Gjør Adaptive Moving Averages Lead To Better Results Flytte gjennomsnitt er et favorittverktøy for aktive handelsfolk. Men når markeder konsoliderer, fører denne indikatoren til mange whipsaw-bransjer, noe som resulterer i en frustrerende rekke små gevinster og tap. Analytikere har tilbrakt tiår med å prøve å forbedre det enkle glidende gjennomsnittet. I denne artikkelen ser vi på denne innsatsen og finner ut at deres søk har ført til nyttige handelsverktøy. (For bakgrunnsavlesning på enkle bevegelige gjennomsnitt, sjekk ut Enkle bevegelige gjennomsnittsverdier. Gjør trendene stående.) Fordeler og ulemper med bevegelige gjennomsnittsverdier Fordelene og ulempene ved bevegelige gjennomsnitt ble oppsummert av Robert Edwards og John Magee i første utgave av teknisk analyse av Stock Trends. da de sa det, og det var tilbake i 1941 at vi gjerne gjorde oppdagelsen (selv om mange andre hadde gjort det før) at ved å beregne dataene i et gitt antall dager, kunne en utlede en slags automatisert trendlinje som definitivt ville tolke endringene i trend Det virket nesten for godt til å være sant. Faktisk var det for godt til å være sant. Med ulempene oppveier fordelene, forlot Edwards og Magee raskt sin drøm om å handle fra en bungalow på stranden. Men 60 år etter at de skrev disse ordene, fortsetter andre ved å forsøke å finne et enkelt verktøy som uten problemer ville gi rikdomene på markedene. Enkle bevegelige gjennomsnitt For å beregne et enkelt glidende gjennomsnitt. legg til prisene for ønsket tidsperiode og divider med antall valgte perioder. Å finne et fem-dagers glidende gjennomsnitt vil kreve oppsummering av de fem siste sluttkursene og dividere med fem. Hvis den siste lukkingen er over det bevegelige gjennomsnittet, vil aksjene anses å være i en uptrend. Downtrends er definert av priser som handler under det bevegelige gjennomsnittet. (For mer, se vår Moving Averages opplæring.) Denne trenddefinerende egenskapen gjør det mulig å flytte gjennomsnitt for å generere handelssignaler. I sin enkleste søknad kjøper handelsmenn når prisene går over det glidende gjennomsnittet og selger når prisene går over den linjen. En tilnærming som dette er garantert å sette handelsmannen på høyre side av enhver betydelig handel. Dessverre, mens utjevning av dataene, vil glidende gjennomsnitt ligge bak markedsaksjonen, og næringsdrivende vil nesten alltid gi tilbake en stor del av fortjenesten på selv de største vinnende handler. Eksponentielle Flytende Gjennomsnitt Analytikere ser ut til å ha ideen om det bevegelige gjennomsnittet og har tilbrakt flere år med å forsøke å redusere problemene knyttet til dette forsinket. En av disse innovasjonene er eksponentiell glidende gjennomsnitt (EMA). Denne tilnærmingen tilordner en relativt høyere vekting til nyere data, og som et resultat forblir det nærmere prisaktiviteten enn et enkelt bevegelige gjennomsnitt. Formelen for å beregne et eksponentielt glidende gjennomsnitt er: EMA (Vekt Lukk) (1 Vekt) EMAy) Hvor: Vekt er utjevningskonstanten valgt av analytikeren EMAy er det eksponentielle glidende gjennomsnittet fra i går En felles vektningsverdi er 0,181, hvilket er nær et 20-dagers enkelt glidende gjennomsnitt. En annen er 0,10, som er omtrent et 10-dagers glidende gjennomsnitt. Selv om det reduserer lagret, unnlater det eksponentielle glidende gjennomsnittet ikke å adressere et annet problem med bevegelige gjennomsnitt, som er at deres bruk for handelssignaler vil føre til et stort antall tapende handler. I nye konsepter i tekniske handelssystemer. Welles Wilder anslår at markedene bare trender en fjerdedel av tiden. Opptil 75 av handelshandlinger er begrenset til smale områder, når