การย้าย ค่าเฉลี่ย คณิตศาสตร์ สม

ค่าเฉลี่ยเคลื่อนที่: อะไรคือตัวชี้วัดทางเทคนิคที่เป็นที่นิยมมากที่สุดค่าเฉลี่ยเคลื่อนที่จะใช้เพื่อวัดทิศทางของแนวโน้มในปัจจุบัน ค่าเฉลี่ยเคลื่อนที่ทุกประเภท (เขียนโดยทั่วไปในบทแนะนำนี้เป็น MA) คือผลทางคณิตศาสตร์ที่คำนวณโดยเฉลี่ยจำนวนจุดข้อมูลที่ผ่านมา เมื่อพิจารณาแล้วค่าเฉลี่ยที่เกิดขึ้นจะถูกวางแผนลงในแผนภูมิเพื่อให้ผู้ค้าสามารถดูข้อมูลที่ราบรื่นแทนที่จะมุ่งเน้นไปที่ความผันผวนของราคาในแต่ละวันที่มีอยู่ในตลาดการเงินทั้งหมด รูปแบบที่ง่ายที่สุดของค่าเฉลี่ยเคลื่อนที่โดยทั่วไปหมายถึงค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย (SMA) โดยคำนวณค่าเฉลี่ยเลขคณิตของชุดค่าที่กำหนด ตัวอย่างเช่นในการคำนวณค่าเฉลี่ยเคลื่อนที่ 10 วันคุณจะเพิ่มราคาปิดจาก 10 วันที่ผ่านมาและหารผลตาม 10 ในรูปที่ 1 ผลรวมของราคาในช่วง 10 วันที่ผ่านมา (110) คือ หารด้วยจำนวนวัน (10) เพื่อให้ได้ค่าเฉลี่ย 10 วัน หากผู้ค้าต้องการเห็นค่าเฉลี่ย 50 วันแทนจะต้องมีการคำนวณประเภทเดียวกัน แต่จะรวมราคาในช่วง 50 วันที่ผ่านมา ค่าเฉลี่ยที่เกิดขึ้นด้านล่าง (11) คำนึงถึงจุดข้อมูล 10 จุดที่ผ่านมาเพื่อให้ผู้ค้าทราบว่าสินทรัพย์มีราคาเทียบกับ 10 วันที่ผ่านมาอย่างไร บางทีคุณอาจสงสัยว่าทำไมผู้ค้าทางเทคนิคเรียกเครื่องมือนี้ว่าเป็นค่าเฉลี่ยเคลื่อนที่และไม่ใช่แค่ค่าเฉลี่ยปกติ คำตอบก็คือเมื่อค่าใหม่มีพร้อมใช้งานจุดข้อมูลที่เก่าที่สุดต้องถูกลดลงจากชุดข้อมูลและจุดข้อมูลใหม่ ๆ ต้องมาเพื่อแทนที่ ดังนั้นชุดข้อมูลจึงมีการย้ายข้อมูลบัญชีใหม่ ๆ ไปเรื่อย ๆ วิธีการคำนวณนี้ช่วยให้แน่ใจได้ว่าจะมีการบันทึกข้อมูลปัจจุบันเท่านั้น ในรูปที่ 2 เมื่อมีการเพิ่มค่าใหม่ของชุดที่ 5 ช่องสีแดง (แทนจุดข้อมูล 10 จุดที่ผ่านมา) จะเลื่อนไปทางขวาและค่าสุดท้ายของ 15 จะถูกลดลงจากการคำนวณ เนื่องจากค่าที่ค่อนข้างเล็ก 5 จะแทนที่ค่าที่สูงถึง 15 คุณจึงคาดว่าจะเห็นค่าเฉลี่ยของการลดลงของชุดข้อมูลซึ่งในกรณีนี้มีค่าตั้งแต่ 11 ถึง 10 ค่าเฉลี่ยของค่าเฉลี่ยเคลื่อนที่เมื่อค่าของ MA ได้รับการคำนวณพวกเขาจะวางแผนลงบนแผนภูมิและเชื่อมต่อแล้วเพื่อสร้างเส้นค่าเฉลี่ยเคลื่อนที่ เส้นโค้งเหล่านี้มีอยู่ทั่วไปในแผนภูมิของผู้ค้าด้านเทคนิค แต่วิธีการใช้งานเหล่านี้อาจแตกต่างกันอย่างมาก (ในภายหลัง) ดังที่เห็นในรูปที่ 3 คุณสามารถเพิ่มค่าเฉลี่ยเคลื่อนที่ได้มากกว่าหนึ่งรายการในแผนภูมิโดยการปรับจำนวนช่วงเวลาที่ใช้ในการคำนวณ เส้นโค้งเหล่านี้ดูเหมือนจะเสียสมาธิหรือทำให้เกิดความสับสนในตอนแรก แต่คุณจะคุ้นเคยกับมันเมื่อเวลาผ่านไป เส้นสีแดงเป็นเพียงราคาเฉลี่ยในช่วง 50 วันที่ผ่านมาในขณะที่เส้นสีน้ำเงินเป็นราคาเฉลี่ยในช่วง 100 วันที่ผ่านมา ตอนนี้คุณเข้าใจว่าค่าเฉลี่ยเคลื่อนที่คืออะไรและแนะนำให้ใช้ค่าเฉลี่ยเคลื่อนที่ที่ต่างกันและดูว่าค่าเฉลี่ยเคลื่อนที่แตกต่างจากค่าเฉลี่ยเคลื่อนที่ที่กล่าวถึงก่อนหน้านี้เท่าไร ค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายเป็นที่นิยมอย่างมากของผู้ค้า แต่เป็นตัวบ่งชี้ทางเทคนิคทั้งหมดก็มีนักวิจารณ์ หลายคนอ้างว่าประโยชน์ของ SMA มีข้อ จำกัด เนื่องจากแต่ละจุดในชุดข้อมูลมีน้ำหนักเหมือนกันโดยไม่คำนึงถึงตำแหน่งที่เกิดขึ้นในลำดับ นักวิจารณ์ยืนยันว่าข้อมูลล่าสุดมีความสำคัญมากกว่าข้อมูลที่เก่ากว่าและควรมีอิทธิพลมากขึ้นต่อผลลัพธ์สุดท้าย ในการตอบสนองต่อคำวิจารณ์นี้ผู้ค้าเริ่มให้น้ำหนักกับข้อมูลล่าสุดซึ่งนำไปสู่การประดิษฐ์เครื่องคิดเลขใหม่ ๆ ประเภทต่างๆซึ่งเป็นที่นิยมมากที่สุดซึ่งเป็นค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) (สำหรับการอ่านเพิ่มเติมโปรดดูข้อมูลเบื้องต้นเกี่ยวกับค่าเฉลี่ยถ่วงน้ำหนักและความแตกต่างระหว่าง SMA กับ EMA) ค่าเฉลี่ยเคลื่อนที่แบบเสวนาค่าเฉลี่ยเคลื่อนที่แบบเสวนาคือค่าเฉลี่ยเคลื่อนที่ที่ให้น้ำหนักมากกว่าราคาล่าสุดในความพยายามที่จะทำให้การตอบสนองดีขึ้น ข้อมูลใหม่ ๆ การเรียนรู้สมการที่ค่อนข้างซับซ้อนสำหรับการคำนวณ EMA อาจไม่จำเป็นสำหรับผู้ค้าจำนวนมากเนื่องจากเกือบทุกชุดรูปแบบแผนภูมิทำคำนวณสำหรับคุณ อย่างไรก็ตามสำหรับคุณ geeks คณิตศาสตร์ออกมีที่นี่สมการ EMA: เมื่อใช้สูตรในการคำนวณจุดแรกของ EMA คุณอาจสังเกตเห็นว่าไม่มีค่าที่จะใช้เป็น EMA ก่อนหน้านี้ ปัญหาเล็ก ๆ นี้สามารถแก้ไขได้โดยเริ่มต้นการคำนวณด้วยค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและต่อเนื่องโดยใช้สูตรด้านบนจากที่นั่น เราได้จัดเตรียมสเปรดชีตตัวอย่างไว้ในตัวอย่างชีวิตจริงในการคำนวณทั้งค่าเฉลี่ยเคลื่อนที่แบบเรียบและค่าเฉลี่ยเคลื่อนที่แบบเสวนา ความแตกต่างระหว่าง EMA และ SMA ตอนนี้คุณเข้าใจดีว่า SMA และ EMA คำนวณอย่างไรให้ลองดูว่าค่าเฉลี่ยเหล่านี้แตกต่างกันอย่างไร เมื่อพิจารณาการคำนวณ EMA คุณจะสังเกตเห็นว่าจุดข้อมูลสำคัญ ๆ อยู่ในจุดข้อมูลล่าสุดทำให้เป็นประเภทของค่าเฉลี่ยถ่วงน้ำหนัก ในรูปที่ 5 ตัวเลขของช่วงเวลาที่ใช้ในแต่ละค่าเฉลี่ยเหมือนกัน (15) แต่ EMA จะตอบสนองต่อการเปลี่ยนแปลงราคาได้เร็วขึ้น สังเกตว่า EMA มีมูลค่าสูงขึ้นเมื่อราคาเพิ่มขึ้นและลดลงเร็วกว่า SMA เมื่อราคาลดลง การตอบสนองนี้เป็นเหตุผลหลักที่ทำให้ผู้ค้าจำนวนมากต้องการใช้ EMA มากกว่า SMA อะไรที่แตกต่างกันระหว่างวันหมายถึงค่าเฉลี่ยเคลื่อนที่เป็นตัวบ่งชี้ที่สามารถปรับแต่งได้โดยสิ้นเชิงซึ่งหมายความว่าผู้ใช้สามารถเลือกกรอบเวลาที่ต้องการได้ทุกเมื่อสร้างค่าเฉลี่ย ช่วงเวลาที่ใช้บ่อยที่สุดในการเคลื่อนที่โดยเฉลี่ยอยู่ที่ 15, 20, 30, 50, 100 และ 200 วัน ช่วงเวลาสั้น ๆ ที่ใช้ในการสร้างค่าเฉลี่ยความละเอียดอ่อนมากขึ้นคือการเปลี่ยนแปลงราคา ยิ่งช่วงเวลาที่ยาวนานขึ้นเท่าไรก็ยิ่งอ่อนไหวหรือเรียบเนียนขึ้นเท่านั้นโดยเฉลี่ยแล้ว ไม่มีกรอบเวลาที่เหมาะสมที่จะใช้เมื่อตั้งค่าค่าเฉลี่ยเคลื่อนที่ของคุณ วิธีที่ดีที่สุดในการพิจารณาว่าช่วงใดที่ดีที่สุดสำหรับคุณคือการทดสอบกับช่วงเวลาที่แตกต่างกันไปจนกว่าคุณจะหาช่วงเวลาที่เหมาะสมกับกลยุทธ์ของคุณสูตร Exponential Moving Average (EMA) คืออะไรและวิธีคำนวณ EMA เป็นเท่าไร ค่าเฉลี่ย (EMA) คือค่าเฉลี่ยถ่วงน้ำหนัก (WMA) ที่ให้น้ำหนักหรือความสำคัญกับข้อมูลราคาล่าสุดมากกว่าค่าเฉลี่ยเคลื่อนที่ (SMA) EMA ตอบสนองต่อการเปลี่ยนแปลงราคาล่าสุดได้เร็วกว่า SMA สูตรสำหรับการคำนวณ EMA เพียงเกี่ยวกับการใช้ตัวคูณและเริ่มต้นด้วย SMA การคำนวณ SMA นั้นตรงไปตรงมามาก SMA สำหรับช่วงเวลาหนึ่ง ๆ เป็นจำนวนรวมของราคาปิดสำหรับช่วงเวลาดังกล่าวหารด้วยจำนวนเดียวกัน ดังนั้นตัวอย่างเช่น SMA 10 วันเป็นเพียงผลรวมของราคาปิดในช่วง 10 วันที่หารด้วย 10 สามขั้นตอนในการคำนวณ EMA คือ: คำนวณ SMA คำนวณตัวคูณสำหรับการถ่วงน้ำหนัก EMA คำนวณ EMA ปัจจุบัน สูตรทางคณิตศาสตร์ในกรณีนี้สำหรับการคำนวณ EMA 10-D มีลักษณะเช่นนี้ SMA: 10 period sum10 การคำนวณตัวคูณการถ่วงน้ำหนัก: (2 (เลือกช่วงเวลา 