Exponentielle gleitende mittlere mathematik

Vorhersage von Smoothing Techniques Diese Seite ist ein Teil der JavaScript E-Labs Lernobjekte für die Entscheidungsfindung. Andere JavaScript in dieser Serie sind unter verschiedenen Bereichen von Anwendungen im Abschnitt MENU auf dieser Seite kategorisiert. Eine Zeitreihe ist eine Folge von Beobachtungen, die zeitlich geordnet sind. Inhärent in der Sammlung von Daten über die Zeit genommen ist eine Form der zufälligen Variation. Es gibt Methoden zur Verringerung der Annullierung der Wirkung aufgrund zufälliger Variation. Weit verbreitete Techniken sind Glättung. Diese Techniken, wenn richtig angewandt, zeigt deutlicher die zugrunde liegenden Trends. Geben Sie die Zeitreihe Row-weise in der Reihenfolge beginnend mit der linken oberen Ecke und den Parametern ein, und klicken Sie dann auf die Schaltfläche Berechnen, um eine Prognose für eine Periode zu erhalten. Blank Boxen sind nicht in den Berechnungen, sondern Nullen enthalten. Wenn Sie Ihre Daten eingeben, um von Zelle zu Zelle in der Daten-Matrix zu bewegen, verwenden Sie die Tabulatortaste nicht Pfeil oder geben Sie die Tasten ein. Merkmale der Zeitreihen, die durch die Untersuchung seines Graphen aufgezeigt werden könnten. Mit den prognostizierten Werten und dem Residualverhalten, Condition Prognose Modellierung. Moving Averages: Gleitende Durchschnitte zählen zu den beliebtesten Techniken für die Vorverarbeitung von Zeitreihen. Sie werden verwendet, um zufälliges weißes Rauschen aus den Daten zu filtern, um die Zeitreihe glatter zu machen oder sogar bestimmte in der Zeitreihe enthaltene Informationskomponenten zu betonen. Exponentialglättung: Dies ist ein sehr populäres Schema, um eine geglättete Zeitreihe zu erzeugen. Während in den gleitenden Durchschnitten die bisherigen Beobachtungen gleich gewichtet werden, erhält die exponentielle Glättung exponentiell abnehmende Gewichte, wenn die Beobachtung älter wird. Mit anderen Worten, die jüngsten Beobachtungen sind relativ mehr Gewicht in der Prognose gegeben als die älteren Beobachtungen. Double Exponential Smoothing ist besser im Umgang mit Trends. Triple Exponential Smoothing ist besser im Umgang mit Parabeltrends. Ein exponentiell gewichteter gleitender Durchschnitt mit einer Glättungskonstanten a. Entspricht in etwa einem einfachen gleitenden Durchschnitt der Länge (d. h. Periode) n, wobei a und n durch a 2 / (n1) OR n (2 - a) / a verknüpft sind. So würde beispielsweise ein exponentiell gewichteter gleitender Durchschnitt mit einer Glättungskonstante gleich 0,1 etwa einem 19 Tage gleitenden Durchschnitt entsprechen. Und ein 40 Tage einfacher gleitender Durchschnitt würde etwa einem exponentiell gewichteten gleitenden Durchschnitt mit einer Glättungskonstanten gleich 0,04878 entsprechen. Holts Lineare Exponentialglättung: Angenommen, die Zeitreihe ist nicht saisonal, sondern zeigt Trend. Holts-Methode schätzt sowohl das aktuelle Niveau als auch den aktuellen Trend. Beachten Sie, dass der einfache gleitende Durchschnitt ein Spezialfall der exponentiellen Glättung ist, indem die Periode des gleitenden Mittelwertes auf den ganzzahligen Teil von (2-Alpha) / Alpha gesetzt wird. Für die meisten Geschäftsdaten ist ein Alpha-Parameter kleiner als 0,40 oft effektiv. Man kann jedoch eine Gittersuche des Parameterraums mit 0,1 bis 0,9 mit Inkrementen von 0,1 durchführen. Dann hat das beste Alpha den kleinsten mittleren Absolutfehler (MA Error). Wie man mehrere Glättungsmethoden miteinander vergleicht: Obwohl es numerische Indikatoren für die Beurteilung der Genauigkeit der Prognosetechnik gibt, besteht der am weitesten verbreitete Ansatz darin, einen visuellen Vergleich mehrerer Prognosen zu verwenden, um deren Genauigkeit zu bewerten und unter den verschiedenen Prognosemethoden zu wählen. Bei diesem Ansatz muss man auf demselben Graphen die ursprünglichen Werte einer Zeitreihenvariablen und die vorhergesagten Werte aus verschiedenen Prognoseverfahren aufzeichnen und damit einen visuellen Vergleich erleichtern. Sie können die Vergangenheitsvorhersage von Smoothing Techniques JavaScript verwenden, um die letzten Prognosewerte basierend auf Glättungstechniken zu erhalten, die nur einen einzigen Parameter verwenden. Holt - und Winters-Methoden zwei bzw. drei Parameter, daher ist es keine leichte Aufgabe, die optimalen oder sogar nahezu optimalen Werte durch Versuch und Fehler für die Parameter auszuwählen. Die einzelne exponentielle Glättung betont die kurzreichweite Perspektive, die sie den Pegel auf die letzte Beobachtung setzt und basiert auf der Bedingung, dass es keinen Trend gibt. Die lineare Regression, die auf eine Linie der kleinsten Quadrate zu den historischen Daten (oder transformierten historischen Daten) passt, repräsentiert die lange Reichweite, die auf dem Grundtrend konditioniert ist. Holts lineare exponentielle Glättung erfasst Informationen über die jüngsten Trend. Die Parameter im Holts-Modell sind Ebenenparameter, die verringert werden sollten, wenn die Menge der Datenvariation groß ist, und der Trends-Parameter sollte erhöht werden, wenn die aktuelle Trendrichtung durch das Kausale beeinflusst wird. Kurzfristige Prognose: Beachten Sie, dass jeder JavaScript auf dieser Seite eine einstufige Prognose zur Verfügung stellt. Um eine zweistufige Prognose zu erhalten. Fügen Sie einfach den prognostizierten Wert an das Ende der Zeitreihendaten und klicken Sie dann auf die Schaltfläche Berechnen. Sie können diesen Vorgang für ein paar Mal wiederholen, um die benötigten kurzfristigen Prognosen zu erhalten. Ich habe einen kontinuierlichen Wert, für den Id wie zu berechnen einen exponentiellen gleitenden Durchschnitt. Normalerweise verwendet man nur die Standardformel dafür: wobei S n der neue Durchschnitt ist, Alpha das Alpha ist, Y die Stichprobe ist und S n-1 der vorherige Durchschnitt ist. Leider, aufgrund verschiedener Fragen habe ich nicht eine konsistente Probe Zeit. Ich kann wissen, dass ich höchstens sagen kann, einmal pro Millisekunde, aber aufgrund von Faktoren aus meiner Kontrolle, kann ich nicht in der Lage, eine Probe