MetaTrader 5 - Indikatoren Triple Exponential Moving Average (TEMA) - Indikator für MetaTrader 5 Beschreibung: Das Prinzip der Berechnung entspricht dem Double Exponential Moving Average (DEMA). Der Name Triple Exponential Moving Average entspricht nicht sehr korrekt seinem Algorithmus. Dies ist eine einzigartige Mischung aus dem einfachen, doppelten und dreifachen exponentiellen Glättungsdurchschnitt, der die kleinere Verzögerung liefert als jede von ihnen getrennt. TEMA kann anstelle der traditionellen gleitenden Durchschnitte verwendet werden. Es kann zum Glätten von Preisdaten sowie zur Glättung anderer Indikatoren verwendet werden. Bild: Triple Exponential Moving Average Indicator Berechnung: Erste DEMA wird berechnet, dann wird der Fehler der Preisabweichung von DEMA berechnet: err (i) - DEMA (Preis, N, ii) err (i) - aktueller DEMA-Fehler Preis (i) - aktueller Preis DEMA (Preis, N, i) - aktueller DEMA-Wert aus Preisreihe mit N Periode. Dann addieren Sie den Wert des exponentiellen Mittelwertes des Fehlers und erhalten Sie TEMA: TEMA (i) DEMA (Preis, N, i) EMA (Preis, N, i) (Preis, N, i) EMA (Preis, N, i) EMA (Preis, N, i) , I) EMA3 (Preis, N, i) - aktueller Wert des exponentiellen Mittelwertes des Fehlerfehlers EMA2 (Preis, N, i) - aktueller Wert der doppelseitigen Preisglättung EMA3 (Preis , N, i) - aktueller Wert der dreifach sequentiellen Preisglättung. Moving Average Technical Indicator Der Moving Average Technical Indicator zeigt den durchschnittlichen Instrumentpreiswert für einen bestimmten Zeitraum an. Wenn man den gleitenden Durchschnitt berechnet, berechnet man den Instrumentenpreis für diesen Zeitraum. Wenn sich der Preis ändert, steigt oder fällt sein gleitender Durchschnitt. Es gibt vier verschiedene Arten von gleitenden Durchschnitten: Einfach (auch als Arithmetik bezeichnet). Exponentiell. Geglättet und linear gewichtet. Bewegungsdurchschnitte können für jeden sequentiellen Datensatz berechnet werden, einschließlich der Eröffnungs - und Schlusskurse, der höchsten und niedrigsten Preise, des Handelsvolumens oder anderer Indikatoren. Es ist oft der Fall, wenn doppelte gleitende Durchschnitte verwendet werden. Das Einzige, wo sich verschie - dende Durchschnittswerte verschiedener Typen erheblich voneinander unterscheiden, ist, wenn Gewichtskoeffizienten, die den letzten Daten zugeordnet sind, unterschiedlich sind. Wenn wir von einem einfachen gleitenden Durchschnitt sprechen, sind alle Preise des fraglichen Zeitraums gleich wertig. Exponentielle und linear gewichtete Bewegungsdurchschnitte legen mehr Wert auf die neuesten Preise. Der gängigste Weg zur Interpretation des gleitenden Durchschnitts ist es, seine Dynamik mit der Preisaktion zu vergleichen. Wenn der Instrumentenpreis über seinem gleitenden Durchschnitt ansteigt, erscheint ein Kaufsignal, wenn der Kurs unter den gleitenden Durchschnitt fällt, was wir haben, ist ein Verkaufssignal. Dieses handelnde System, das auf dem gleitenden Durchschnitt basiert, ist nicht entworfen, um Eintritt in den Markt direkt in seinem niedrigsten Punkt und seinem Ausgang direkt auf dem Höhepunkt zur Verfügung zu stellen. Es erlaubt, nach dem folgenden Trend zu handeln: bald zu kaufen, nachdem die Preise den Boden zu erreichen, und zu verkaufen, bald nachdem die Preise ihren Höhepunkt erreicht haben. Bewegungsdurchschnitte können auch auf Indikatoren angewendet werden. Das ist, wo die Interpretation der Indikatorbewegungsdurchschnitte ähnlich der Interpretation der Preisbewegungsdurchschnitte ist: wenn der Indikator über seinem gleitenden Durchschnitt steigt, bedeutet das, dass die aufsteigende Indikatorbewegung wahrscheinlich fortfährt: wenn der Indikator unter seinen gleitenden Durchschnitt fällt, dieses Bedeutet, dass es wahrscheinlich weiter nach unten gehen wird. Hier sind die Arten von gleitenden Durchschnittswerten auf dem Chart: Einfacher Moving