flytende gjennomsnittlig kjøps-og-selgesignaler vil bli gjentatte ganger da prisene raskt beveger seg over og under det bevegelige gjennomsnittet. For å løse dette problemet har flere analytikere foreslått å variere vektningsfaktoren for EMA-beregningen. (For mer, se Hvordan flytter gjennomsnitt som brukes i handel) Tilpasning av bevegelige gjennomsnitt til markedshandling En metode for å håndtere ulempene med bevegelige gjennomsnitt er å multiplisere vektningsfaktoren med et volatilitetsforhold. Å gjøre dette ville bety at det bevegelige gjennomsnittet ville være lengre enn dagens pris i volatile markeder. Dette vil tillate vinnere å kjøre. Som en trend kommer til en slutt og prisene konsoliderer. det bevegelige gjennomsnittet vil bevege seg nærmere den nåværende markedsaksjonen, og i teorien tillate handelsmannen å beholde de fleste gevinster tatt i løpet av trenden. I praksis kan volatilitetsforholdet være en indikator som Bollinger Bandwidth, som måler avstanden mellom de kjente Bollinger Bands. (For mer om denne indikatoren, se Grunnleggende om Bollinger Bands.) Perry Kaufman foreslo å bytte vektvariabel i EMA-formelen med en konstant basert på effektivitetsforholdet (ER) i boken New Trading Systems and Methods. Denne indikatoren er utformet for å måle styrken til en trend definert innenfor et område fra -1,0 til 1,0. Det beregnes med en enkel formel: ER (total prisendring for periode) (sum av absolutte prisendringer for hver linje). Vurder en aksje som har en fempunkts rekkevidde hver dag, og ved utgangen av fem dager har det blitt totalt av 15 poeng. Dette ville resultere i en ER på 0,67 (15 poeng oppover bevegelse dividert med total 25-punkts rekkevidde). Hadde denne aksjen redusert 15 poeng, ville ER-være -0,67. (For mer handelsrådgivning fra Perry Kaufman, les Losing To Win. Som beskriver strategier for å takle handelsstap.) Prinsippet om en trendereffektivitet er basert på hvor mye retningsbestemt (eller trend) du får per prisbevegelsesenhet over en definert tidsperiode. En ER på 1,0 indikerer at aksjen er i perfekt opptrend -1,0 representerer en perfekt nedtrend. I praksis er ekstremene sjelden nådd. For å bruke denne indikatoren for å finne det adaptive glidende gjennomsnittet (AMA), må handelsfolk beregne vekten med følgende, ganske komplekse formelen: C (ER (SCF SCS)) SCS 2 Hvor: SCF er eksponensiell konstant for den raskeste EMA tillatt (vanligvis 2) SCS er eksponensiell konstant for den langsomste EMA-tillatelsen (ofte 30) ER er effektivitetsforholdet som ble notert over. Verdien for C blir da brukt i EMA-formelen i stedet for den enklere vektvariabelen. Selv om det er vanskelig å beregne for hånd, er det adaptive glidende gjennomsnittet inkludert som et alternativ i nesten alle handelsprogramvarepakker. (For mer om EMA, les Exploring The Exponentially Weighted Moving Average.) Eksempler på et enkelt glidende gjennomsnitt (rød linje), et eksponentielt glidende gjennomsnitt (blå linje) og det adaptive glidende gjennomsnittet (grønn linje) er vist i Figur 1. Figur 1: AMA er i grønt og viser størst grad av flattning i rekkeviddebundet handling sett på høyre side av dette diagrammet. I de fleste tilfeller er det eksponentielle glidende gjennomsnittet, vist som den blå linjen, nærmest prishandlingen. Det enkle glidende gjennomsnittet vises som den røde linjen. De tre bevegelige gjennomsnittene som er vist på figuren, er alle tilbøyelige til å piske på ulike tider. Denne ulempen med bevegelige gjennomsnitt har hittil vært umulig å eliminere. Konklusjon Robert Colby testet hundrevis av tekniske analyseverktøy i Encyclopedia of Technical Market Indicators. Han konkluderte med at selv