für mehrere Millisekunden zu einer Zeit zu nehmen. Eine wahrscheinlich häufiger Fall ist jedoch, dass ich einfache Probe ein wenig früh oder spät: anstelle der Probenahme bei 0, 1 und 2 ms. I-Probe bei 0, 0,9 und 2,1 ms. Ich erwarte, dass, ungeachtet der Verzögerungen, meine Abtastfrequenz weit, weit über der Nyquist-Grenze liegen wird, und daher brauche ich mir keine Sorgen um Aliasing. Ich vermute, dass ich dies in einer mehr oder weniger vernünftigen Weise durch die Änderung der alpha passend, basierend auf der Länge der Zeit seit der letzten Probe. Ein Teil meiner Argumentation, dass dies funktionieren wird, ist, dass die EMA linear zwischen dem vorherigen Datenpunkt und dem aktuellen interpoliert. Wenn wir die Berechnung einer EMA der folgenden Liste von Proben in Intervallen t: 0,1,2,3,4 betrachten. Wir sollten das gleiche Ergebnis erhalten, wenn wir das Intervall 2t verwenden, bei dem die Eingänge 0,2,4 werden. Wenn die EMA davon ausgegangen ist, dass bei t 2 der Wert 2 seit t 0 war. Das wäre das gleiche wie das Intervall t Berechnung Berechnung auf 0,2,2,4,4, die ihr nicht tun. Oder macht das überhaupt Sinn Kann mir jemand sagen, wie man das Alpha passend ändert Bitte zeigen Sie Ihre Arbeit. D. h. Zeigen Sie mir die Mathematik, die beweist, dass Ihre Methode wirklich das Richtige tut. Sie sollten nicht erhalten die gleiche EMA für verschiedene Eingabe. Denken Sie an EMA als Filter, ist das Sampling bei 2t äquivalent zu Down-Sampling, und der Filter wird einen anderen Ausgang zu geben. Dies ist mir klar, da 0,2,4 höherfrequente Komponenten als 0,1,2,3,4 enthält. Sofern die Frage ist, wie kann ich ändern Sie den Filter on the fly, damit es die gleiche Ausgabe. Vielleicht fehle ich etwas ndash freespace Aber der Eingang ist nicht anders, it39s nur selten abgetastet. 0,2,4 in Intervallen 2t ist wie 0,, 2,, 4 in Intervallen t, wobei die zeigt, dass die Probe ignoriert wird ndash Curt Sampson Jun 21 09 um 23:45 Diese Antwort auf meinem guten Verständnis von Tiefpass Filter (exponentiellen gleitenden Durchschnitt ist wirklich nur ein einpoliges Tiefpassfilter), aber mein dunstiges Verständnis dessen, was Sie suchen. Ich denke, das folgende ist, was Sie wollen: Erstens können Sie Ihre Gleichung ein wenig zu vereinfachen (sieht komplizierter, aber seine einfacher in Code). Im gehend, Y für Ausgang und X für Eingang zu verwenden (anstelle von S für Ausgang und Y für Eingang, wie Sie getan haben). Zweitens ist der Wert von alpha hier gleich 1-e - Deltat / tau, wobei Deltat die Zeit zwischen den Abtastwerten ist und tau die Zeitkonstante des Tiefpaßfilters ist. Ich sage gleich in Anführungszeichen, weil dies gut funktioniert, wenn Deltat / tau ist klein im Vergleich zu 1, und alpha 1-e - Deltat / tau asymp Deltat / tau. (Aber nicht zu klein: youll laufen in Quantisierung Fragen, und wenn Sie auf einige exotische Techniken, die Sie benötigen in der Regel eine zusätzliche N Bits Auflösung in Ihrem Zustand Variable S, wo N-Log 2 (alpha).) Für größere Werte von Deltat / Tau beginnt der Filtereffekt zu verschwinden, bis Sie zu dem Punkt gelangen, an dem Alpha in der Nähe von 1 liegt, und Sie haben grundsätzlich nur den Eingang dem Ausgang zuzuordnen. Dies sollte ordnungsgemäß mit unterschiedlichen Werten von Deltat funktionieren (die Variation von Deltat ist nicht sehr wichtig, solange alpha klein ist, sonst laufen Sie in einige ziemlich seltsame Nyquist Fragen / Aliasing / etc.), und wenn Sie an einem Prozessor arbeiten Wo die Multiplikation billiger als die Division ist, oder Festkomma-Probleme wichtig sind, vorberechnen omega 1 / tau und erwägen, die Formel für alpha zu approximieren. Wenn Sie wirklich wissen wollen, wie die Formel alpha 1-e - Deltat / tau abzuleiten ist, dann betrachten wir ihre Differentialgleichungsquelle: die, wenn X eine Einheitsschrittfunktion ist, die Lösung Y 1 - e - t / tau hat. Für kleine Werte von Deltat kann das Derivat durch DeltaY / Deltat angenähert werden, was zu Ytau DeltaY / Deltat X DeltaY (XY) (Deltat / tau) alpha (XY) führt und die Extrapolation von alpha 1-e - Deltat / tau stammt Versucht, das Verhalten mit der Einheit Schritt Funktion Fall entsprechen. Würden Sie bitte erläutern, auf die Quottrying, um das Verhaltenquot Teil Match Ich verstehe Ihre kontinuierliche Zeit-Lösung Y 1 - exp (-t47) und seine Verallgemeinerung auf eine skalierte Schrittfunktion mit der Größe x und Anfangszustand y (0). Aber I39m nicht sehen, wie diese Ideen zusammen, um Ihr Ergebnis zu erzielen. Ndash Rhys Ulerich May 4 13 at 22:34 Dies ist keine vollständige Antwort, aber kann der Anfang von einem sein. Seine so weit wie ich mit diesem in einer Stunde oder so zu spielen Im Posting es als ein Beispiel für das, was Im Suchen, und vielleicht eine Inspiration für andere, die an dem Problem. Ich beginne mit S 0. Was der Mittelwert ist, der sich aus dem vorherigen Mittelwert S -1 und dem Abtastwert Y 0 bei t 0 ergibt. (T & sub1; - t & sub0;) ist mein Abtastintervall und & alpha; ist auf das eingestellt, was für dieses Abtastintervall und den Zeitraum, über den ich den Durchschnitt wünsche, geeignet ist. Ich überlegte, was passiert, wenn ich die Probe bei t 1 vermisse und stattdessen mit der mit t 2 getroffenen Probe Y 2 zu tun habe. Nun können wir mit der Erweiterung der Gleichung beginnen, um zu sehen, was passiert wäre, wenn wir gehabt hätten. Y 1: Ich bemerke, dass die Reihe unendlich auf diese Weise zu erweitern scheint, weil wir die S n auf der rechten Seite unendlich ersetzen können: Ok , Also sein nicht wirklich ein Polynom (albernes me), aber, wenn wir den Anfangsbegriff durch eins multiplizieren, sehen wir dann ein Muster: Hm: es ist eine exponentielle Reihe. Quelle Überraschung Stellen Sie sich vor, dass kommen aus der Gleichung für einen exponentiellen gleitenden Durchschnitt Also irgendwie habe ich diese x 0 x 1 x 2 x 3. Ding gehen, und Im sicher Im riechen e oder einen natürlichen Logarithmus treten hier herum, aber ich kann mich nicht erinnern, wo ich als nächstes ging, bevor ich aus der Zeit lief. Jede Antwort auf diese Frage oder ein Korrektheitsnachweis einer