1)) (2 (10 1)) 0.1818 (18.18) การคำนวณ EMA: (ราคาปิด EMA (วันก่อนหน้า)) x ตัวคูณ EMA (วันก่อนหน้า) การให้น้ำหนักกับราคาล่าสุดเป็นระยะเวลาที่สั้นกว่า EMA ระยะเวลายาวนานกว่า EMA ที่ยาวขึ้น ตัวอย่างเช่นตัวคูณ 18.18 จะถูกนำไปใช้กับข้อมูลราคาล่าสุดสำหรับ 10 EMA ในขณะที่สำหรับ 20 EMA จะใช้เฉพาะการคูณด้วยตัวคูณ 9.52 เท่านั้น นอกจากนี้ยังมีการเปลี่ยนแปลงเล็กน้อยของ EMA โดยใช้ราคาเปิดสูงต่ำหรือค่ามัธยฐานแทนการใช้ราคาปิด ใช้ค่าเฉลี่ยเคลื่อนที่แบบเสวนา (EMA) เพื่อสร้างกลยุทธ์การซื้อขายแบบไดนามิกแบบไดนามิก เรียนรู้ว่า EMA สามารถใช้ประโยชน์ได้มากเพียงใด อ่านคำตอบเรียนรู้ถึงข้อได้เปรียบที่สำคัญที่อาจเกิดขึ้นจากการใช้ค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดเมื่อทำการซื้อขายแทนการย้ายแบบง่ายๆ อ่านคำตอบเรียนรู้เกี่ยวกับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายและค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดซึ่งเป็นค่าชี้วัดทางเทคนิคที่วัดได้และความแตกต่าง อ่านคำตอบเรียนรู้สูตรสำหรับตัวบ่งชี้ความคลาดเคลื่อนการถดถอยของค่าเฉลี่ยเคลื่อนที่และหาวิธีคำนวณ MACD อ่านคำตอบเรียนรู้เกี่ยวกับประเภทของค่าเฉลี่ยเคลื่อนที่โดยรวมและค่าเฉลี่ยของไขว้ที่เคลื่อนที่และทำความเข้าใจว่าระบบเหล่านี้ถูกนำมาใช้อย่างไรอ่านคำตอบค้นพบความแตกต่างหลักระหว่างตัวชี้วัดค่าเฉลี่ยเคลื่อนที่แบบเสวนาและแบบธรรมดาและข้อเสียที่ EMA สามารถทำได้ Read Answer Beta เป็นตัวชี้วัดความผันผวนหรือความเสี่ยงอย่างเป็นระบบของการรักษาความปลอดภัยหรือผลงานเมื่อเทียบกับตลาดโดยรวม ประเภทของภาษีที่เรียกเก็บจากเงินทุนที่เกิดจากบุคคลและ บริษัท กำไรจากการลงทุนเป็นผลกำไรที่นักลงทุนลงทุน คำสั่งซื้อความปลอดภัยที่ต่ำกว่าหรือต่ำกว่าราคาที่ระบุ คำสั่งซื้อวงเงินอนุญาตให้ผู้ค้าและนักลงทุนระบุ กฎสรรพากรภายใน (Internal Internal Revenue Service หรือ IRS) ที่อนุญาตให้มีการถอนเงินที่ปลอดจากบัญชี IRA กฎกำหนดให้ การขายหุ้นครั้งแรกโดย บริษัท เอกชนต่อสาธารณชน การเสนอขายหุ้นหรือไอพีโอมักจะออกโดย บริษัท ขนาดเล็กที่มีอายุน้อยกว่าที่แสวงหา อัตราส่วนหนี้สิน DebtEquity Ratio คืออัตราส่วนหนี้สินที่ใช้ในการวัดแรงกดดันทางการเงินของ บริษัท หรืออัตราส่วนหนี้สินที่ใช้ในการวัดแต่ละบุคคลฉันมีค่าอย่างต่อเนื่องที่ Id ต้องการคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนา โดยปกติแล้ว Id ใช้สูตรมาตรฐานนี้: โดยที่ S n เป็นค่าเฉลี่ยใหม่ alpha คือ alpha, Y คือ sample และ S n-1 เป็นค่าเฉลี่ยก่อนหน้า แต่เนื่องจากปัญหาต่างๆ I dont มีเวลาตัวอย่างสม่ำเสมอ ฉันอาจรู้ว่าฉันสามารถหาตัวอย่างได้มากที่สุดเท่าที่พูดเช่นนี้ต่อหนึ่งมิลลิวินาที แต่เนื่องจากปัจจัยต่างๆที่อยู่นอกเหนือการควบคุมของฉันฉันอาจไม่สามารถใช้ตัวอย่างเป็นเวลาหลายมิลลิวินาทีในแต่ละครั้ง กรณีที่เป็นไปได้มากขึ้นก็คือตัวอย่างสั้น ๆ ของฉันเพียงเล็กน้อยก่อนหรือหลัง: แทนการสุ่มตัวอย่างที่ 0, 1 และ 2 มิลลิวินาที ตัวอย่างที่ 0, 0.9 และ 2.1 ms ฉันคาดหวังว่าโดยไม่คำนึงถึงความล่าช้าความถี่ในการสุ่มตัวอย่างของฉันจะไกลเกินกว่าขีด จำกัด ของ Nyquist และทำให้ฉันไม่จำเป็นต้องกังวลเกี่ยวกับการวางยา ฉันคิดว่าฉันสามารถจัดการกับสิ่งนี้ได้อย่างสมเหตุสมผลมากขึ้นโดยการเปลี่ยนค่า alpha ให้เหมาะสมขึ้นอยู่กับระยะเวลาตั้งแต่ตัวอย่างสุดท้าย ส่วนหนึ่งของเหตุผลของฉันที่จะใช้งานได้คือ EMA จะสอดแทรกเชิงเส้นระหว่างจุดข้อมูลก่อนหน้าและจุดข้อมูลปัจจุบัน ถ้าเราพิจารณาการคำนวณ EMA ของรายการตัวอย่างต่อไปนี้ในช่วงเวลา t: 0,1,2,3,4 เราควรได้รับผลเช่นเดียวกันถ้าเราใช้ช่วงเวลา 2t โดยที่ค่าอินพุทเป็น 0.22 ทางด้านขวาถ้า EMA ได้สันนิษฐานไว้ว่าที่ t 2 ค่าเป็น 2 เนื่องจาก t 0 ที่จะเป็นเช่นเดียวกับการคำนวณระยะ t คำนวณบน 0,2,2,4,4 ซึ่งไม่ได้ทำของมัน หรือว่าจะรู้สึกได้ทุกคนสามารถบอกได้อย่างไรว่าฉันจะเปลี่ยนอัลฟาได้อย่างเหมาะสมหรือไม่โปรดแสดงผลงานของคุณ นั่นคือ แสดงให้ฉันเห็นคณิตศาสตร์ที่พิสูจน์ให้เห็นว่าวิธีการของคุณจริงๆจะทำสิ่งที่ถูกต้อง ถาม 21 มิ.ย. เวลา 13:05 น. คุณไม่ควรได้รับ EMA แบบเดียวกันสำหรับการป้อนข้อมูลที่ต่างกัน คิดว่า EMA เป็นตัวกรองการสุ่มตัวอย่างที่ 2T เท่ากับการสุ่มตัวอย่างและตัวกรองจะให้ผลลัพธ์ที่ต่างกัน นี้ชัดเจนกับฉันตั้งแต่ 0,2,4 มีส่วนประกอบความถี่สูงกว่า 0,1,2,3,4 ยกเว้นคำถามคือฉันจะเปลี่ยนกรองในทันทีเพื่อให้ออกเดียวกัน บางทีฉันอาจจะหายไปบางอย่าง ndash freespace Jun 21 09 at 15:52 แต่อินพุทไม่แตกต่างกันเพียงตัวอย่างน้อยมักจะ 0,2,4 ในช่วงเวลา 2t เป็นเหมือน 0,, 2,, 4 ในช่วงเวลา t ซึ่งแสดงให้เห็นว่าตัวอย่างถูกละเลย ndash Curt Sampson 21 มิถุนายนที่ 23:45 คำตอบนี้อยู่บนพื้นฐานของความเข้าใจที่ดีของฉันต่ำผ่าน ตัวกรอง (ค่าเฉลี่ยเคลื่อนที่เป็นตัวชี้วัดเป็นเพียงตัวกรอง lowpass แบบโพลขั้วเดียว) แต่ความเข้าใจผิดเกี่ยวกับสิ่งที่คุณกำลังมองหาอยู่ ฉันคิดว่าต่อไปนี้คือสิ่งที่คุณต้องการ: ขั้นแรกคุณสามารถทำให้สมการของคุณง่ายขึ้นเล็กน้อย (ดูซับซ้อน แต่ง่ายกว่าในโค้ด) Im จะใช้ Y สำหรับ output และ X สำหรับ input (แทน S สำหรับ output และ Y สำหรับ input ตามที่คุณได้ทำ) ประการที่สองค่าของ alpha ที่นี่เท่ากับ 1-e - Deltattau โดยที่ Deltat เป็นเวลาระหว่างตัวอย่างและ tau เป็นค่าคงที่ตลอดเวลาของ low-pass filter ฉันพูดเท่ากันในคำพูดเพราะทำงานได้ดีเมื่อ Deltattau มีขนาดเล็กเมื่อเทียบกับ 1 และ alpha 1-e - Deltattau asymp Deltattau (แต่ไม่เล็กเกินไป: คุณจะวิ่งเข้าไปในประเด็น quantizing และถ้าคุณไม่คุ้นเคยกับเทคนิคแปลกใหม่ที่คุณต้องการบิตพิเศษของ N ในการแก้ปัญหาของคุณในตัวแปร State S ซึ่ง N - log 2 (alpha)) สำหรับค่าที่มากขึ้นของ Deltattau ผลการกรองเริ่มหายไปจนกว่าคุณจะถึงจุดที่อัลฟาใกล้เคียงกับ 1 และคุณเป็นเพียงการกำหนดอินพุทให้กับเอาท์พุท นี้จะทำงานได้อย่างถูกต้องกับค่าที่แตกต่างกันของ Deltat (รูปแบบของ Deltat ไม่สำคัญมากตราบเท่าที่อัลฟามีขนาดเล็กมิฉะนั้นคุณจะเรียกใช้ในบางค่อนข้างแปลกปัญหา Nyquist aliasing ฯลฯ ) และถ้าคุณกำลังทำงานกับโปรเซสเซอร์ที่คูณ มีราคาถูกกว่าการหารหรือปัญหาจุดคงที่มีความสำคัญ precalculate โอเมก้า 1tau และพิจารณาพยายามที่จะประมาณสูตรสำหรับอัลฟา ถ้าคุณต้องการทราบวิธีหาสูตร alpha 1-e - Deltattau ให้พิจารณาถึงสมการเชิงอนุพันธ์ของมัน: ซึ่งเมื่อ X เป็นฟังก์ชันขั้นบันไดมีทางออก Y 1 - e --ttau สำหรับค่า Deltat ขนาดเล็กอนุพันธ์สามารถประมาณได้โดย DeltaYDeltat โดยให้ YTU DeltaYDeltat X DeltaY (XY) (Deltattau) alpha (XY) และการคาดการณ์ของ alpha 1-e - Deltattau มาจากการพยายามจับคู่พฤติกรรมกับ หน่วยกรณีขั้นตอนการทำงาน คุณจะกรุณาอธิบายเพิ่มเติมเกี่ยวกับ quottrying เพื่อให้ตรงกับส่วนของ behaviorquot