om det adaptive glidende gjennomsnittet er en interessant nyere ide med betydelig intellektuell appell, viser ikke våre foreløpige tester noen reell praktisk fordel for denne mer komplekse trendutjevningsmetoden. Dette betyr ikke at handelsfolk burde ignorere ideen. AMA kan kombineres med andre indikatorer for å utvikle et lønnsomt handelssystem. (For mer om dette emnet, les Discover Discover Keltner Channels og Chaikin Oscillator.) ER kan brukes som en frittstående trendindikator for å se de mest lønnsomme handelsmulighetene. Som et eksempel viser forholdstall over 0,30 sterke opptrender og representerer potensielle kjøp. Alternativt, siden volatiliteten beveger seg i sykluser, kan aksjene med lavest effektivitetsforhold sees som breakout opportunities. Kaufman Adaptive Moving Average Trading Strategy (Setup 038 Filter) I. Trading Strategy Utvikler: Perry Kaufman (Kaufman Adaptive Moving Average 8211 KAMA). Kilde: Kaufman, P. J. (1995). Smartere handel. Forbedre ytelsen ved å bytte markeder. New York: McGraw-Hill, Inc. Konsept: Handelsstrategi basert på et adaptivt støyfilter. Forskningsmål: Resultatverifisering av oppsett og filter. Spesifikasjon: Tabell 1. Resultater: Figur 1-2. Trade Setup: Long Trades: Det Adaptive Moving Average (AMA) dukker opp. Kort handler: Det adaptive bevegelige gjennomsnittet blir nede. Merk: AMA-trendlinjen ser ut til å stoppe når markeder ikke har noen retning. Når markeder trenden, fanger AMA trendlinjen opp. Handelshøyde: Langt handler: Et kjøp i nærheten er plassert etter et bullish oppsett. Korte handler: En selg på nært hold er plassert etter en bearish opsjon. Trade Exit: Tabell 1. Portefølje: 42 futuresmarkeder fra fire store markedssektorer (råvarer, valutaer, renter og aksjeindekser). Data: 32 år siden 1980. Testplattform: MATLAB. II. Sensitivitetstest Alle 3-D-diagrammer følges av 2-D-konturdiagrammer for fortjenestefaktor, Sharpe-forhold, Ulcer Performance Index, CAGR, Maksimal Drawdown, Prosent Lønnsom Trades og Avg. Vinn Avg. Tapforhold. Det endelige bildet viser sensitiviteten til Equity Curve. Testede variabler: ERLength amp FilterIndex (Definisjoner: Tabell 1): Figur 1 Portefølje ytelse (Inputs: Tabell 1 Kommisjonens forsterker: 0). AMA (ERLength) er det adaptive bevegelige gjennomsnittet over en periode med ERLength. ERLength er en tilbakekopningsperiode for effektivitetsforholdet (ER). ERi abs (Directioni Volatilityi), hvor 8220abs8221 er absoluttverdien. Directioni Closei Closei ERLength, Volatilitet (abs (DeltaClosei), ERLength), hvor 82208221 er summen over en periode med ERLength, DeltaClosei Closei Closei 1. FastMALength er en periode med det raskt bevegelige gjennomsnittet. SlowMALength er en periode med det langsomme glidende gjennomsnittet. AMAi AMAi 1 ci (Closei AMAi 1), hvor ci (ERi (Fast Slow) Slow) 2, Fast 2 (FastMALength 1), Slow 2 (SlowMALength 1). Indeks: I ERLength 2, 100, Step 2 FastMALength 2 SlowMALength 30 Long Trades: Hvis AMAi gt AMAi 1 amp AMAi 1 lt AMAi 2, så blir MinAMA AMAi 1 (Adaptive Moving Average med en sving på MinAMA). Kort handel: AMAi lt AMAi 1 amp AMAi 1 gt AMAi 2 og MaxAMA AMAi 1 (Adaptive Moving Average blir ned med en pivot på MaxAMA). Indeks: I Filteri FilterIndex StdDev (AMAi AMAi 1, N), der StdDev er standardavviket for serier over N-perioder. N 20 (standardverdi). Indeks: I FilterIndex 0.0, 1.0, Trinn 0.02 N 20 Lange handler: Et kjøp ved lukkingen er plassert når AMAi gt AMAi 1 amp (AMAi MinAMA) gt Filteri. Kort handler: En selg på tett plasseres når AMAi lt AMAi 1 amp (MaxAMA AMAi) gt Filteri. Indeks: Jeg stopper utgang: ATR (ATRLength) er gjennomsnittlig True Range over en periode med ATRLength. ATRStop er et flertall av ATR (ATRLength). Lange handler: Et salgsstopp er plassert ved ATR (ATRLength) ATRStop. Kort handel: Et kjøpsstopp er plassert ved ATR (ATRLength) ATRStop. ATRLength 20 ATRStop 6 ERLength 2, 100, Trinn 2 FilterIndex 0.0, 1.0, Trinn 0.02Adaptive Moving Average (AMA) aka Kaufman Adaptive Moving Average (KAMA) Adaptive Moving Average (AMA) aka Kaufman Adaptive Moving Average (KAMA) ble opprettet av Perry Kaufman og først presentert i sin bok Smarter Trading (1995). Dette bevegelige gjennomsnittet ga en betydelig fordel i forhold til tidligere forsøk på 8216intelligent8217 gjennomsnitt fordi det tillot brukeren større kontroll. Den Variable Moving Average 8211 VMA (1992) tilbyr for eksempel ingen øvre eller nedre grense for utjevningsperioden. AMAen derimot tillot brukeren å definere rekkevidden over hvilke de ønsket at utjevningen skulle spres. Det følger samme teori som VMA i det avhengig av markedsmiljøet vil det være forskjellige mengder støy og derfor vil det være nødvendig med en annen bevegelig gjennomsnittshastighet for å oppnå de mest lønnsomme resultatene. I et sterkt trendende marked for eksempel er støynivåene lave, og et raskere bevegelige gjennomsnitt skal gi de beste resultatene. Omvendt i et krabbe - eller sidelengs marked er støynivåene svært høye og et langsommere gjennomsnitt er sannsynligvis bedre egnet. Slik beregner du et adaptivt flytende gjennomsnitt Det starter med Lukk pris. Etter dette beregnes AMA i henhold til følgende formel: AMA AMA (1) (Lukk AMA (1)) Du vil merke at dette er det samme som formelen for et eksponentielt flytende gjennomsnitt (EMA): EMA EMA (1) (Lukk EMA (1)) Men Alpha i en EMA er 2 (N 1), så det forblir konstant mens en AMA Alpha er adaptiv: (VI (FC SC)) SC VI Brukers valg av et mål for volatilitet eller trendstyrke, Kaufman foreslo sin effektivitetsgrad (ER). SN Ditt valg av et Slow moving average gt FN FN Ditt valg av et Slow moving average lt SN Her er et eksempel på en 3-periode AMA med en 3-års effektivitetsforhold (ER) som VI: Hvordan Squaring Alpha påvirker AMA-utjevningsområdet Kaufman foreslår at hans AMA har en FC på 2 og en SC på 30 som vil føre til at man antar at den adaptive utjevningen ville være i 2 8211 30-serien, men du ville ha feil fordi alpha er kvadret. For eksempel kan vi stille VI til null slik at vi kan avsløre det langsommest mulige gjennomsnittet: Nå for å avsløre EMA-utjevningsperioden 8216N8217 fra alfa: N (EMA) (2) N (EMA) (2 0.0042) 0.0042 N (EMA) 480 Så i realiteten kan en AMA med en SN på 30 hvor alfa heves til kraften til 2, faktisk bevege seg så sakte som en 480 dagers EMA. Nå for meg er det ikke veldig brukervennlig å skrive inn en parameter på 30 som gir en utjevningsperiode på 480. Så jeg bruker følgende formel for SC og FC i stedet: P Kraften som alfa blir hevet til (vanligvis 2) SN Ditt valg av Et sakte, flytende gjennomsnitt gt FN Nå SN vil være det faktiske resulterende sakte bevegelige gjennomsnittet, selv om du endrer kraften som alfa blir hevet til. Jeg bruker også samme prosess for FN og FC. La oss se igjen på Alpha med VI satt til null, FN ved 2 og SN ved 480: Nå når vi avslører EMA-utjevningsperioden 8216N8217 fra alfa, skal den være lik vår brukerdefinerte 480: N (EMA) (2) N ( EMA) (2 0.0042) 0.0042 N (EMA) 480 En nærmere titt på påvirkning av Squaring Alpha. Forstå virkningen av kvadrering alfa er svært viktig som diagrammet nedenfor illustrerer: Som du kan se ovenfor, har en innmatingstid på 300 med alpha squared resulterer i en faktisk utjevningsperiode på over 45,300 som er helt ubrukelig. Men dette er en innstilling som man enkelt kunne bruke uten å forstå hvordan AMA fungerer. I testingen