solchen Antwort hängt stark von den Daten ab, die Sie messen. Wenn Ihre Proben bei t 0 0ms genommen wurden. T 1 0,9 ms und t 2 2,1 ms. Aber Ihre Alpha-Auswahl basiert auf 1-ms-Intervallen, weshalb Sie ein lokal angepasstes Alpha n wünschen. Der Beweis der Korrektheit der Wahl würde bedeuten, die Probenwerte bei t1ms und t2ms zu kennen. Dies führt zu der Frage: Können Sie Ihre Daten resonable interpolieren, um vernünftige Vermutungen, was in-between Werte haben könnte Oder können Sie sogar den Durchschnitt selbst interpolieren Wenn keiner von diesen möglich ist, dann soweit ich es sehe, die logische Die Wahl eines Zwischenwerts Y (t) ist der zuletzt berechnete Durchschnitt. D. h. Y (t) Asymp S n, wobei n maxmial ist, so dass t n ltt. Diese Wahl hat eine einfache Konsequenz: Lassen Sie alpha allein, egal was der Zeitunterschied war. Wenn auf der anderen Seite ist es möglich, Ihre Werte zu interpolieren, dann geben Sie Ihnen averagable Konstanten-Intervall-Samples. Schließlich, wenn sein sogar möglich ist, den Durchschnitt selbst zu interpolieren, würde das die Frage bedeutungslos machen. Ich glaube, ich kann meine Daten interpolieren: angesichts der Tatsache, dass I39m es in diskreten Intervallen Proben, I39m schon tun dies mit einem Standard-EMA Anyway, davon ausgehen, dass ich brauche Dass es funktioniert ebenso wie eine Standard-EMA, die auch hat, wird ein falsches Ergebnis zu produzieren, wenn die Werte nicht ändern, ziemlich gleichmäßig zwischen Sample-Perioden. Ndash Curt Sampson Aber das ist, was ich sagen: Wenn Sie die EMA eine Interpolation Ihrer Werte, you39re getan, wenn Sie verlassen Alpha, wie es ist (weil das Einfügen der jüngsten Durchschnitt, wie Y doesn39t ändern den Durchschnitt) . Wenn Sie sagen, dass Sie etwas brauchen, dass Zehnarbeit sowie eine Standard-EMAquot - what39s falsch mit dem Original Wenn Sie nicht mehr Informationen über die Daten, die Sie gemessen haben, werden alle lokalen Anpassungen an Alpha am besten willkürlich sein. Ndash balpha 9830 Jun 21 09 at 15:31 Ich würde den Alpha-Wert allein zu verlassen, und füllen Sie die fehlenden Daten. Da Sie nicht wissen, was während der Zeit geschieht, wenn Sie Probe nicht können, können Sie diese Proben mit 0s füllen, oder halten Sie den vorherigen Wert stabil und verwenden Sie diese Werte für die EMA. Oder eine Rückwärtsinterpolation, sobald Sie ein neues Sample haben, die fehlenden Werte ausfüllen und die EMA neu berechnen. Was ich versuche zu bekommen ist, haben Sie eine Eingabe xn, die Löcher hat. Es gibt keine Möglichkeit, um die Tatsache, dass Sie Daten fehlen. Sie können also einen Halten nullter Ordnung verwenden oder auf null setzen oder eine Art von Interpolation zwischen xn und xnM. Wobei M die Anzahl der fehlenden Proben und n der Beginn der Lücke ist. Eventuell sogar mit Werten vor n. Ich denke, dass nur Variieren der Alpha tatsächlich geben mir die richtige Interpolation zwischen den beiden Punkten, die Sie sprechen, aber in einer Viel einfacher Weg. Darüber hinaus denke ich, dass die Veränderung der Alpha wird auch ordnungsgemäß befassen sich mit Proben, die zwischen den Standard-Probenahme Intervalle. Mit anderen Worten, I39m auf der Suche nach dem, was Sie beschrieben, aber versuchen, Mathematik, um herauszufinden, die einfache Möglichkeit, es zu tun. Ndash Curt Sampson Ich glaube nicht, es gibt so ein Biest wie quotproper Interpolationquot. Sie wissen einfach nicht, was in der Zeit passiert ist, die Sie nicht probieren. Gute und schlechte Interpolation impliziert etwas Wissen, was Sie verpasst haben, da Sie messen müssen, um zu beurteilen, ob eine Interpolation gut oder schlecht ist. Obwohl dies gesagt, können Sie Begrenzungen, dh mit maximaler Beschleunigung, Geschwindigkeit, etc. zu setzen. Ich denke, wenn Sie wissen, wie die fehlenden Daten Modell, dann würden Sie nur Modell die fehlenden Daten, dann wenden Sie den EMA-Algorithmus ohne Veränderung eher Als das Ändern von alpha. Just my 2c :) ndash freespace Das ist genau das, was ich in meinem Bearbeiten auf die Frage vor 15 Minuten: quotYou einfach don39t wissen, was passiert in der Zeit, die Sie nicht Stichproben, aber that39s true Auch wenn Sie in jedem bestimmten Intervall Probe. So meine Nyquist-Kontemplation: Solange Sie wissen, die Wellenform doesn39t Richtungen ändern mehr als jedes Paar von Proben, die tatsächliche Probe-Intervall shouldn39t Angelegenheit, und sollte in der Lage sein zu variieren. Die EMA-Gleichung scheint mir genau so zu berechnen, als ob sich die Wellenform linear vom letzten Abtastwert zum aktuellen verändert hätte. Ndash Curt Sampson Ich glaube nicht, dass das stimmt. Das Nyquist39s-Theorem erfordert mindestens 2 Abtastungen pro Periode, um das Signal eindeutig identifizieren zu können. Wenn Sie das nicht tun, erhalten Sie Aliasing. Es wäre das gleiche wie das Sampling als fs1 für eine Zeit, dann fs2, dann zurück zu fs1, und Sie erhalten Aliasing in die Daten, wenn Sie mit fs2 Probe, wenn fs2 ist unter dem Nyquist-Limit. Ich muss auch gestehen, ich verstehe nicht, was du meinst, durch Quotwellenformänderungen linear vom letzten Sample zum aktuellen onequot. Könnten Sie bitte erklären, Cheers, Steve. Ndash freespace Dies ist ähnlich wie ein offenes Problem auf meiner Todo-Liste. Ich habe ein Schema ausgearbeitet, zu einem gewissen Grad, aber haben keine mathematische Arbeit, um diese Anregung noch zu unterstützen. Update amp summary: Möchte den Glättungsfaktor (alpha) unabhängig vom Kompensationsfaktor behalten (was ich hier als beta beziehe). Jasons ausgezeichnete Antwort bereits akzeptiert hier funktioniert super für mich. Wenn Sie auch die Zeit seit der letzten Abtastung messen können (in gerundeten Vielfachen Ihrer konstanten Abtastzeit - also 7,8 ms, da die letzte Probe 8 Einheiten betragen würde), könnte dies dazu verwendet werden, die Glättung mehrfach anzuwenden. Wenden Sie in diesem Fall die Formel 8 mal an. Sie haben effektiv eine Glättung vorgespannt mehr auf den aktuellen Wert. Um eine bessere Glättung zu erhalten, müssen wir das Alpha zwicken, während wir die Formel 8 mal im vorherigen Fall anwenden. Was