ฉันเข้าใจวิธีแก้ปัญหาอย่างต่อเนื่อง Y 1 - exp (-t47) และการสรุปทั่วไปของฟังก์ชันปรับขนาดที่มีค่า x และเงื่อนไขเริ่มต้น y (0) แต่ฉันไม่เห็นวิธีที่จะนำความคิดเหล่านี้ร่วมกันเพื่อให้บรรลุผลของคุณ ndash Rhys Ulerich May 4 13 at 22:34 นี่ไม่ใช่คำตอบที่สมบูรณ์ แต่อาจจะเริ่มต้นหนึ่ง เท่าที่ฉันได้รับกับเรื่องนี้ในชั่วโมงหรือดังนั้นของการเล่นอิ่มโพสต์เป็นตัวอย่างของสิ่งที่อิ่มมองหาและบางทีอาจจะเป็นแรงบันดาลใจให้กับคนอื่น ๆ ที่ทำงานเกี่ยวกับปัญหา ฉันเริ่มต้นด้วย S 0 ซึ่งเป็นค่าเฉลี่ยที่เกิดจากค่าเฉลี่ย S -1 ก่อนหน้าและตัวอย่าง Y 0 ที่ถ่ายเมื่อ t 0 (t 1 - t 0) เป็นช่วงตัวอย่างของฉันและ alpha ถูกตั้งค่าให้เป็นสิ่งที่เหมาะสมสำหรับช่วงเวลาตัวอย่างและระยะเวลาที่ฉันต้องการเฉลี่ย ฉันพิจารณาสิ่งที่เกิดขึ้นถ้าพลาดตัวอย่างที่ t 1 และแทนที่จะต้องทำอย่างไรกับตัวอย่าง Y 2 ที่ถ่ายที่ t 2 เราสามารถเริ่มต้นด้วยการขยายสมการเพื่อดูว่าจะเกิดอะไรขึ้นถ้าเรามี Y 1: ฉันสังเกตเห็นว่าชุดนี้น่าจะขยายไปเรื่อย ๆ ด้วยวิธีนี้เพราะเราสามารถแทนที่ S n ทางขวามือได้เรื่อย ๆ : Ok ดังนั้นจึงไม่ได้จริงๆพหุนาม (โง่ฉัน) แต่ถ้าเราคูณระยะเริ่มต้นโดยหนึ่งแล้วเราจะเห็นรูปแบบ: Hm: ชุดเลขลำดับของ ความประหลาดใจ Quelle ลองจินตนาการว่าออกมาจากสมการสำหรับค่าเฉลี่ยเคลื่อนที่ที่อธิบายไว้ดังนั้นต่อไปฉันมี x 0 x 1 x 2 x 3 สิ่งที่จะเกิดขึ้นและอิ่ม Im แน่ใจอิ่มหรือลอการิทึมธรรมชาติเตะรอบที่นี่ แต่ฉันลาดเทจำที่ฉันกำลังมุ่งหน้าต่อไปก่อนที่ฉันจะหมดเวลา คำตอบสำหรับคำถามนี้หรือคำรับรองใด ๆ ที่เป็นความถูกต้องของคำตอบนั้นขึ้นอยู่กับข้อมูลที่คุณกำลังวัด หากตัวอย่างของคุณถูกถ่ายที่ 0 0ms t 1 0.9ms และ t 2 2.1ms แต่การเลือก alpha ขึ้นอยู่กับช่วงเวลา 1 มิลลิวินาทีและดังนั้นคุณจึงต้องการปรับ alpha n ในระบบ การพิสูจน์ความถูกต้องของทางเลือกจะหมายถึงการทราบค่าตัวอย่างที่ t1ms และ t2ms สิ่งนี้นำไปสู่คำถาม: คุณสามารถสอดแทรกข้อมูลของคุณได้อย่างแม่นยำเพื่อให้มีการคาดเดาอย่างมีสติของค่าที่อยู่ระหว่างกันหรือคุณสามารถ interpolate ค่าเฉลี่ยได้ถ้าไม่เป็นไปได้ให้เท่าที่ฉันเห็นมันตรรกะ การเลือกค่าระหว่าง Y (t) เป็นค่าเฉลี่ยที่คำนวณโดยเร็วที่สุด นั่นคือ Y (t) asymp S n โดยที่ n เป็นจำนวนสูงสุดเช่นที่ t n ltt ทางเลือกนี้มีผลอย่างง่ายๆ: ปล่อยให้อัลฟาอยู่คนเดียวไม่ว่าความแตกต่างของเวลาจะเป็นอย่างไร ถ้าในทางกลับกันมีความเป็นไปได้ในการสอดแทรกค่าของคุณแล้วค่านี้จะให้ตัวอย่างค่าคงที่เป็นระยะ ๆ สุดท้ายถ้าเป็นไปได้ที่จะแทรกแซงค่าเฉลี่ยของตัวเองที่จะทำให้คำถามไม่มีความหมาย ฉันคิดว่าฉันสามารถ interpolate ข้อมูลของฉัน: ให้ I39m สุ่มตัวอย่างมันในช่วงเวลาไม่ต่อเนื่อง I'm แล้วทำเช่นนั้นกับมาตรฐาน EMA อย่างไรก็ตามสมมติว่าฉันต้องการ. quotproofquot ที่แสดงให้เห็นถึงการทำงานเช่นเดียวกับ EMA มาตรฐานซึ่งจะทำให้ได้ผลลัพธ์ที่ไม่ถูกต้องหากค่าไม่เปลี่ยนแปลงไปอย่างราบรื่นระหว่างช่วงเวลาตัวอย่าง ndash Curt Sampson 21 มิถุนายน 09 at 15:21 แต่นั่นคือสิ่งที่ฉันจะบอกว่า: ถ้าคุณพิจารณา EMA แก้ไขค่าของคุณคุณจะทำถ้าคุณออกจากอัลฟาตามที่เป็น (เพราะการแทรกค่าเฉลี่ยล่าสุดเป็น Y ไม่ได้เปลี่ยนค่าเฉลี่ย) . หากคุณต้องการว่าคุณต้องการสิ่งที่ quotworks เช่นเดียวกับ EMAquot มาตรฐาน - มีอะไรผิดปกติกับต้นฉบับถ้าคุณไม่มีข้อมูลเพิ่มเติมเกี่ยวกับข้อมูลที่คุณกำลังวัดอยู่การปรับท้องถิ่นให้ alpha จะเป็นแบบที่ดีที่สุด ndash balpha 9830 Jun 21 09 at 15:31 ฉันจะออกจากค่า alpha เพียงอย่างเดียวและกรอกข้อมูลที่หายไป เนื่องจากคุณไม่ทราบสิ่งที่เกิดขึ้นในช่วงเวลาที่คุณไม่สามารถใช้ตัวอย่างคุณสามารถกรอกข้อมูลตัวอย่างเหล่านั้นด้วย 0 หรือเก็บค่าก่อนหน้านี้ไว้และใช้ค่าเหล่านี้สำหรับ EMA หรือการแก้ไขย้อนหลังบางอย่างเมื่อคุณมีตัวอย่างใหม่กรอกค่าที่ขาดหายไปและคำนวณค่า EMA ใหม่ สิ่งที่ฉันพยายามจะได้รับคือคุณมี input xn ที่มีรู ไม่มีวิธีใดที่จะทำให้ข้อมูลของคุณหายไปได้ ดังนั้นคุณจึงสามารถใช้การระงับคำสั่งซื้อเป็นศูนย์หรือตั้งค่าเป็นศูนย์หรือการแก้ไขบางอย่างระหว่าง xn และ xnM โดยที่ M คือจำนวนตัวอย่างที่หายไปและ n จุดเริ่มต้นของช่องว่าง แม้กระทั่งการใช้ค่าก่อน n จากการใช้จ่ายชั่วโมงหรือเพื่อ mucking เกี่ยวกับบิตกับคณิตศาสตร์นี้ผมคิดว่าเพียงแตกต่าง alpha จริงจะให้ฉันแก้ไขเหมาะสมระหว่างสองจุดที่คุณพูดถึง แต่ใน วิธีง่ายมาก นอกจากนี้ผมคิดว่าอัลฟาที่แตกต่างกันก็จะเหมาะสมกับตัวอย่างที่ถ่ายระหว่างช่วงเวลาการสุ่มตัวอย่างมาตรฐาน กล่าวอีกนัยหนึ่งฉันกำลังมองหาสิ่งที่คุณอธิบายไว้ แต่พยายามใช้คณิตศาสตร์เพื่อหาวิธีง่ายๆในการทำ ndash Curt Sampson 21 มิ.ย. 21 เวลา 14:07 น. ฉันไม่คิดว่าสัตว์ประหลาดดังกล่าวเป็น interpolationquot ของ quotproper คุณก็ไม่ทราบว่าเกิดอะไรขึ้นในเวลาที่คุณไม่ได้สุ่มตัวอย่าง การแทรกซึมที่ดีและไม่ดีหมายถึงความรู้บางอย่างเกี่ยวกับสิ่งที่คุณพลาดเนื่องจากคุณต้องประเมินว่าเป็นการตัดสินว่าการแก้ไขเป็นสิ่งที่ดีหรือไม่ดี แม้ว่าจะกล่าวว่าคุณสามารถวางข้อ จำกัด เช่นมีการเร่งความเร็วสูงสุด ฯลฯ ฉันคิดว่าถ้าคุณทราบวิธีการสร้างแบบจำลองข้อมูลที่หายไปจากนั้นคุณก็จะจำลองข้อมูลที่หายไปจากนั้นใช้อัลกอริทึม EMA โดยไม่มีการเปลี่ยนแปลง มากกว่าการเปลี่ยนอัลฟา เพียงแค่ฉัน 2c :) ndash freespace Jun 21 09 at 14:17 นี่คือสิ่งที่ฉันได้รับในการแก้ไขของฉันกับคำถาม 15 นาทีที่ผ่านมา: quotYou เพียงแค่ don39t รู้ว่าสิ่งที่เกิดขึ้นในเวลาที่คุณจะไม่สุ่มตัวอย่างให้ แต่ที่จริง แม้ว่าคุณจะสุ่มตัวอย่างทุกช่วงเวลา ดังนั้นการพิจารณา Nyquist ของฉัน: ตราบเท่าที่คุณรู้ว่ารูปแบบคลื่นไม่ได้เปลี่ยนทิศทางมากกว่าคู่ของตัวอย่างแต่ละช่วงเวลาตัวอย่างจริงไม่ควรเป็นเรื่องและควรสามารถเปลี่ยนแปลงได้ สมการ EMA ดูเหมือนว่าฉันจะคำนวณว่ารูปคลื่นที่มีการเปลี่ยนแปลงเชิงเส้นจากค่าตัวอย่างล่าสุดไปเป็นค่าปัจจุบัน ndash Curt Sampson 21 มิ.ย. 21 เวลา 14:26 น. ฉันไม่คิดว่าเป็นความจริงทีเดียว ทฤษฎีบทของ Nyquist ต้องใช้ตัวอย่างอย่างน้อย 2 ตัวอย่างต่อระยะเวลาเพื่อให้สามารถระบุสัญญาณได้เฉพาะ ถ้าคุณไม่ทำเช่นนี้คุณจะได้รับการตั้งชื่อตาม aliasing จะเหมือนกับการสุ่มตัวอย่างเป็น fs1 เป็นเวลาหนึ่งครั้งแล้ว fs2 จากนั้นกลับไปที่ fs1 และคุณจะได้รับข้อมูลที่เป็นนามแฝงในตัวอย่างเมื่อใช้ fs2 ถ้า fs2 อยู่ต่ำกว่าขีด จำกัด Nyquist ฉันยังต้องสารภาพฉันไม่เข้าใจสิ่งที่คุณหมายถึงโดยการเปลี่ยนแปลง quotwaveform เชิงเส้นจากตัวอย่างล่าสุดเพื่อ onequot ปัจจุบัน คุณช่วยอธิบาย Cheers Steve ได้ไหม ndash freespace Jun 21 09 at 14:36 ​​นี้คล้ายกับปัญหาเปิดในรายการสิ่งที่ต้องทำของฉัน ฉันมีหนึ่งโครงการทำงานออกบางส่วน แต่ไม่ได้ทำงานทางคณิตศาสตร์เพื่อกลับข้อเสนอแนะนี้ยัง สรุปแอ็พพลิเคชันการอัปเดต: ต้องการรักษาปัจจัยการทำให้ราบรื่น (alpha) ขึ้นอยู่กับปัจจัยชดเชย (ซึ่งฉันอ้างว่าเป็นเบต้าที่นี่) คำตอบที่ดีเยี่ยมของ Jasons ที่ยอมรับในที่นี้เหมาะสำหรับฉันมาก ถ้าคุณสามารถวัดเวลาตั้งแต่ตัวอย่างสุดท้ายได้ด้วย (ในรอบคูณของเวลาเก็บตัวอย่างคงที่ - ดังนั้น 7.8 ms เนื่องจากตัวอย่างสุดท้ายจะเป็น 8 units) ซึ่งสามารถใช้เพื่อปรับให้เรียบได้หลายครั้ง ใช้สูตรนี้ 8 ครั้งในกรณีนี้ คุณได้ทำอย่างมีประสิทธิภาพราบเรียบลำเอียงมากขึ้นต่อมูลค่าปัจจุบัน เพื่อให้ได้ความเรียบที่ดีขึ้นเราจำเป็นต้องปรับแต่งอัลฟาในขณะที่ใช้สูตร 8 ครั้งในกรณีก่อนหน้านี้ นี่คือประมาณในขั้นตอนที่ 1 ด้วยการประยุกต์ใช้ค่าใหม่อีกครั้งเป็นลายลักษณ์อักษรอีก 7 ครั้งถ้าเรากำหนดค่าประมาณเบต้าที่จะใช้ร่วมกับอัลฟ่า (เป็น alphabeta แทนที่จะเป็น alpha) เราจะสมมุติว่า 7 ตัวอย่างพลาดได้เปลี่ยนไปอย่างราบรื่นระหว่างค่าตัวอย่างก่อนหน้าและปัจจุบัน ฉันคิดเกี่ยวกับเรื่องนี้ แต่บิตของ mucking เกี่ยวกับคณิตศาสตร์ได้ฉันไปยังจุดที่ฉันเชื่อว่ามากกว่าการใช้สูตรแปดครั้งกับค่าตัวอย่างผมสามารถคำนวณ. ของอัลฟาใหม่ที่จะช่วยให้ฉันสามารถใช้สูตรได้เพียงครั้งเดียวและให้ผลลัพธ์ที่เหมือนกัน นอกจากนี้การดำเนินการนี้จะจัดการกับปัญหาของตัวอย่างที่ชดเชยจากเวลาตัวอย่างที่แน่นอน ndash Curt Sampson Jun 21 09 at 13:47 โปรแกรมเดียวจะดี สิ่งที่ฉันไม่แน่ใจเกี่ยวกับยังเป็นวิธีการที่ดีคือประมาณของ 7 ค่าที่ขาดหายไป หากการเคลื่อนไหวอย่างต่อเนื่องทำให้ค่าความกระวนกระวายใจเป็นจำนวนมากในช่วง 8 มิลลิวินาทีอาจมีค่าประมาณใกล้เคียงกับความเป็นจริง แต่ถ้าคุณกำลังสุ่มตัวอย่างที่ 1ms (ความละเอียดสูงสุดยกเว้นตัวอย่างที่ล่าช้า) คุณได้คิดไปแล้วว่า jitter ภายใน 1ms ไม่เกี่ยวข้อง เหตุผลนี้ทำงานให้คุณ (ฉันยังพยายามโน้มน้าวตัวเอง) ndash nik มิ.ย. 21 09 เวลา 14:08 ต้อง นั่นคือเบต้าปัจจัยจากคำอธิบายของฉัน ค่าเบต้าจะคำนวณตามช่วงเวลาที่แตกต่างกันและตัวอย่างปัจจุบันและก่อนหน้า อัลฟาใหม่จะเป็น (alphabeta) แต่จะใช้สำหรับตัวอย่างเท่านั้น ในขณะที่คุณดูเหมือนจะมีแอลฟาอยู่ในสูตรนี้ฉันมีแนวโน้มที่จะคงค่า alpha (smoothing factor) อย่างต่อเนื่องและเบต้าคำนวณที่เป็นอิสระ (ปัจจัยการปรับค่า) ที่ชดเชยตัวอย่างที่ไม่ได้รับในตอนนี้ ndash nik Jun 21 09 at 15: 23I เป็นหลักมีอาร์เรย์ของค่าเช่นนี้อาร์เรย์ข้างต้นเป็น oversimplified, Im เก็บ 1 ค่าต่อมิลซิสต์ในรหัสจริงของฉันและฉันต้องดำเนินการออกในขั้นตอนฉันเขียนเพื่อหาที่ใกล้เคียงที่สุด จุดสูงสุดก่อนจุดในเวลา ตรรกะของฉันล้มเหลวเนื่องจากในตัวอย่างข้างต้นของฉัน 0.36 เป็นยอดจริง แต่อัลกอริทึมของฉันจะมองย้อนกลับไปและดูจำนวนสุดท้าย 0.25 เป็นยอดสูงสุดเนื่องจาก theres ลดลงเหลือ 0.24 ก่อนหน้านี้ เป้าหมายคือการใช้ค่าเหล่านี้และใช้อัลกอริธึมกับข้อมูลเหล่านี้ซึ่งจะทำให้บิตเหล่านั้นเรียบขึ้นเพื่อให้มีค่าเชิงเส้นมากขึ้น (เช่น: Id เช่นผลของฉันจะ curvy ไม่ jaggedy) Ive ได้รับการบอกให้ใช้ตัวกรองค่าเฉลี่ยที่ชี้แจงค่าเฉลี่ยกับค่าของฉัน ฉันจะทำเช่นนี้จริงๆมันยากสำหรับฉันที่จะอ่านสมการทางคณิตศาสตร์ที่ฉันจัดการดีมากกับรหัส ฉันจะประมวลผลค่าในอาร์เรย์ของฉันโดยใช้การคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนาเพื่อให้พวกมันออกไปถาม 8 ก. พ. 2 เวลา 20:27 เพื่อคำนวณค่าเฉลี่ยเคลื่อนที่แบบเสวนา คุณต้องเก็บข้อมูลบางส่วนไว้รอบ ๆ และคุณต้องมีพารามิเตอร์การปรับแต่ง (สมมติว่าคุณกำลังใช้ Java 5 ขึ้นไป): เริ่มต้นด้วยพารามิเตอร์การสลายตัวที่คุณต้องการ (อาจใช้การปรับค่าระหว่าง 0 ถึง 1) และใช้ค่าเฉลี่ย () เพื่อกรอง เมื่ออ่านหน้าเว็บเกี่ยวกับการกลับเป็นซ้ำคณิตศาสตร์บางสิ่งที่คุณจำเป็นต้องรู้จริงๆเมื่อเปลี่ยนเป็นรหัสก็คือนักคณิตศาสตร์ต้องการเขียนดัชนีเป็นอาร์เรย์และลำดับด้วยดัชนีย่อย (พวกเขายังมีโน้ตอื่น ๆ อีกเช่นกันซึ่งไม่ได้ช่วยอะไร) อย่างไรก็ตาม EMA ใช้งานได้ง่ายเพียงเท่านี้คุณจะต้องจำค่าเดิมที่ไม่มีอาร์เรย์สถานะที่ซับซ้อน ตอบกุมภาพันธ์ 8 12 เวลา 20:42 TKKocheran: Pretty much. (ถ้าเริ่มต้นด้วยลำดับใหม่ให้หาค่าเฉลี่ยใหม่) โปรดสังเกตว่าคำไม่กี่คำแรกในลำดับเฉลี่ยจะกระโดดไปรอบ ๆ เล็กน้อยเนื่องจากผลกระทบขอบเขต แต่คุณจะได้รับค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนที่ได้ เกินไป. อย่างไรก็ตามข้อได้เปรียบที่ดีคือคุณสามารถตัดค่าตรรกะเฉลี่ยที่เคลื่อนที่ไปเป็นค่าเฉลี่ยและการทดสอบได้โดยไม่รบกวนส่วนที่เหลือของโปรแกรมมากเกินไป ndash Donal Fellows ก. พ. 9 12 เวลา 0:06 ฉันกำลังมีปัญหาในการทำความเข้าใจคำถามของคุณ แต่ฉันจะพยายามตอบคำถามต่อไป 1) ถ้าอัลกอริทึมของคุณพบ 0.25 แทน 0.36 แล้วมันก็ไม่ถูกต้อง ผิดเพราะสมมติว่ามีการเพิ่มขึ้นหรือลดลงเล็กน้อย (ซึ่งมักจะขึ้นหรือลงไปตลอดเวลา) เว้นแต่คุณจะเฉลี่ยข้อมูลทั้งหมดของคุณจุดข้อมูลของคุณ --- ตามที่คุณนำเสนอ --- ไม่เป็นเชิงเส้น ถ้าคุณต้องการหาค่าสูงสุดระหว่างสองจุดในเวลาจากนั้นแบ่งอาร์เรย์จาก tmin ไปเป็น tmax และหาค่าสูงสุดของอาร์เรย์ย่อยนั้น 2) ตอนนี้แนวคิดเกี่ยวกับค่าเฉลี่ยเคลื่อนที่จะง่ายมาก: สมมติว่าฉันมีรายการต่อไปนี้: 1.4, 1.5, 1.4, 1.5, 1.5 ฉันสามารถเรียบออกโดยใช้ค่าเฉลี่ยของสองตัวเลข: 1.45, 1.45, 1.45, 1.5 สังเกตว่าตัวเลขแรกเป็นค่าเฉลี่ย 1.5 และ 1.4 (ตัวเลขที่สองและหมายเลขแรก) ส่วนที่สอง (รายการใหม่) คือค่าเฉลี่ย 1.4 และ 1.5 (รายการเก่าที่สามและสอง) อันดับที่สาม (รายการใหม่) เฉลี่ย 1.5 และ 1.4 (สี่และสาม) และอื่น ๆ ฉันสามารถทำให้มันเป็นระยะเวลาสามหรือสี่หรือ n สังเกตว่าข้อมูลมีความนุ่มนวลมากแค่ไหน วิธีที่ดีในการดูค่าเฉลี่ยเคลื่อนที่ในที่ทำงานคือไปที่ Google Finance เลือกสต็อค (ลองใช้ Tesla Motors volatile สวย (TSLA)) และคลิก technicals ที่ด้านล่างของแผนภูมิ เลือก Moving Average กับช่วงเวลาที่ระบุและค่าเฉลี่ยเคลื่อนที่แบบเสวนาเพื่อเปรียบเทียบความแตกต่าง ค่าเฉลี่ยเคลื่อนที่แบบเสวนาเป็นเพียงการอธิบายเพิ่มเติมอีกประการหนึ่งจากข้อมูลนี้ แต่ให้น้ำหนักข้อมูลเก่าน้อยกว่าข้อมูลใหม่นี่เป็นวิธีที่จะทำให้เกิดการปรับให้เรียบไปทางด้านหลัง โปรดอ่านรายการวิกิพีเดีย นี่เป็นความคิดเห็นมากกว่าคำตอบ แต่กล่องความคิดเห็นเล็ก ๆ น้อย ๆ ก็เล็กไป โชคดี. หากคุณมีปัญหาเกี่ยวกับคณิตศาสตร์คุณอาจไปกับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายแทนที่จะเป็นเลขชี้กำลัง ดังนั้นผลลัพธ์ที่ได้จะเป็นเงื่อนไข x ล่าสุดหารด้วย x Pseudocode ที่ไม่ได้ตรวจสอบ: โปรดทราบว่าคุณจะต้องจัดการกับจุดเริ่มต้นและจุดสิ้นสุดของข้อมูลเนื่องจากคุณไม่สามารถเฉลี่ย 5 เทอมสุดท้ายเมื่ออยู่ในจุดข้อมูลที่ 2 ได้ นอกจากนี้ยังมีวิธีที่มีประสิทธิภาพในการคำนวณค่าเฉลี่ยเคลื่อนที่นี้ (ผลรวมรวม - เก่าที่สุดที่เก่าที่สุด) แต่นี่เป็นแนวคิดที่จะเกิดอะไรขึ้น ตอบ 8 ก. พ. 12 เวลา 20:41 น