Fördelar of glidande medelvärde filter

De 7 fallgroparna med rörliga medelvärden Ett rörligt medelvärde är genomsnittspriset för en säkerhet under en viss tidsperiod. Analytiker använder ofta glidande medelvärden som ett analytiskt verktyg för att underlätta marknadsutvecklingen, eftersom värdepapper flyttas upp och ner. Flyttande medelvärden kan skapa trender och mäta momentum. Därför kan de användas för att ange när en investerare ska köpa eller sälja en viss säkerhet. Investerare kan också använda glidande medelvärden för att identifiera stöd - eller motståndspunkter för att kunna mäta när priserna sannolikt kommer att förändra riktningen. Genom att studera historiska handelsområden upprättas stöd - och motståndspunkter där priset på en säkerhet reverserar sin uppåtgående eller nedåtgående trend, tidigare. Dessa poäng används sedan för att göra, köpa eller sälja beslut. Tyvärr är glidande medelvärden inte perfekta verktyg för att skapa trender och de presenterar många subtila men betydande risker för investerare. Dessutom gäller rörliga medelvärden inte för alla typer av företag och industrier. Några av de viktigaste nackdelarna med glidande medelvärden är: 1. Rörliga medelvärden ritar trender från tidigare information. De tar inte hänsyn till förändringar som kan påverka säkerheten i framtida prestanda, till exempel nya konkurrenter, högre eller lägre efterfrågan på produkter i branschen och förändringar i företagets ledningsstruktur. 2. Idealiskt kommer ett glidande medelvärde att visa en konsekvent förändring i priset på en säkerhet över tiden. Tyvärr arbetar rörliga medelvärden inte för alla företag, särskilt för de i mycket flyktiga industrier eller de som påverkas starkt av nuvarande händelser. Detta gäller särskilt för oljebranschen och starkt spekulativa industrier i allmänhet. 3. Flyttande medelvärden kan spridas över en viss tidsperiod. Detta kan dock vara problematiskt eftersom den allmänna trenden kan förändras väsentligt beroende på vilken tidsperiod som används. Kortare tidsramar har mer volatilitet, medan längre tidsramar har mindre volatilitet men redovisar inte nya förändringar på marknaden. Investerare måste vara försiktig med vilken tidsram de väljer för att se till att trenden är tydlig och relevant. 4. En pågående debatt är huruvida mer vikt bör läggas på de senaste dagarna i tidsperioden. Många känner att de senaste uppgifterna bättre återspeglar den riktning som säkerheten rör sig, medan andra känner att det ger några dagar större vikt än andra, vilket felaktigt påverkar trenden. Investerare som använder olika metoder för att beräkna medelvärden kan dra helt olika trender. (Läs mer i Simple vs Exponential Moving Average.) 5. Många investerare hävdar att teknisk analys är ett meningslöst sätt att förutsäga marknadsbeteende. De säger att marknaden inte har något minne och det förflutna är inte en indikator på framtiden. Dessutom finns det avsevärd forskning för att återställa detta. Till exempel genomförde Roy Nersesian en studie med fem olika strategier med hjälp av glidande medelvärden. Succesfrekvensen för varje strategi varierade mellan 37 och 66. Denna forskning tyder på att glidande medelvärden bara ger resultat cirka hälften av tiden, vilket skulle kunna göra att de använder ett riskabelt förslag för att effektivt ställa in aktiemarknaden. 6. Värdepapper visar ofta ett cykliskt mönster av beteende. Detta gäller även för elföretag, som har en stadig efterfrågan på produkt från år till år, men upplever starka säsongsförändringar. Även om glidande medelvärden kan hjälpa till att släta ut dessa trender, kan de också dölja det faktum att säkerheten trender i ett oscillerande mönster. (För mer information, se Håll ögonen på Momentum.) 7. Syftet med någon trend är att förutse var säkerhetspriset kommer att vara i framtiden. Om en säkerhet inte trender i någon riktning, ger det inte möjlighet att dra nytta av antingen att köpa eller sälja. Det enda sättet som en investerare kan kunna dra nytta av är att genomföra en sofistikerad, optionsbaserad strategi som bygger på det kvarvarande priset. Bottom Line Moving medeltal har ansetts vara ett värdefullt analytiskt verktyg av många, men för att något verktyg ska vara effektivt måste du först förstå dess funktion, när du ska använda den och när du inte använder den. De faror som diskuteras häri anger när glidande medelvärden kanske inte har varit ett effektivt verktyg, till exempel vid användning med flyktiga värdepapper, och hur de kan förbise viss viktig statistisk