์และส่วนเบี่ยงเบนมาตรฐาน 3 ผลของการจำลองจะถูกปัดเศษให้เป็นจำนวนเต็มใกล้ที่สุดตารางแสดงการสังเกตแบบจำลองที่ใช้สำหรับ t เขาตัวอย่างเมื่อเราใช้ตารางเราต้องจำไว้ว่าในเวลาใดก็ตามข้อมูลที่ผ่านมาเป็นที่รู้จักเท่านั้นค่าประมาณของพารามิเตอร์แบบจำลองสำหรับค่าที่แตกต่างกันสามค่าของ m จะแสดงพร้อมกับค่าเฉลี่ยของชุดเวลาใน รูปที่แสดงค่าประมาณเฉลี่ยเคลื่อนที่ของค่าเฉลี่ยในแต่ละครั้งและไม่คาดการณ์การคาดการณ์จะเปลี่ยนเส้นโค้งค่าเฉลี่ยเคลื่อนที่ไปทางขวาตามช่วงเวลาหนึ่งข้อสรุปจะเห็นได้ชัดทันทีจากตัวเลขสำหรับทั้งสามค่าประมาณค่าเฉลี่ยเคลื่อนที่ล่าช้าอยู่เบื้องหลัง แนวโน้มเชิงเส้นกับความล่าช้าที่เพิ่มขึ้นด้วย m ความล่าช้าคือระยะห่างระหว่างรูปแบบกับการประมาณค่าในมิติเวลาเนื่องจากความล่าช้าค่าเฉลี่ยเคลื่อนที่ประเมินค่าต่ำกว่าค่าสังเกตเป็นค่าเฉลี่ยจะเพิ่มขึ้นค่าความลำเอียงของตัวประมาณคือความแตกต่างที่ เวลาที่ระบุในค่าเฉลี่ยของแบบจำลองและค่าเฉลี่ยที่คาดการณ์โดยค่าเฉลี่ยเคลื่อนที่ค่าเฉลี่ยเมื่อค่าเฉลี่ยเพิ่มขึ้นเป็นค่าลบสำหรับค่าเฉลี่ยที่ลดลงความอคติเป็นบวกความล่าช้าใน เวลาและความลำเอียงที่นำมาใช้ในการประมาณค่าเป็นฟังก์ชันของ m ค่า m มีค่าขนาดของความล่าช้าและความลำเอียงที่ใหญ่ขึ้นสำหรับชุดที่เพิ่มขึ้นอย่างต่อเนื่องโดยมีค่าเป็นค่า lag และ bias ของ estimator ของค่าเฉลี่ยจะได้รับใน สมการด้านล่างนี้เส้นโค้งตัวอย่างไม่ตรงกับสมการเหล่านี้เนื่องจากแบบจำลองตัวอย่างไม่ได้เพิ่มขึ้นอย่างต่อเนื่องแทนที่จะเริ่มต้นเป็นค่าคงที่การเปลี่ยนแปลงแนวโน้มแล้วจะกลายเป็นค่าคงที่อีกครั้งนอกจากนี้เส้นโค้งตัวอย่างจะได้รับผลกระทบจากเสียงเฉลี่ยเคลื่อนที่ การคาดการณ์ของระยะเวลาในอนาคตจะแสดงโดยขยับเส้นโค้งไปทางขวาล่าช้าและอคติเพิ่มขึ้นตามสัดส่วนสมการด้านล่างแสดงความล่าช้าและความลำเอียงของระยะเวลาคาดการณ์ในอนาคตเมื่อเทียบกับพารามิเตอร์ของโมเดลอีกครั้งสูตรเหล่านี้เป็นเวลา series ที่มีแนวโน้มเชิงเส้นคงที่เราไม่ควรแปลกใจที่ผลลัพธ์นี้ค่าประมาณค่าเฉลี่ยเคลื่อนที่จะขึ้นอยู่กับสมมติฐานของค่าคงที่และตัวอย่างมีเส้นตรง end ในค่าเฉลี่ยในช่วงระยะเวลาการศึกษาเนื่องจากชุดเวลาจริงจะไม่ค่อยปฏิบัติตามสมมติฐานของรูปแบบใด ๆ เราควรจะเตรียมไว้สำหรับผลดังกล่าวเรายังสามารถสรุปจากรูปที่แปรปรวนของเสียงที่มีผลมากที่สุด สำหรับขนาดเล็ก m ค่าประมาณมีความผันผวนมากขึ้นสำหรับค่าเฉลี่ยเคลื่อนที่ 5 กว่าค่าเฉลี่ยเคลื่อนที่ของ 20 เรามีความต้องการที่ขัดแย้งกันในการเพิ่ม m เพื่อลดผลกระทบของความแปรปรวนเนื่องจากเสียงรบกวนและลด m เพื่อให้การคาดการณ์ตอบสนองได้ดีขึ้น การเปลี่ยนแปลงค่าเฉลี่ยข้อผิดพลาดคือความแตกต่างระหว่างข้อมูลจริงและค่าคาดการณ์ถ้าชุดข้อมูลเวลาเป็นค่าคงที่ค่าที่คาดหวังของข้อผิดพลาดเป็นศูนย์และความแปรปรวนของข้อผิดพลาดจะประกอบด้วยคำที่เป็นฟังก์ชัน และระยะที่สองคือความแปรปรวนของเสียงระยะแรกเป็นค่าความแปรปรวนของค่าเฉลี่ยที่ประมาณด้วยตัวอย่างของการสังเกตการณ์ m สมมติว่าข้อมูลมาจากประชากรที่มีความหมายคงที่คำนี้มีขนาดเล็ก m ขนาดใหญ่โดยทำให้ m มีขนาดใหญ่ที่สุด M ที่มีขนาดใหญ่ทำให้การคาดการณ์ไม่ตอบสนองต่อการเปลี่ยนแปลงในชุดข้อมูลอ้างอิงอ้างอิงเพื่อให้การคาดการณ์ที่ตอบสนองต่อการเปลี่ยนแปลงเราต้องการให้ m มีขนาดเล็กที่สุดเท่าที่จะเป็นไปได้ 1 แต่จะเพิ่มความแปรปรวนของข้อผิดพลาด ค่ากลางค่าใช้สอนกับ Excel การคาดการณ์ add-in จะใช้สูตรค่าเฉลี่ยเคลื่อนที่ตัวอย่างด้านล่างแสดงการวิเคราะห์โดย add-in สำหรับข้อมูลตัวอย่างในคอลัมน์ B การสังเกตแรกมีการทำดัชนี -9 ถึง 0 เปรียบเทียบกับตาราง ข้างต้นดัชนีระยะเวลาจะเปลี่ยนไป -10 การสังเกตสิบข้อแรกให้ค่าเริ่มต้นสำหรับการประมาณและใช้คำนวณค่าเฉลี่ยเคลื่อนที่สำหรับช่วงเวลา 0 MA 10 คอลัมน์ C แสดงค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ค่าเฉลี่ยเคลื่อนที่ m อยู่ใน เซลล์ C3 Fore 1 คอลัมน์ D แสดงการคาดการณ์สำหรับระยะเวลาหนึ่งในอนาคตช่วงคาดการณ์อยู่ในเซลล์ D3 เมื่อช่วงคาดการณ์มีการเปลี่ยนแปลงไปเป็นตัวเลขที่มีขนาดใหญ่ตัวเลขใน Fore c olumn 1 คอลัมน์ E แสดงความแตกต่างระหว่างการสังเกตและการคาดการณ์ตัวอย่างเช่นการสังเกตเวลา 1 คือ 6 ค่าที่คาดการณ์ได้จากค่าเฉลี่ยเคลื่อนที่ที่ 0 คือ 11 1 ข้อผิดพลาดคือ -5 1 ค่าเบี่ยงเบนมาตรฐานและค่าเฉลี่ยส่วนเบี่ยงเบนเฉลี่ย MAD คำนวณในเซลล์ E6 และ E7 ตามลำดับค่าเฉลี่ย - MA. BREAKING DOWN ค่าเฉลี่ยเคลื่อนที่ - MA เป็นตัวอย่าง SMA พิจารณาการรักษาความปลอดภัยโดยมีราคาปิดดังต่อไปนี้เกินกว่า 15 วันสัปดาห์ที่ผ่านมา 1 5 วัน 20, 22, 24, 25, 23.Week 2 5 วัน 26, 28, 26, 29, 27.Week 3 5 วัน 28, 30, 27, 29, 28. MA 10 วันจะเฉลี่ยราคาปิดสำหรับ 10 วันแรกเป็นจุดข้อมูลแรกจุดข้อมูลถัดไปจะลดราคาเร็วที่สุดเพิ่มราคาในวันที่ 11 และใช้ค่าเฉลี่ยและอื่น ๆ ตามที่แสดงด้านล่างดังที่ระบุไว้ก่อนหน้านี้ MAs ล่าช้าในการดำเนินการราคาปัจจุบันเพราะพวกเขาจะขึ้น เมื่อราคาที่ผ่านมาระยะเวลาที่ยาวนานสำหรับ MA มากขึ้นความล่าช้ามากขึ้นดังนั้น MA 200 วันจะมีระดับความล่าช้ามากกว่า MA 20 วันเนื่องจากมีราคาในช่วง 200 วันที่ผ่านมาความยาวของ MA ที่จะใช้ขึ้นอยู่กับวัตถุประสงค์การซื้อขายโดย MAs สั้นที่ใช้สำหรับการซื้อขายระยะสั้นและระยะยาว MAs เหมาะสำหรับนักลงทุนระยะยาว 200 วันตามด้วยนักลงทุนและผู้ค้าที่มีการพักเหนือและต่ำกว่าค่าเฉลี่ยเคลื่อนที่นี้ถือเป็นสัญญาณการซื้อขายที่สำคัญนอกจากนี้ MMA ยังให้สัญญาณการซื้อขายที่สำคัญด้วยตัวเองหรือเมื่อสองค่าเฉลี่ยข้าม MA ที่เพิ่มขึ้นแสดงให้เห็นว่าการรักษาความปลอดภัยคือ ในระยะเทรดขณะที่ MA ลดลงบ่งบอกว่าอยู่ในขาลงเช่นกันโมเมนตัมสูงขึ้นได้รับการยืนยันด้วยการครอสโอเวอร์แบบ bullish ซึ่งเกิดขึ้นเมื่อ MA ระยะสั้นทะลุเหนือโมเมนตัมด้าน MA ระยะยาวได้รับการยืนยันโดยมีการครอสโอเวอร์แบบลบซึ่งเกิดขึ้น เมื่อ MA ระยะสั้นพาดผ่าน MA ระยะยาว