Average (SMA) Exponentieller Moving Average (EMA) Smoothed Moving Average (SMMA) Linearer gewichteter Moving Average (LWMA) Berechnung: Simple Moving Average (SMA) Wird der arithmetische gleitende Durchschnitt berechnet, indem die Preise des Instrumentenschlusses über eine bestimmte Anzahl von Einzelperioden (z. B. 12 Stunden) zusammengefasst werden. Dieser Wert wird dann durch die Anzahl dieser Perioden dividiert. Dabei ist: N die Anzahl der Berechnungsperioden. Exponential Moving Average (EMA) Der exponentiell geglättete gleitende Durchschnitt wird berechnet, indem der gleitende Durchschnitt eines bestimmten Anteils des aktuellen Schlusskurses auf den vorherigen Wert addiert wird. Bei exponentiell geglätteten gleitenden Durchschnitten sind die neuesten Preise von mehr Wert. P-Prozentsatz des exponentiellen gleitenden Durchschnitts wird wie folgt aussehen: Wo: CLOSE (i) der Preis des laufenden Periodenabschlusses EMA (i-1) Exponentiell bewegender Durchschnitt des vorherigen Periodenabschlusses P der Prozentsatz der Verwendung des Preiswerts. Smutterhed Moving Average (SMMA) Der erste Wert dieses geglätteten gleitenden Durchschnitts wird als einfacher gleitender Durchschnitt (SMA) berechnet: Der zweite und nachfolgende gleitende Mittelwert wird gemäß dieser Formel berechnet: wobei: SUM1 die Summe der Schlusskurse für N ist Perioden PREVSUM ist die geglättete Summe des vorherigen Balkens SMMA1 ist der geglättete gleitende Durchschnitt des ersten Balkens SMMA (i) ist der geglättete gleitende Durchschnitt des aktuellen Balkens (mit Ausnahme des ersten) CLOSE (i) ist der aktuelle Schlusskurs N Ist die Glättungsperiode. Linearer gewichteter gleitender Durchschnitt (LWMA) Bei gewichteten gleitenden Mittelwerten sind die letzten Daten von größerem Wert als frühere Daten. Der gewichtete gleitende Durchschnitt wird berechnet, indem jeder der Schlusskurse innerhalb der betrachteten Reihe mit einem gewissen Gewichtskoeffizienten multipliziert wird. Wobei: SUM (i, N) die Gesamtsumme der Gewichtskoeffizienten ist. Source Code Vollständige MQL4-Quelle von Moving Averages ist in der Codebasis verfügbar: Gleitende Mittelwerte Warnung: Alle Rechte an diesen Materialien sind von MetaQuotes Software Corp. vorbehalten. Kopieren oder Nachdruck dieser Materialien ist ganz oder teilweise verboten. Exponential Moving Average - EMA Laden des Players. BREAKING DOWN Exponential Moving Average - EMA Die 12- und 26-Tage-EMAs sind die beliebtesten Kurzzeitmittelwerte und werden verwendet, um Indikatoren wie die gleitende durchschnittliche Konvergenzdivergenz (MACD) und den prozentualen Preisoszillator (PPO) zu erzeugen. Im Allgemeinen werden die 50- und 200-Tage-EMAs als Signale von langfristigen Trends verwendet. Trader, die technische Analyse verwenden finden fließende Mittelwerte sehr nützlich und aufschlussreich, wenn sie richtig angewendet werden, aber Chaos verursachen, wenn sie falsch verwendet werden oder falsch interpretiert werden. Alle gleitenden Mittelwerte, die gewöhnlich in der technischen Analyse verwendet werden, sind von Natur aus nacheilende Indikatoren. Folglich sollten die Schlussfolgerungen aus der Anwendung eines gleitenden Durchschnitts auf ein bestimmtes Marktdiagramm eine Marktbewegung bestätigen oder ihre Stärke belegen. Sehr oft, bis eine gleitende durchschnittliche Indikatorlinie eine Änderung vorgenommen hat, um eine bedeutende Bewegung auf dem Markt zu reflektieren, ist der optimale Punkt des Markteintritts bereits vergangen. Eine EMA dient dazu, dieses Dilemma zu einem gewissen Grad zu lindern. Da die EMA-Berechnung mehr Gewicht auf die neuesten Daten setzt, umgibt sie die Preisaktion etwas fester und reagiert damit schneller. Dies ist wünschenswert, wenn ein EMA verwendet wird, um ein Handelseintragungssignal abzuleiten. Interpretation der EMA Wie alle gleitenden Durchschnittsindikatoren sind sie für Trendmärkte