vil vi prøve AMA med alfaopphøyd for å kreve andre som 2, slik at noen andre eksempler også er tegnet på diagrammet ovenfor. Nedenfor ser vi på påvirkning på alfa og utjevning som resulterer fra en AMA med effektivitetsforholdet som er tatt direkte inn i alfa (1) eller er kvadret (2): Vi brukte vår modifiserte AMA-formel for de ovennevnte diagrammene slik at den faktiske FN og SN ble identisk til tross for modifikasjoner på alpha. Som du kan se, resulterer kvadrering av alfa ikke bare i en langsommere AMA totalt, men en som er mye raskere å avta når alfaet avtar. Kaufman ønsket åpenbart at AMA skulle bli veldig raskt sakte når dataene manglet en trend. Denne innvirkning er lik den som øker konstant 8216N8217 i det variabelt bevegelige gjennomsnittet. Er AMA en god indikator Som en del av 8216Technical Indicator Fight for Supremacy 8216 vil vi sette AMA mot flere forskjellige typer bevegelige gjennomsnitt og vil teste flere forskjellige volatilitetsindekser som komponenter, inkludert: Vi vil også teste antagelsen om at kvadratisk alpha var en god ide og vil prøve å heve den til flere forskjellige krefter. Kan du tenke på noen andre verdige tester Vennligst gi oss beskjed i kommentarfeltet nederst. Adaptiv Flytende Gjennomsnittlig Excel-fil Jeg har satt sammen et Excel-regneark som inneholder Adaptive Moving Average og gjort det tilgjengelig for GRATIS nedlasting. Den inneholder en 8216basic8217 versjon som viser alt arbeidet og en 8216fancy8217 som automatisk tilpasser seg lengden, så vel som Volatilitetsindeksen du angir. Finn det på følgende kobling nær bunnen av siden under Nedlastinger Tekniske indikatorer: Adaptive Moving Average (AMA) Adaptive Moving Average Eksempel VI 50 Day Efficiency Ratio Adil 5 år siden Jeg finner ideen rundt det adaptive glidende gjennomsnittet veldig intersting og tiltalende , Jeg backtested kaufman AMA gjennom to systemer (binære bølgesignaler for lange og korte oppføringer retningssignaler (ama up long entry og ama down short entry), men jeg kunne ikke konkludere med at systemet utfører bedre enn et langsiktig TF system ved hjelp av SMA crossovers (50 dagers SMA og 200 dagers SMA) kan jeg kjenne handelsreglene rundt AMA deg som du har implementert i din handel Derry Brown 5 år siden, jeg er glad for at du finner vår forskning nyttig. Vi har ennå ikke publisert resultatene av Flytte gjennomsnittsoverskridelsestester, slik at de kan være mer effektive. Reglene du ber om er detaljert nederst på hver side der vi har publisert testresultater. Her er de igjen: En oppføring si Gnal å gå lang (eller utgangssignal for å dekke en kort) for hvert gjennomsnitt testet ble generert med en nær over gjennomsnittet og et utgangssignal (eller inngangssignal for å gå kort) ble generert på hver lukk under det glidende gjennomsnittet. Ingen renter ble opptjent i kontanter, og det er ikke tatt hensyn til transaksjonskostnader eller slippe. Handler ble testet ved bruk av EOD (End Of Day) og End of Week (EOW) - signaler for Daglige data og EOW-signaler for Ukentlig data. Eg. Daglige data med et EOW-signal vil kreve at uken skal avsluttes over et daglig flytende gjennomsnitt for å åpne en lang eller kort tid. Daglige data med EOD-signaler vil kreve at daglig pris lukkes over et daglig flytende gjennomsnitt for å åpne en lang eller lukk et kort og omvendt. Presentert avkastning er gjennomsnittlig årlig avkastning på de 16 markedene i testperioden. Dataene som brukes for disse tester er inkludert i resultatregnearket, og flere detaljer om vår metodikk finner du her etfhqblog20100525best-tekniske indikatorer Vennligst gi beskjed hvis du har andre spørsmål. Skål Derry
No comments:
Post a Comment