information, såsom cykliska mönster. Det är också ifrågasättande hur effektiva glidande medelvärden är för att exakt indikera prisutvecklingen. Med tanke på nackdelarna kan glidande medelvärden vara ett verktyg som bäst används tillsammans med andra. I slutändan kommer personlig erfarenhet att vara den ultimata indikatorn på hur effektiva de verkligen är för din portfölj. (För mer, se Gör Adaptive Moving Averages Lead To Better Results) Forskaren och ingenjörerna Guide till digital signalbehandling av Steven W. Smith, Ph. D. Kapitel 15: Flytta genomsnittliga filter Familjer till det rörliga medelfiltret I en perfekt värld skulle filterdesigners bara behöva hantera tidsdomän eller frekvensdomänkodad information, men aldrig en blandning av de två i samma signal. Tyvärr finns det vissa applikationer där båda domänerna är samtidigt viktiga. Till exempel faller televisionssignaler i denna otäcka kategori. Videoinformation kodas i tidsdomänen, det vill säga formen på vågformen motsvarar ljusstyrkan i bilden. Under överföringen behandlas videosignalen emellertid i enlighet med sin frekvenskomposition, såsom dess totala bandbredd, hur bärvågorna för ljudförstärkningsfärg läggs, elimineringsamprestation av DC-komponenten etc. Som ett annat exempel kan elektromagnetisk störning är bäst förstådd i frekvensdomänen, även om signalinformationen kodas i tidsdomänen. Exempelvis kan temperaturmonitorn i ett vetenskapligt experiment kontamineras med 60 hertz från kraftledningarna, 30 kHz från en strömbrytare, eller 1320 kHz från en lokal AM-radiostation. Släktingar i det glidande medelfiltret har bättre frekvensdomänprestanda, och kan vara användbara i dessa applikationer med blandad domän. Multipla-pass glidande medelfilter involverar att mata in signalen genom ett glidande medelfilter två eller flera gånger. Figur 15-3a visar den totala filterkärnan som härrör från en, två och fyra passeringar. Två passager motsvarar användningen av en triangulär filterkärna (en rektangulär filterkärna sammansatt med sig själv). Efter fyra eller flera passerar, ser den ekvivalenta filterkärnan ut som en gauss (återkall den centrala gränsteorem). Såsom visas i (b) producerar flera passager ett s-format stegsvar, jämfört med den raka linjen i enkelpasset. Frekvenssvaren i (c) och (d) ges av ekv. 15-2 multiplicerad med sig själv för varje pass. Det vill säga, varje gång domänkonvolvering resulterar i en multiplicering av frekvensspektra. Figur 15-4 visar frekvensresponsen hos två andra släktingar i det glidande medelfiltret. När en ren Gaussian används som filterkärna är frekvenssvaret också en Gaussian, som diskuteras i kapitel 11. Gaussian är viktig eftersom det är impulssvaret hos många naturliga och konstgjorda system. Exempelvis kommer en kort ljuspuls som kommer in i en lång fiberoptisk transmissionsledning att gå ut som en Gaussisk puls, på grund av de olika vägarna som fotonerna i fibern tar. Den gaussiska filterkärnan används också i stor utsträckning vid bildbehandling eftersom den har unika egenskaper som möjliggör snabba tvådimensionella omvälvningar (se kapitel 24). Det andra frekvenssvaret i fig 15-4 motsvarar användningen av ett Blackman-fönster som en filterkärna. (Termen fönstret har ingen betydelse här det är helt enkelt en del av det accepterade namnet på denna kurva). Den exakta formen av Blackman-fönstret ges i kapitel 16 (likv. 16-2, figur 16-2), men det ser ut som en gaussisk. Hur är dessa släktingar i det glidande medelfiltret bättre än det glidande medelfiltret i sig? Tre sätt: För det första och viktigast, har dessa filter bättre dämpningsdämpning än det glidande medelfiltret. För det andra tappas filterkärnorna till en mindre amplitud nära ändarna. Minns att varje punkt i utsignalen är en viktad summa av en grupp av prover från ingången. Om filterkärnan försvinner, får prover i ingångssignalen som ligger längre bort ges mindre vikt än de som ligger i närheten. För det tredje är stegsvaren smidiga kurvor, snarare än den abrupta raka linjen i glidande medelvärdet. De senaste två är vanligtvis av begränsad nytta, även om du kanske hittar applikationer där de är genuina fördelar. Det glidande medelfiltret och dess släktingar handlar i stort sett om att minska slumpmässigt buller samtidigt som man behåller ett skarpt stegsvar. Otvetydigheten ligger i hur stegreaktionsmåttet uppmätts. Om risetiden mäts från 0 till 100 av steget är det glidande medelfiltret det bästa du kan göra, som tidigare visat. I jämförelse mäter risetiden från 10 till 90 Blackman-fönstret