wird diese Glättungsnäherung verpassen Es hat bereits 7 Proben im obigen Beispiel verfehlt Das wurde in Schritt 1 mit einer abgeflachten Wiederanwendung des aktuellen Wertes zusätzlich 7 mal angenähert. Wenn wir einen Approximationsfaktor beta definieren, der zusammen mit alpha angewendet wird (Als alphabeta statt nur alpha), gehen wir davon aus, dass sich die 7 verpassten Samples zwischen den vorherigen und den aktuellen Sample-Werten sanft veränderten. Ich habe darüber nachgedacht, aber ein wenig mucking about mit der Mathematik hat mich auf den Punkt, wo ich glaube, dass, anstatt die Anwendung der Formel achtmal mit dem Beispielwert, kann ich eine Berechnung zu tun Von einem neuen Alpha, das mir erlauben wird, die Formel einmal anzuwenden, und geben mir das gleiche Ergebnis. Ferner würde dies automatisch mit der Ausgabe von Proben, die von exakten Abtastzeitpunkten versetzt sind, behandelt. Ndash Curt Sampson Jun 21 09 at 13:47 Die einzige Anwendung ist in Ordnung. Was ich noch nicht sicher bin, ist, wie gut die Annäherung der 7 fehlenden Werte ist. Wenn die kontinuierliche Bewegung macht den Wert Jitter eine Menge über die 8 Millisekunden, die Annäherungen können ganz aus der Realität. Aber, wenn Sie Probenahme bei 1ms (höchste Auflösung ohne die verzögerten Proben) haben Sie bereits dachte der Jitter innerhalb von 1ms ist nicht relevant. Funktioniert diese Argumentation für Sie (ich versuche immer noch, mich zu überzeugen). Ndash nik Jun 21 09 at 14:08 Richtig. Das ist der Faktor Beta aus meiner Beschreibung. Ein Betafaktor würde basierend auf dem Differenzintervall und den aktuellen und vorherigen Abtastwerten berechnet. Das neue Alpha wird (Alphabet), aber es wird nur für diese Probe verwendet werden. Während Sie das Alpha in der Formel 39 zu haben scheinen, neige ich zu konstantem Alpha (Glättungsfaktor) und einem unabhängig berechneten Beta (einem Tuningfaktor), der die gerade ausgefallenen Samples kompensiert. Ndash nik Jun 21 09 at 15: 23exponential Die meisten Menschen haben im Denken über Strafe keine Notwendigkeit mehr, ihre Rache-Impulse von sich selbst zu verstecken, als sie das exponentielle Theorem verstecken mussten. Zum Zwecke der Veranschaulichung schließen wir in Tabelle 1 die Werte von R ein, die erzeugt werden, wenn das deterministische Exponentialmodell zur Prognose in jeder Untermenge von Fällen verwendet wird. Die Konvergenz der sich schnell bewegenden Technologien bringt neue Spieler, Denken, Innovation und disruptive Ansätze für Prävention, Diagnose, Entdeckung, personalisierte Therapeutika und globale Gesundheit, sagte Exponential Medicine Gründer und Vorsitzender Daniel Kraft MD, Fakultät Lehrstuhl für Medizin Amp Neurowissenschaften an der Singularity University. Wir haben festgestellt, dass dies mit dem exponentiellen Wachstum in der Zahl der Publikationen zu tun hat, was den Umsatz von Zeitungen beschleunigt, da die Wissenschaftler die endgültige Kapazität der wissenschaftlichen Literatur verfolgen. Gegenstand des Teilprojekts 2 Herstellung, Lieferung und Montage spezieller exponentieller Konstruktion, allgemeiner Museumsbeleuchtung und sonstiger Ausstattung der Dauerausstellung sind alle Sonderkonstruktionen, die für die Organisation und den reibungslosen Betrieb des Museums unter der museologischen Studie notwendig sind . Die Erhaltung dieser Arbeitsplätze nach dem exponentiellen Wachstum zu Ende geht, wird eine Herausforderung für das Unternehmen und den Staat gleichermaßen sein. Für alle Behandlungen zeigten Bodentemperatur und Rs eine exponentielle Beziehung (Plt0) Viele Menschen beendeten exponentielle Aktivitäten in den frühen Phasen, wobei die meisten Beispiele aus den Bereichen Unterhaltungselektronik, Computer - und Kommunikationsprodukte und Dienstleistungsindustrien - Sektoren stammen Die von exponentiellen Technologien dominiert werden. Harris bietet eine relativ nicht-technische Einführung in die exponentielle Zufallsgraphenmodellierung (ERGM), eine statistische Methode, die speziell für relationale Daten konzipiert wurde. Exponentielles Wachstum in digitalen Technologien zur Informationsbeschaffung, - verarbeitung, - speicherung und - verteilung Ist wohl der entscheidende Trend in diesem Jahrzehnt, aber es ist oft nicht gut verstanden. Mangan und Kalzium wurden auch in Lag-Phase akkumuliert, aber verloren wurden aus der Zelle während exponentielle Wachstum. Was sind Moving Averages Teil 1 Mit den Olympischen Spielen 2012 zu einem Schließen, itrsquos Zeit zu beginnen, über 2016 zu denken. So heute wersquore wird sich vorstellen, dass yoursquore ein Läufer Training für die 1500 Meter Rennen bei den nächsten Olympischen Spielen. Am Ende eines jeden Tages, führen Sie eine Praxis 1500 Meter Rennen und notieren Sie Ihre Zeit. Da wir den Luxus haben, diese Geschichte so ehrfurchtgebietend zu machen, wie es uns gefällt, nehmen letrsquos nicht nur an, dass Sie Ihr Training für die Olympischen Spiele (was eindrucksvoll genug wäre) annehmen. Letrsquos gehen davon aus, dass Yoursquore einer der ersten Favoriten ist. Was bedeutet, müssen Sie Ihre Zeit bis zu etwa 3:30 (dh 3 Minuten 30 Sekunden) hellipwhich ist wirklich, wirklich schnell Die große Frage für heute ist: Whatrsquos der beste Weg, um Ihre Fortschritte zu verfolgen Mit anderen Worten, wie Sie wissen Wenn yoursquore Verbesserung genug Sollten Sie nur auf die täglichen Änderungen in Ihrer Zeit Oder gibt es einen besseren Weg In Wahrheit, therersquos keine absolut richtige oder falsche Antwort heremdashbut gibt es bessere und schlechter Antworten. Und eine bessere Antwort in dieser Situation ist es, etwas als einen gleitenden Durchschnitt verwenden, um Ihre Fortschritte verfolgen. Warum Thatrsquos genau das, was wersquore über heute zu sprechen. Runnerrsquos Notizbuch: Woche 1 Zurück zu Ihrem Streben nach 1500 Metern olympischen Ruhm, letrsquos beginnen, indem Sie einen Blick auf die Praxis mal yoursquove aufgezeichnet in der vergangenen Woche. Am Montag liefen Sie 1500 Meter in 3:45, am Dienstag verbesserten Sie sich auf 3:38, am Mittwoch waren Sie ein wenig aus und kamen in 3:50, am