Bergerak rata rata filter keuntungan

Moving Average - MA BREAKING DOWN Moving Average - MA Sebagai contoh SMA, pertimbangkan keamanan dengan harga penutupan berikut selama 15 hari: Minggu 1 (5 hari) 20, 22, 24, 25, 23 Minggu 2 (5 hari) 26, 28, 26, 29, 27 Minggu 3 (5 hari) 28, 30, 27, 29, 28 MA 10 hari akan rata-rata menutup harga untuk 10 hari pertama sebagai titik data pertama. Titik data berikutnya akan menurunkan harga paling awal, tambahkan harga pada hari ke 11 dan ambil rata-rata, dan seterusnya seperti yang ditunjukkan di bawah ini. Seperti disebutkan sebelumnya, MAs lag tindakan harga saat ini karena mereka didasarkan pada harga masa lalu semakin lama periode MA, semakin besar lag. Jadi MA 200 hari akan memiliki tingkat lag yang jauh lebih besar daripada MA 20 hari karena mengandung harga selama 200 hari terakhir. Panjang MA yang digunakan bergantung pada tujuan perdagangan, dengan MA yang lebih pendek digunakan untuk perdagangan jangka pendek dan MA jangka panjang lebih sesuai untuk investor jangka panjang. MA 200 hari banyak diikuti oleh investor dan pedagang, dengan tembusan di atas dan di bawah rata-rata pergerakan ini dianggap sebagai sinyal perdagangan penting. MA juga memberi sinyal perdagangan penting tersendiri, atau bila dua rata-rata melintas. MA yang sedang naik menunjukkan bahwa keamanan dalam tren naik. Sementara MA yang menurun menunjukkan bahwa tren turun. Begitu pula, momentum ke atas dikonfirmasi dengan crossover bullish. Yang terjadi ketika MA jangka pendek melintasi MA jangka panjang. Momentum turun dikonfirmasi dengan crossover bearish, yang terjadi ketika MA jangka pendek melintasi di bawah rata-rata MA. moving jangka panjang Rata-rata data deret waktu (pengamatan sama spasi dalam waktu) dari beberapa periode berturut-turut. Disebut bergerak karena terus dihitung ulang saat data baru tersedia, ia berkembang dengan menjatuhkan nilai paling awal dan menambahkan nilai terbaru. Misalnya, rata-rata bergerak dari penjualan enam bulan dapat dihitung dengan mengambil rata-rata penjualan dari bulan Januari sampai Juni, lalu rata-rata penjualan dari bulan Februari sampai Juli, kemudian dari bulan Maret sampai Agustus, dan seterusnya. Moving averages (1) mengurangi efek variasi data sementara, (2) memperbaiki kecocokan data ke garis (proses yang disebut smoothing) untuk menunjukkan tren data dengan lebih jelas, dan (3) menyoroti nilai di atas atau di bawah kecenderungan. Jika Anda menghitung sesuatu dengan varians yang sangat tinggi, yang terbaik yang dapat Anda lakukan adalah mengetahui rata-rata bergerak. Saya ingin tahu data rata-rata yang bergerak, jadi saya akan memiliki pemahaman yang lebih baik tentang bagaimana keadaan kami. Ketika Anda mencoba untuk mencari tahu beberapa nomor yang sering berubah, yang terbaik yang dapat Anda lakukan adalah menghitung rata-rata bergerak. Rata-rata tertimbang tertimbang eksponensial (EWMA) Panduan Ilmuwan dan Insinyur untuk Pengolahan Sinyal Digital Oleh Steven W. Smith, Ph. D. Bab 15: Filter Bergerak Rata-rata Kerabat Filter Rata-Rata Bergerak Di dunia yang sempurna, perancang filter hanya harus berurusan dengan domain waktu atau informasi yang dikodekan domain frekuensi, namun tidak pernah ada campuran keduanya dalam sinyal yang sama. Sayangnya, ada beberapa aplikasi dimana kedua domain sekaligus penting. Misalnya, sinyal televisi masuk dalam kategori buruk ini. Informasi video dikodekan dalam domain waktu, yaitu bentuk bentuk gelombang sesuai dengan pola kecerahan pada gambar. Namun, selama transmisi, sinyal video diperlakukan sesuai dengan komposisi frekuensinya, seperti bandwidth totalnya, bagaimana gelombang pembawa untuk warna suara amp ditambahkan, restorasi amplitudo dari komponen DC, dan sebagainya. Sebagai contoh lain, gangguan elektro-magnetik Paling baik dipahami dalam domain frekuensi, meskipun informasi sinyal dikodekan dalam domain waktu. Misalnya, monitor suhu dalam eksperimen ilmiah mungkin terkontaminasi dengan 60 hertz dari saluran listrik, 30 kHz dari catu daya switching, atau 1320 kHz dari