viel besser geeignet. Wenn der Markt in einem starken und anhaltenden Aufwärtstrend ist. Zeigt die EMA-Indikatorlinie auch einen Aufwärtstrend und umgekehrt einen Abwärtstrend. Ein wachsamer Händler achtet nicht nur auf die Richtung der EMA-Linie, sondern auch auf das Verhältnis der Änderungsgeschwindigkeit von einem Balken zum nächsten. Wenn zum Beispiel die Preisaktion eines starken Aufwärtstrends beginnt, sich zu verflachen und umzukehren, wird die EMA-Rate der Änderung von einem Balken zum nächsten abnehmen, bis zu dem Zeitpunkt, zu dem die Indikatorlinie flacht und die Änderungsrate null ist. Wegen der nacheilenden Wirkung, von diesem Punkt, oder sogar ein paar Takte zuvor, sollte die Preisaktion bereits umgekehrt haben. Daraus folgt, dass die Beobachtung eines konsequenten Abschwächens der Veränderungsrate der EMA selbst als Indikator genutzt werden könnte, der das Dilemma, das durch den nacheilenden Effekt von gleitenden Durchschnittswerten verursacht wird, weiter beheben könnte. Gemeinsame Verwendung der EMA-EMAs werden häufig in Verbindung mit anderen Indikatoren verwendet, um signifikante Marktbewegungen zu bestätigen und deren Gültigkeit zu messen. Für Händler, die intraday und schnelllebigen Märkten handeln, ist die EMA mehr anwendbar. Häufig benutzen Händler EMAs, um eine Handel Bias zu bestimmen. Zum Beispiel, wenn eine EMA auf einem Tages-Chart zeigt einen starken Aufwärtstrend, eine Intraday-Trader-Strategie kann nur von der langen Seite auf einem Intraday-Diagramm zu handeln. Ich habe im Wesentlichen ein Array von Werten wie folgt: Das obige Array ist vereinfacht, Im sammeln 1 Wert pro Millisekunde in meinem realen Code und ich muss die Ausgabe auf einem Algorithmus, den ich schrieb, um die nächste Peak vor einem Zeitpunkt zu finden verarbeiten. Meine Logik schlägt fehl, weil in meinem Beispiel oben 0.36 die wahre Spitze ist, aber mein Algorithmus würde rückwärts schauen und sehen die sehr letzte Zahl 0.25 als die Spitze, als theres eine Abnahme zu 0.24 vor ihm. Das Ziel ist, diese Werte zu nehmen und einen Algorithmus auf sie, die glätten sie ein wenig, so dass ich mehr lineare Werte. (Dh: Id wie meine Ergebnisse curvy, nicht jaggedy) Ive wurde gesagt, um einen exponentiellen gleitenden durchschnittlichen Filter auf meine Werte anzuwenden. Wie kann ich dies tun Es ist wirklich schwer für mich, mathematische Gleichungen zu lesen, gehe ich viel besser mit Code. Wie verarbeite ich Werte in meinem Array, die Anwendung einer exponentiellen gleitenden Durchschnittsberechnung, um sie herauszufordern, um einen exponentiellen gleitenden Durchschnitt zu berechnen. Müssen Sie einige Zustand zu halten und Sie benötigen einen Tuning-Parameter. Dies erfordert eine kleine Klasse (vorausgesetzt, Sie verwenden Java 5 oder höher): Instantiate mit dem Decay-Parameter, die Sie wollen (kann Abstimmung sollte zwischen 0 und 1) und dann mit Average () zu filtern. Beim Lesen einer Seite auf einige mathematische Rekursion, alles, was Sie wirklich wissen müssen, wenn Sie es in Code ist, dass Mathematiker gerne Indizes in Arrays und Sequenzen mit Indizes schreiben. (Theyve einige andere Anmerkungen außerdem, die nicht helfen.) Jedoch ist die EMA ziemlich einfach, da Sie nur an einen alten Wert erinnern müssen, der keine komplizierten Zustandarrays erfordert. Beantwortet Feb 8 12 at 20:42 TKKocheran: Ziemlich viel. Isn39t es schön, wenn die Dinge einfach sein können (Wenn Sie mit einer neuen Sequenz beginnen, erhalten Sie einen neuen Mittelwert.) Beachten Sie, dass die ersten paar Begriffe in der gemittelten Sequenz um ein bisschen durch Randeffekte springen, aber Sie erhalten diese mit anderen gleitenden Durchschnitten auch. Allerdings ist ein guter Vorteil, dass Sie die gleitende durchschnittliche Logik in die Mittelung einwickeln und experimentieren können, ohne den Rest des Programms zu viel zu stören. Ndash Donal Fellows Ich habe eine harte Zeit, Ihre Fragen zu verstehen, aber ich werde versuchen, trotzdem zu beantworten. 