Donnerstag war besser um 3:41 und am Freitag war sogar noch besser bei 3 : 36. Wie Sie sehen können, sprang Ihre Zeit über den Platz. Also, wie können Sie kämpfen durch diese Chaos und herauszufinden, wie viel Sie wirklich bettermdashor, wenn Sie überhaupt verbessert, für diese Angelegenheit Nun, da Sie von 3:45 am Montag auf 3.36 am Freitag ging, können wir nur sagen, dass Sie verbessert Von 9 Sekundenhellipright Oder ist das zu optimistisch Review: Durchschnitt und Mittel Um diese Fragen zu beantworten, müssen wir zunächst herausfinden, was ein gleitender Durchschnitt ist. Und um zu verstehen, was ein gleitender Durchschnitt ist, müssen wir verstehen, was das Wort ldquoaveragerdquo bedeutet. Wie wersquove zuvor gesprochen, kann das Wort ldquoaveragerdquo tatsächlich bedeuten viele Dinge, aber es bezieht sich in der Regel auf whatrsquos bekannt als der Mittelwert. Wie Sie wahrscheinlich wissen, finden Sie den Mittelwert aus einer Gruppe von Zahlen, die wir nur fügen sie auf und teilen Sie dann durch die Größe der Gruppe. So finden Sie Ihre durchschnittliche 1500 Meter Zeit über die 5 Übungen aus der vergangenen Woche, nur fügen Sie die Zeiten und teilen durch 5, um einen Mittelwert von 3:42 zu bekommen. Runnerrsquos Notebook: Woche 2 Aber was bedeutet der Mittelwert wersquove wirklich gefunden, um die Dinge ein bisschen klarer, setzen Letrsquos ein weiteres weekrsquos Wert der Praxis laufen mal in Ihrem runnerrsquos Notebook. Letrsquos gehen davon aus, dass in der folgenden Woche Zeiten von 3:44, dann bis 3:38, bis 3:45, bis 3:34, und schließlich Finishing bis am Freitag mit einer Zeit von 3:39. Wie wir es mit den ersten Wochenrsquos-Zeiten getan haben, können wir die durchschnittliche Zeit Ihrer Übung über die zweite Woche durch Addition und Aufteilung durch 5 finden. Das Ergebnis ist ein Mittelwert von 3:40. Nun, zurück auf die Frage: Was bedeuten diese Werte wirklich bedeuten Nun, die Suche nach dem Mittelwert für eine bestimmte Woche ist wirklich nur ein Weg, um gleichmäßig ldquosmooth outrdquo diese Zeiten über die ganze Woche. Und wenn wir die geglättete Zeit für diese zwei Wochen vergleichen, erfahren wir, dass Sie von einem Durchschnitt von 3:42 Sekunden in der ersten Woche zu einem Durchschnitt von 3:40 Sekunden in der zweiten Woche verbesserten. Also diese Mittelwerte bedeuten, dass yoursquove verbessert 2 Sekunden auf durchschnittlich die schlechtesten Schlechte Warum Mühe mit Durchschnitten Aber vielleicht fragen Sie sich: Warum sind wir belästigt, Durchschnittswerte zu finden Isnrsquot dies viel mehr Arbeit als wir tun müssen Wenn wersquore versuchen, den Fortschritt zu beurteilen, Canrsquot schauen wir uns nur die alltäglichen Veränderungen in deiner 1500 Meter Zeit an, leider nicht wirklichhellipat am wenigsten nicht. Weil, wie wersquove gesehen, wie eine Menge anderer Dinge in der worldmdashthe Wetter. Aktienkurse. Und Ihr Gewicht zu nennen ein paar mdashyour 1500 Meter Praxis mal schwanken eine Menge von Tag zu Tag. Und diese Schwankungen machen es extrem schwer, bedeutungsvolle Veränderungen durch tatsächlichen Fortschritt von bedeutungslosem hier-heute-gegangenem-morgen-Lärm zu trennen. Fluktuationen können es extrem schwer machen, sinnvolle Veränderungen von sinnlosem Rauschen zu trennen. Manchmal wird dieses Geräusch Ihre Zeit verlangsamen (vielleicht haben Sie etwas gegessen, dass didnrsquot genau mit Ihnen übereinstimmen, dass am Morgen) und manchmal wird es beschleunigen (vielleicht hatten Sie einen besonders günstigen Wind auf dem Rücken auf der Homestretch). Aber der wichtige Punkt ist, dass diese Auf-und Ab-Fluktuationen meist weggehen, wenn Sie glätten die Zeiten durch die Suche nach einem Durchschnittswert. Was ist ein gleitender Durchschnitt In der Lage, die Wochen-zu-Woche-Verbesserungen durch die Suche nach wöchentlichen Mittelwerten als wersquove bis jetzt getan ist groß, aber was ist, wenn Sie wirklich wollen, um ein Auge auf Ihre täglichen Änderungen Gibt es einen Weg Um dies zu tun und immer noch loszuwerden, die lärmende Fluktuationen Mit anderen Worten, gibt es eine Möglichkeit, die Daten aufzuräumen, so dass Sie den Wald von den Bäumen sehen können Wie Sie vielleicht erraten haben, thatrsquos genau das, was ein gleitender Durchschnitt. Es gibt viele Arten von gleitenden Durchschnitt, aber heute wersquore wird auf whatrsquos als einfachen gleitenden Durchschnitt zu konzentrieren. Letrsquos sagen, Sie wollen Ihre Rennen Zeiten mit einem 3-Tage gleitenden Durchschnitt zu halten. Um die durchschnittliche Zeit für einen Tag zu finden, füge einfach die dayrsquos Zeit zu den Zeiten der vorherigen 2 Tage hinzu und dividiere durch 3. (Um einen 4-tägigen gleitenden Durchschnitt zu verwenden, füge einfach jede dayrsquos Zeit den Zeiten der vorherigen 3 hinzu Tage und teilen durch 4, etc.) Wenn Sie dies über die zwei Wochen in Ihrem Runnerrsquos Notebook tun, finden Sie eine 3-Tage gleitende durchschnittliche Zeit von 3: 44,33 für den ersten Mittwoch (die, wenn Sie darüber nachdenken, ist Am ersten Tag können Sie einen dreitägigen gleitenden Durchschnitt berechnen), dann auf 3: 43.00, wieder auf 3: 42.33, 3: 40.33 und 3: 39.33, dann auf 3: 42.33, auf 3: 39.00 , Und schließlich endet am 3: 39,33 am zweiten Freitag. Wie Sie sehen können, gibt es noch Tag zu Tag Schwankungen, aber sie sind viel weniger prominent, als sie vorher waren, weil die 3-Tage-Fenster glättet sie aus, um die gesamte trendmdasha Trend zeigen, dassRsquos zeigt, dass yoursquore gut auf Ihrem Weg zu 2016 Olympischen Ruhm Wrap Up Okay, thatrsquos all die Mathematik haben wir Zeit für heute. Aber das ist keineswegs alles, was wir über bewegte Durchschnitte sagen müssen. Zum Beispiel, wie Sie wissen, wie groß das Fenster Ihr Durchschnitt sollte verfolgen Was passiert, wenn Sie die Größe des Fensters ändern Was sind einige der anderen Arten von gleitenden Durchschnitte Und was sind einige ihrer anderen realen Anwendungen Stay tunedhellipwersquoll Antwort alle Diese Fragen und mehr in einer nächsten Episode. Auch, wie das Glück würde es haben, können Sie ein weiteres Beispiel dafür