stasiun radio AM setempat. Kerabat filter rata-rata bergerak memiliki kinerja domain frekuensi yang lebih baik, dan dapat berguna dalam aplikasi domain campuran ini. Filter rata-rata bergerak multiple pass melewati sinyal input melalui filter rata-rata bergerak dua kali atau lebih. Gambar 15-3a menunjukkan keseluruhan kernel filter yang dihasilkan dari satu, dua dan empat kali pelepasan. Dua lintasan sama dengan menggunakan saringan segitiga (kernel saringan persegi panjang yang dipadukan dengan dirinya sendiri). Setelah empat atau lebih berlalu, kernel filter setara terlihat seperti Gaussian (ingatlah Teorema Batas Tengah). Seperti ditunjukkan pada (b), beberapa lintasan menghasilkan respons bentuk berbentuk s, dibandingkan dengan garis lurus dari celah tunggal. Tanggapan frekuensi pada (c) dan (d) diberikan oleh Persamaan. 15-2 dikalikan dengan sendirinya untuk setiap umpan. Artinya, setiap kali konvolusi domain menghasilkan penggandaan spektrum frekuensi. Gambar 15-4 menunjukkan respons frekuensi dua kerabat lain dari filter rata-rata bergerak. Ketika Gaussian murni digunakan sebagai saringan, respons frekuensi juga merupakan Gaussian, seperti yang dibahas pada Bab 11. Gaussian penting karena ini adalah respon impuls dari banyak sistem buatan dan buatan manusia. Sebagai contoh, pulsa singkat cahaya yang memasuki jalur transmisi serat optik panjang akan keluar sebagai pulsa Gaussian, karena adanya jalur yang berbeda yang diambil oleh foton dalam serat. Kernel filter Gaussian juga digunakan secara luas dalam pengolahan citra karena memiliki sifat unik yang memungkinkan konveksi dua dimensi cepat (lihat Bab 24). Respons frekuensi kedua pada Gambar. 15-4 sesuai dengan menggunakan jendela Blackman sebagai saringan kernel. (Istilah jendela tidak ada artinya di sini hanyalah bagian dari nama yang diterima dari kurva ini). Bentuk yang tepat dari jendela Blackman diberikan pada Bab 16 (Persamaan 16-2, Gambar 16-2), bagaimanapun, terlihat seperti Gaussian. Bagaimana kerabat filter bergerak rata-rata ini lebih baik daripada filter rata-rata bergerak itu sendiri Tiga cara: Pertama, dan yang terpenting, filter ini memiliki redaman stopband yang lebih baik daripada filter rata-rata bergerak. Kedua, kernel filter lancip ke amplitudo yang lebih kecil di dekat ujungnya. Ingat bahwa setiap titik pada sinyal output adalah jumlah tertimbang dari sekelompok sampel dari input. Jika sikat kernel saring, sampel pada sinyal input yang lebih jauh diberi bobot lebih sedikit daripada yang terdekat. Ketiga, respons langkah adalah kurva halus, bukan garis lurus mendadak dari rata-rata bergerak. Dua terakhir ini biasanya memiliki keuntungan terbatas, walaupun Anda mungkin menemukan aplikasi di mana mereka merupakan keuntungan asli. Filter rata-rata bergerak dan kerabatnya hampir sama dalam mengurangi kebisingan acak sambil mempertahankan respons langkah yang tajam. Ambiguitas terletak pada bagaimana risetime dari respons langkah diukur. Jika risetime diukur dari 0 sampai 100 langkah, filter rata-rata bergerak adalah yang terbaik yang dapat Anda lakukan, seperti yang ditunjukkan sebelumnya. Sebagai perbandingan, mengukur risetime dari 10 sampai 90 membuat jendela Blackman lebih baik daripada filter rata-rata bergerak. Intinya, ini hanya pertengkaran teoritis karena filter ini sama dengan parameter ini. Perbedaan terbesar pada filter ini adalah kecepatan eksekusi. Dengan menggunakan algoritma rekursif (dijelaskan selanjutnya), filter rata-rata bergerak akan berjalan seperti kilat di komputer Anda. Sebenarnya, ini adalah filter digital tercepat yang tersedia. Beberapa kelulusan dari rata-rata bergerak akan menjadi lebih lambat, namun tetap sangat cepat. Sebagai perbandingan, filter Gaussian dan Blackman sangat lamban, karena mereka harus menggunakan konvolusi. Pikirkan satu faktor sepuluh kali jumlah titik di kernel filter (berdasarkan perkalian sekitar 10 kali lebih lambat dari pada penambahan). Misalnya, perkirakan Gaussian 100 titik menjadi 1000 kali lebih lambat dari rata-rata bergerak menggunakan rekursi.