bättre än det glidande medelfiltret. Poängen är, det här är bara teoretisk snuskning anser att dessa filter är lika i denna parameter. Den största skillnaden i dessa filter är exekveringshastigheten. Med hjälp av en rekursiv algoritm (beskrivs nästa), kommer det glidande medelfiltret att springa som blixt i datorn. Det är faktiskt det snabbaste digitala filtret tillgängligt. Flera passeringar i det rörliga genomsnittet kommer att vara motsvarande långsammare, men ändå väldigt snabba. I jämförelse är de gaussiska och blackmanfiltren oerhört långsamma, eftersom de måste använda konvolvering. Tänk en faktor tio gånger antalet poäng i filterkärnan (baserat på multiplikation är ca 10 gånger långsammare än tillsats). Till exempel, förvänta dig att en 100-punkts Gaussian ska vara 1000 gånger långsammare än ett rörligt medel med recursion. Double Moving Average Filter Beskrivning DoubleMovingAverageFilter implementerar ett lågpass dubbelrörande medelfilter. DoubleMovingAverageFilter är en del av förbehandlingsmodulerna. Ett exempel på en signal (sinusvågs slumpmässigt brus) filtreras med hjälp av ett glidande medelfilter. Den röda signalen är det ursprungliga signalljudet, den gröna signalen är den filtrerade signalen med ett glidande medelfilter med en fönsterstorlek på 5 och den blå signalen är den filtrerade signalen med ett glidande medelfilter med en fönsterstorlek på 20. DoubleMovingAverageFilterExampleImage1. jpg Fördelar DoubleMovingAverageFilter är bra för att ta bort en liten mängd högfrekvent ljud från en N-dimensionell signal. Nackdelar Den största nackdelen med DoubleMovingAverageFilter är att filtrets fönsterstorlek måste vara stor för att filtrera bort signifikant högfrekvent brus. Problemet med att ha ett stort filterfönster är att detta kommer att leda till en stor latens i vilken signal som passerar genom filtret, vilket kanske inte är fördelaktigt för realtidsapplikationer. Om du upptäcker att du behöver ett stort filterfönster för att filtrera bort högfrekventa ljud och latensen som induceras av denna fönsterstorlek inte är lämplig för din realtidsprogram, kanske du vill prova ett lågpassfilter istället. Exempel Kod GRT DoubleMovingAverageFilter Exempel I det här exemplet visas hur man skapar och använder GRT DoubleMovingAverageFilter Preprocessing Module. DoubleMovingAverageFilter implementerar ett lågpass dubbelrörande medelfilter. I det här exemplet skapar vi en instans av en DoubleMovingAverageFilter och använder det här för att filtrera några dummy data, genererade av ett sinusvåg slumpmässigt brus. Testsignalen och filtrerade signaler sparas sedan i en fil (så att du kan plotta resultaten i Matlab, Excel, etc. om det behövs). I det här exemplet kan du: - Skapa en ny DoubleMovingAverageFilter-instans med en viss fönsterstorlek för en 1-dimensionell signal - Filtrera några data med DoubleMovingAverageFilter - Spara DoubleMovingAverageFilter-inställningarna till en fil - Ladda in DoubleMovingAverageFilter-inställningarna från en fil, inklusive quotGRT. hquot använder namnrymden GRT int main 40 int argc. const char argv 91 93 41 123 Skapa en ny instans av ett dubbelrörande medelfilter med en fönsterstorlek på 5 för en 1-dimensionell signal DoubleMovingAverageFilter-filter 40 5. 1 41 Skapa och öppna en fil för att spara data fstreamfilfilen. öppna 40 quotDoubleMovingAverageFilterData. txtquot. FStream. ut 41 Generera lite data (sinusvågljud) och filtrera det dubbelt x 0 const UINT M 1000 Slumpmässigt slumpmässigt för 40 UINT i 0 I lt M i 41 123 dubbel signal sint 40 x 41 slumpmässigt. getRandomNumberUniform 40 - 0.2. 0,2 41 dubbelfilterValuefilter. filtrera 40 signal 41 fil LLT-signal LLT-kvittot filtreratValue LLT ENDL x TWOPI dubbel 40 M 41 10 125 Stäng filfilen. stäng 40 41 Spara filterinställningarna till ett filfilter. saveSettingsToFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 Vi kan sedan ladda inställningarna senare om det behövs filter. loadSettingsFromFile 40 quotDoubleMovingAverageFilterSettings. txtquot 41 returnera EXITSUCCESS 125 DoubleMovingAverageFilter fungerar även med någon N-dimensionell signal: Skapa en ny instans av DoubleMovingAverageFilter med en fönsterstorlek på 10 för en tredimensionell signal DoubleMovingAverageFilter-filter 40 10. 3 41 Värdet du vill filtrera vektor lt dubbel gt data 40 3 41 data 91 0 93 0. Få värde från sensordata 91 1 93 0. Få värde från sensordata 91 2 93 0. Få värdet från sensorn Filtrera signalen vektor lt double gt filteredValue filter. filtrera 40 data 41