1) Wenn Ihr Algorithmus 0,25 statt 0,36 gefunden hat, dann ist es falsch. Es ist falsch, weil es eine monotone Zunahme oder Abnahme (das ist immer nach oben oder immer nach unten). Wenn Sie ALLE Ihre Daten nicht klassifizieren, sind Ihre Datenpunkte - wie Sie sie darstellen - nichtlinear. Wenn Sie wirklich den maximalen Wert zwischen zwei Zeitpunkten finden wollen, dann schneiden Sie Ihr Array von tmin zu tmax und finden Sie das Maximum dieses Unterarrays. 2) Nun ist das Konzept der gleitenden Durchschnitte sehr einfach: vorstellen, dass ich die folgende Liste haben: 1.4, 1.5, 1.4, 1.5, 1.5. Ich kann es glätten, indem ich den Durchschnitt von zwei Zahlen: 1.45, 1.45, 1.45, 1.5. Beachten Sie, dass die erste Zahl ist der Durchschnitt von 1,5 und 1,4 (zweite und erste Zahlen) die zweite (neue Liste) ist der Durchschnitt von 1,4 und 1,5 (dritte und zweite alte Liste) die dritte (neue Liste) der Durchschnitt von 1,5 und 1,4 (Vierte und dritte), und so weiter. Ich könnte es Zeitraum drei oder vier gemacht haben, oder n. Beachten Sie, wie die Daten viel glatter sind. Ein guter Weg, um zu sehen, gleitende Durchschnitte bei der Arbeit ist, gehen Sie zu Google Finance, wählen Sie eine Aktie (versuchen Tesla Motors ziemlich volatil (TSLA)) und klicken Sie auf Technische Daten am unteren Rand des Diagramms. Wählen Sie Moving Average mit einer bestimmten Periode und Exponential gleitenden Durchschnitt, um ihre Differenzen zu vergleichen. Exponentielle gleitende Durchschnitt ist nur eine weitere Ausarbeitung dieser, aber Gewichte die älteren Daten weniger als die neuen Daten ist dies ein Weg, um die Glättung nach hinten auszugleichen. Bitte lesen Sie den Wikipedia-Eintrag. Also, dies ist eher ein Kommentar als eine Antwort, aber die kleine Kommentar-Box war nur zu klein. Viel Glück. Wenn youre Probleme mit der Mathematik haben, können Sie mit einem einfachen gleitenden Durchschnitt gehen, statt exponentiell. Also die Ausgabe erhalten Sie die letzten x-Terme durch x geteilt werden. Ungeprüfte Pseudo-Code: Beachten Sie, dass Sie da eindeutig die Start - und Endteile der Daten zu verarbeiten müssen Sie kippe die letzten fünf Begriffe im Durchschnitt, wenn Sie auf Ihrem zweiten Datenpunkt sind. Auch gibt es effizientere Wege zur Berechnung dieses gleitenden Durchschnitts (sum sum - älteste neueste), aber das ist das Konzept von, was in geschieht zu bekommen. Beantwortet Feb 8 12 at 20: 41Exponential Moving Durchschnittliche Stock-Modell von Matthew Mohorn geschrieben Eine primäre Anwendung der Ökonomie ist mit digitalen Signalverarbeitung Techniken zu filtern und vorherzusagen, Marktdaten, die Theorien zufällig Wanderung zeigt. Ein exponentieller gleitender Durchschnitt ist ein Werkzeug, das Physiker benutzen, um Daten von einem Eingangssignal zu glätten, um seine Trends zu identifizieren. Das Exponential Moving Average Stock Model implementiert drei Arten von exponentiellen gleitenden Durchschnittswerten und ermöglicht es dem Benutzer, die Parameter von jedem zu ändern. Das Modell erlaubt dem Benutzer, die Ergebnisse der exponentiellen gleitenden Durchschnitte zu sehen, die an der New Yorker Börse täglicher Schlusskurs von sechs vertrauten Firmen berechnet werden. Es zeigt eine Möglichkeit, dass Händler mit Kausal-Filter zu glätten Marktdaten und Prognose der nächsten Tage Preis. Bitte beachten Sie, dass diese Ressource mindestens Version 1.6 von Java (JRE) erfordert. Exponential Moving Average Stock-Quellcode Das Quellcode-Zip-Archiv enthält eine XML-Darstellung des Exponential Moving Average Stock Model. Entpacken Sie dieses Archiv in Ihrem EJS-Arbeitsbereich, um dieses Modell mit EJS zu kompilieren und auszuführen. Download 1050kb. zip Letzte Aktualisierung: 6. Juni 2014 Vorherige Versionen
No comments:
Post a Comment