finden, wie nützlich bewegte Durchschnitte sind in diesem weekrsquos Nutrition Diva Episode über die beste Art und Weise, um Ihr Gewicht zu halten. Seien Sie sicher, es zu überprüfen Erinnern Sie sich, ein Fan des Mathe-Geckes auf Facebook zu werden, wo yoursquoll viele große Mathe findet, die während der Woche bekannt gegeben wird. Wenn deinsquore auf Twitter. Folgen Sie mir bitte dort auch. Schließlich, senden Sie bitte Ihre Mathe Fragen meine Art und Weise über Facebook. Twitter. Oder E-Mail an mathdudequickanddirtytips. Bis zum nächsten Mal ist dies Jason Marshall mit The Math Dudersquos schnelle und schmutzige Tipps, um Mathe leichter machen. Danke für das Lesen, Mathe fansMoore amp Moore Beratungsdienstleistungen Wertpapiere und technische Analysen Digitale Filter - Exponential Moving Averages (1) Rekursive Digitalfilter Eine Möglichkeit, digitale Filter auf einer effizienteren Basis zu strukturieren, besteht darin, einen Teil der Ausgabe zu verwenden und auf den Eingang zu übertragen . Dies macht das Filter rekursiv, da das Ausgangssignal in dem Eingang auftritt, wodurch der Filter unendlich lang ist. Aus diesem Grund haben diese Filter auch den Namen Infinite Impulse Response (IIR) - Filter, da die Antwort für unendlich weitergehen kann In diesem Fall hat dieses sehr einfache IIR-Filter nur eine Stufe und nimmt einen (kleinen) Prozentsatz der vorherigen Ausgabe. Die Gleichung für diese einfache IIR Digital Filter ist: Schematisch die Zeichnung von diesem sehr einfachen IIR-Filter sieht aus wie unten Die Grafik unten zeigt, was passiert. Serie 1 der Dünnschritteingang erzeugt die folgenden typischen transienten Ausgänge. Mit einem 9-Wert für k dann k 0,09, dann ist die Serie 2 (die dicke Linie) die erste typische transiente Antwort. Wenn der Prozentsatz (k) auf 5 (k 0,05) abgesunken ist, dann ist die Serie 3 (die dünne Linie unter Serie 1) das erwartete Ergebnis. Mit k fiel weiter auf 1 (k 0,01), dann haben wir Serie 4 (die gepunktete Linie gut unter den anderen beiden Ausgängen) ist die Antwort. Diese Ausgänge folgen exponentiellen Zeitantworten. So haben wir mit einer kleinen Rückmeldung den ziemlich komplexen nichtrekursiven Filter in einen einfachen rekursiven Filter mit sehr gleichem Frequenzgang, aber einem anderen Zeitverhalten umgewandelt. Der Ausgangssignalverlauf des IIR-Filters setzt sich für ewig (unendlich) fort, um auf dem Stall zu konvergieren Wert, und das ist, warum diese Filter den Namen Infinite Impulse Response (IIR) Filter erhalten. Das Problem besteht nun darin, diese Reaktionen so zu binden, dass sie sich aufeinander beziehen. Mit dem Technischen Handel ist der gemeinsame Nenner Perioden (normalerweise Tage), so dass es notwendig ist, den rekursiven Faktor (k) in einen Periodenfaktor zu bringen. Glücklicherweise gibt es eine gegebene direkte Beziehung und es ist durch die Formel wie folgt: Wo wir k 0,09 gewählt haben, wandelt diese Formel in 21.2222 Perioden um, und für k 0,05 wandelt diese Formel in 39.0 Perioden um, und für k 0.01 wandelt diese Formel in 199.0 um Zeiträume. Nach rückwärts wollen wir den k-Faktor aus der Periode herausfinden und durch Umsetzung der Formel wird es: Also für 11.0 Perioden dann k 0.1666666, für 21.0 Perioden dann k 0.090909 und für k 40.0 Perioden dann k 0.0487804 Dies alles erscheint sehr einfach , Aber die Beziehung muss gebunden werden. Unter Bezugnahme auf den Graph ist es offensichtlich, daß die Zeitantwort ein exponentieller Abfall ist. In der Physik Land, folgen alle natürlichen Handlungen eine exponentielle Rate der Ladung und Verfall. Achten Sie auf eine Zisternenspülung: alle varoosh am Anfang und es endet ein Rinnsal (bevor der Stecker fällt in den Tank nachfüllen) Wenn Autoscheinwerfer löschen sie dunkel und dunkel in einer exponentiellen Weise. Es ist ein natürliches Phänomen überall Wenn Regen beginnt und aufhört zu fallen, ist die Regendichte im Laufe der Zeit eine exponentielle Funktion, und es folgt die gleiche exponentielle Zerfallsregeln Zurück in Electronics Land exponentielle Zerfälle sind sehr häufig und die Lade-und Entladezeiten werden in einem normalisierten Ansatz gemessen Zeitkonstanten (T). Eine Zeitkonstante entlädt sich auf etwa 37, zwei bis etwa 14, drei bis etwa 5 vier bis etwa 1,8 und fünf bis etwa 0,6 - was im Grunde nichts ist. Wenn elektronische Komponenten geladen werden, folgen sie dem Kehrwert der Ausstoßrate, dh 63, 86, 95 , 98.2, 99.4 usw. Bezugnehmend auf die einfache IIR Digitalfilter-Gleichung, in der sie auf eine Heaviside-Step-Funktion anspricht, hat die Ladungskurve die folgende Gleichung: y (t) · (0). (1-exp - t / T) wobei T Zeitkonstante (oder Periodenwert). Der Graph dieser Gleichung richtet sich exakt auf den oben beschriebenen einfachen rekursiven Filter aus, also durch Anwenden der Heavisides - Step - Funktion (indem man die zeitveränderliche Eingabe a 1 anstelle einer 0 macht) und dann die Perioden als Zeitfaktor t (39) Direkt oberhalb der Gleichung, dann gilt y (39) (1-exp -39 / T) 0.8646647 so 0.1353352 exp -39 / T und ln (0.1353352) -2 so exp -2 exp -39 / T so -2-39 / T, Und die Umsetzung, T 19.5 Also, was hat all das High School Mathematik Es bedeutet im Grunde, dass die angegebene Anzahl von Perioden in einem einfachen rekursiven Filter entspricht zwei (2) Zeitkonstanten. Anders ausgedrückt, wenn wir am 100. Tag ein 100-Tage-Rekursivfilter angeben, entspricht das Ausgangssignal der Filterantwort (von einem Step-Eingang) dem von zwei Zeitkonstanten (maximaler Wert 86). Wir haben jetzt die Mathematik, um die Ausgabe des Filters genau vorherzusagen, von jedem bekannten Eingang nicht erraten Danke, Oliver Heaviside und jene früheren brillanten Mathematiker Jetzt können wir seine Grundmathematik verwenden, um die Antwort auf eine Rampe zu berechnen, und der Fehler auch Die linke Seite unten zeigt einen 100-Stufen-Eingang, der sowohl auf einen SMA20 als auch auf einen EMA20-Filter angewendet wird, und die beiden Ausgänge sind deutlich zu sehen. Von der Stufeneingabe steigt der Ausgang SMA20 als Rampe an, bis er auf den Maximalwert trifft wie ein slew rate limited Verstärker. Der EMA20 steigt schnell an und fällt dann exponentiell asymptotisch auf den stabilen Ausgang. Die beiden Ausgänge kreuzen bei der 80-Marke, und dies ist eine Referenz, die beim Vergleich einer Vielzahl von anderen Antworten verwendet werden. Das rechte Diagramm unten zeigt eine Reaktion des IIR-Filters auf eine Einheitrampe (eine vertikale Position pro horizontalen Schritt). (Das kann man sagen, wie sagen, 1 Cent pro Tag.) Dieses Mal k 0,15 so die Perioden 12,333333 und die Zeitkonstante (T) ist daher 6.166667 Perioden. Die Einheit Rampe ist die gerade gestrichelte dünne positive schräge Linie und unter dieser ist die dicke Linie Ausgang Antwort auf die Rampe, die auch abhebt und asymptotisch parallel zur Rampe wird. Der vertikale Abstand zwischen diesen beiden ist der Fehler. So wissen wir jetzt, dass dieses einfache IIR-Filter eine exponentielle Antwort erster Ordnung aufweist, die einen Nullfehler auf einen stabilen Eingangswert und einen bekannten konstanten Fehler auf einen Rampeneingang hat. Die Formel für den Fehler ist der Fehler R / k 1, wobei R die Steilheit des Eingangs ist. Das Einsetzen von k 0,15 in diese Gleichung ergibt einen unendlichen Fehler von 5,666666, und genau das zeigt das Diagramm. Ein rekursiver (IIR) - Filter in der Praxis Der obige Abschnitt hat soeben die inneren Funktionsweisen des einfachsten rekursiven Filters (IIR-Filter) beschrieben, bei dem es sich nur um die identischen Funktionen eines Exponential Moving Average (EMA) handelt Von einer Namensgebung z. B. eine 20-Tage-EMA ist wirklich ein IIR-Filter mit k 0,095238 und das sollte keine Überraschung sein. Wir wissen jetzt auch, dass die Zeitkonstante für einen 20-Tage-EMA-Filter 10 Tage beträgt und dass der Rampenfehler-Faktor 9,5 beträgt (unter der Annahme eines Cent-Rampenzins pro Tag). Die obige Grafik (genommen von MarketTools Chart) zeigt die Antwortdifferenz zwischen einem SMA20 (grün) und einem EMA20 (blau). Als die Close-Preis beginnt zu ramp die EMA zunächst Spuren nähert und schwankt herum, während die SMA20 rutscht in langsamer (Runder) und bildet eine nahezu gerade Linie. Dies sollte keine Überraschung sein, da wir wissen, dass die SMA viel weniger reagiert auf die jüngsten Veränderungen als eine EMA. Sie können deutlich sehen, die Fehler, die sie zu einer Rampe in Preisen und dies kann zu einem Vorteil bei der technischen Analyse verwendet werden Diese Grafik zeigt auch die Moving Averages Verfolgung der Preise, aber mit einem sehr ähnlichen Preis-Offset (Fehler) durch die praktisch verursacht Konstante Rate der Preisänderung über einen begrenzten Zeitraum (in diesem Fall). Das Problem mit den Preisen ist, dass es ein Feedback-System, das die Preisschwankungen regelt und dieses Feedback ist menschlich verwaltet, die so funktioniert: Aus irgendeinem Grund sieht jemand, dass sie eine bestimmte Aktie kaufen möchten, aber der Preis ist marginal höher als Der frühere Börsenkurs. Wenn sie die Aktie kaufen, ist der neue Kurs nun höher. Andere sehen, dass der Preis entweder zu hoch, richtig oder noch billig. Mit diesem Gedanken im Auge, verwenden andere Händler die früheren Preise als Referenz und neigen dazu, diesen Preis zurück auf den Referenzpreis, dass jeder von ihnen zu korrigieren. Dadurch schwankt der Preis in einer oszillatorischen Weise, die mit der Zeit zu stabilisieren neigt. Alles ist nicht verloren, denn dies ist wichtig zu verstehen, dass die Moving-Average-Technologie ist ein 1. Ordnung System, denn jetzt kann es in dem Wissen verwendet werden, dass, wenn die Preise sind in der Regel unter dem Moving Average, dann sind die Preise tatsächlich fallen Mit der Zeit, und wenn die Preise über dem Moving Average liegen, dann sind die Preise im Allgemeinen mit der Zeit steigen. Es ist daher sehr sinnvoll, diese sehr grundlegende Regel zu kennen, denn es bedeutet, dass die einzigen Anteile, die an den Preisen beteiligt sind, die Preise über der gleitenden Durchschnittslinie liegen. Aber welche Zeitkonstante sollte für den gleitenden Durchschnitt verwendet werden und warum praktisch keine technischen Analysepakete irgendwo in der Nähe dieser Tiefe kommen, und sie alle behandeln SMA und EMA mit einem wirklichen Mangel an Verständnis. Das Problem ist nahezu selbsterklärend, dass praktisch alle Daten auf EOD basieren und deshalb kann die Überquerung von Bewegungsdurchschnitten die meisten Buy-Selling-Signale lösen. Mit anderen Worten, der Fortschritt der technischen Analyse hielt wie ein Bus an, der eine Klippe trifft, wenn die gleitenden Durchschnittswerte waren Mit EOD-Daten aufgelöst. Es funktioniert Gewinne aus technisch basierte Verkäufe können realisiert werden Stop-Entwicklung Ein beweglicher Durchschnitt Nachdem fest, dass eine SMA und eine EMA sowohl 1. Ordnung Systeme sind, und dass beide von diesen effektiv minimieren das Rauschen von Handels-Variationen, vor allem die engen Werte Basierend auf EOD-Daten ist es keine Überraschung, dass diese Durchschnitte eine Verwendung als Kauf oder nicht kaufen Indikation für Wertpapiere, die jede Form von Trend haben. Ihre Verwendung ist eine einfache Anwendung, dass der Fehler zwischen dem tatsächlichen Schlusskurs und dem gleitenden Durchschnitt, wenn positiv darauf hingewiesen, dass die Sicherheit gehalten werden sollte und umgekehrt. Dieser Indikator ist der primitivste aller technischen Indikatoren, und es ist Lichtjahre jenseits jeder Art von finanziell generierten Indikation zu zeigen, wenn ein Sicherheitspreis steigt oder fällt in einem Trend. Der Indikator scheint wirklich, wenn die Sicherheit in einem Trend ist, aber wenn der Preis schwebt oder flacht es hat ein Problem der Unentschlossenheit. Das folgende Diagramm zeigt diese Situation, und es wird beispielhaft dargestellt, indem eine Schalterfunktion eingeschlossen wird, um zu zeigen, was passieren kann. Die Schaltfunktion zeigt die gleitenden Durchschnittskurven. Im linken Fall ist es ein EMA12, und da der enge Preis schwankt, wird der Schalter sehr unentschlossen, wenn der Preisverlauf sich ausgleicht oder die Richtung ändert. Eine Möglichkeit um das Problem ist, einen langsameren gleitenden Durchschnitt wie die EMA21 zu verwenden, wie auf der rechten Seite gezeigt. Die Anzahl der Unentschiedenpunkte verringert sich, so dass die Anzahl der nutzlosen Trades deutlich gesenkt werden würde, aber näher betrachtet werden und beträchtliche Gewinnläufe verloren gehen, weil der gleitende Durchschnitt zu spät beim Umschalten ist. Im Hintergrund gibt es eine positive, dass die 12 und 21 EOD bewegenden Mittelwerte sind glatter als die EOD in der Nähe und das an sich kann vorteilhaft genutzt werden. Zwei Bewegungsdurchschnitte Durch den Vergleich zweier gleitender Mittelwerte (die an sich schon durch ihre eigenen Attribute geglättet werden) kann eine sauberere Anzeige erhalten werden, und sie kann einige Vorteile bieten. Die Grafiken unten zeigen einige Beispiele für die gleiche Sicherheit für den direkten Vergleich. Der obige linke Graph hat die gleiche Schaltfunktion, die auf zwei sich bewegenden Durchschnitten EMA12 und EMA26 basiert und sehen, dass die Unentschlossenheit praktisch Null ist. Dies ist ein positiver Schritt, aber ein genauerer Blick auf die tatsächlichen Umschaltpunkte zeigt, dass es sehr konservativ ist und in vielen Fällen erhebliche Gewinne verloren gehen, bevor die Entscheidung getroffen wird, herauszuziehen. Sollte dies nicht der Fall sein, könnte dies ein idealer Hold / Sale-Indikator sein, der rein auf den engen Preisen der EOD-Zahlen basiert. Das obige rechte Diagramm (von OmniTrader genommen) zeigt eine Sechsmonatsansicht eines Bestandes und es gibt auch zwei exponentielle gleitende Durchschnitte (EMAs) auf dem Diagramm. In diesem speziellen Fall ist der gleitende Durchschnitt, der die Aktienkurse umarmt, eine EMA8 und der andere, der langsam in der Aktie konvergiert, ist eine EMA35. Dies ist ein gutes Beispiel, da die schnellere EMA die Spanne der EOD-Werte des Aktienkurses mehrmals überschneidet. Die langsamere EMA erreicht kaum die EOD-Preisspannen. OmniTrader hat eine sehr nette Eigenschaft darin, dass jedes Prüfungskennzeichen eingestellt werden kann, um sich für jede Sicherheit über einen bestimmten Verlauf (zB 250 Handelstage) selbst zu optimieren. Dies gibt den Indikatoren eine gute Chance, eine viel bessere Trefferquote zu erzielen, als Sie normalerweise erhalten würden, indem Sie einfach die Indikatorparameter selbst einstellen. In diesem Fall begannen sie bei EMA12 und EMA40 und setzten sich auf EMA8 und EMA35 für ein optimales Ergebnis. Das Problem ist, dass der Unsicherheit, da beide gleitenden Durchschnitte konvergieren aufeinander und haben keine saubere Crossover. Dies ist nicht ein wichtiges Thema, da wir wissen, dass sowohl SMA und EMA beide sind 1. Ordnung Systeme und weil sie asymptotisch konvergieren auf einer konstanten Eingang, so dass, wenn ein Preis konstant bleibt, dann die beiden gleitenden Durchschnitte werden beide konvergieren, dass konstant Wert, aber mit unterschiedlichen Raten. Das eigentliche Problem ist eine der Lärm (tatsächlich Preisschwankungen um einen konstanten Wert) und dies kann dazu führen, dass die schnellere gleitende Durchschnitt über den stabileren langsamer (länger) gleitenden Durchschnitt peitscht. Es gibt mehrere Lösungen für dieses Problem, und jeder hat seine Vorzüge. Multiple Moving Averages Die Erweiterung auf das Thema der gleitenden Durchschnitte von einem bis zwei zu vielen ist eine logische Progression und der Ansatz der Multiple Moving Averages ist ein ganz einfaches Konzept zu visualisieren. Daryl Guppy entwarf es und es besteht aus zehn bewegenden Durchschnitten in zwei Gruppen, die geometrisch beabstandet sind. Die erste Gruppe ist kurzfristig EMA3, EMA5, EMA7, EMA10 und EMA15, während die langfristigen bewegten Durchschnitte EMA30, EMA35, EMA40, EMA50 und EMA60 sind. Um ein Bild zu erhalten, wie es aussieht, zeigen die beiden folgenden Grafiken die allgemeinen Bilder. In der linken Grafik unten folgen die fünf längerfristigen bewegten Durchschnittswerte im allgemeinen parallel zueinander, wenn sich die Aktienkurse steigern, dann steigen die Kurse dann wieder auf und die gleitenden Durchschnittslinien weiten sich von einander aus und konvergieren dann und weiten sich dann als neuer Trend aus Und die gleitenden Mittelwerte bilden wieder parallele Linien. Wenn man in dem rechten Diagramm des gleichen Stammes mit dem kürzeren Satz von gleitenden Durchschnitten genauer sieht, wird klar, daß, wenn die exponentiellen Bewegungsdurchschnitte konvergieren oder divergieren, etwas geschehen wird. Der Grund dafür, daß diese sich bewegenden Mittelwerte effektiv parallele Linien bilden Ein Trend im Geschehen ist, dass der Fehler vom tatsächlichen Preis zum gleitenden Durchschnitt ist abhängig von der Feedback-Faktor in der EMA. Im direkten Vergleich wird die SMA auf der Grundlage der gleichen Zeitkonstanten nachstehend gezeigt: Die obigen Graphen zeigen den gleichen Regenbogen von Kurven, aber alle mit SMA statt EMA. Es ist wegen der nichtlinearen Eingangsreaktion, die die EMA hat, die bewirkt, dass die Kurven gegeneinander konvergieren, wobei der SMA-Satz von Kurven in diesen unteren zwei Graphen eindeutig einander übersteigt. Guppy Mehrere bewegliche Durchschnitte Daryl Guppy entwickelte einen Regenbogen von mehreren gleitenden Durchschnitten, die so genannte Guppy Moving Averages (GMA), die, wenn sie auf einem Preisplan platziert werden, konvergieren, während der Trend beginnt, und wieder konvergieren, wie der Trend abgelehnt hat, und Daryls EMA-Konstanten sind, für die kurzfristige: 3, 5, 8, 10, 12, 15 und für die langfristige 30, 35, 40, 45, 50 und 60. Für die kurzfristigen Konstanten, meine Vermutung ist, dass dies auf einem einfachen arithmetischen Satz von EMAs basierte, die nominal 2,4 Perioden auseinander und auf die nächste ganze Zahl für den Zeitraum, was in: 3 , 5.4, 7.8, 10.2, 12.6 und 15.0 mit 3, 5, 8, 10, 13 und 15, wobei die 13 auf 12 zurückgezogen sind. Die Langzeitkonstanten beruhen auf einer weiteren arithmetischen Progression mit 55 fehlenden Weil es dort zu eng geworden ist, und das sagt mir, dass diese Sequenz auf jeden Fall eine geometrische Progression sein sollte.