Definição De Média Móvel De Mínimos Quadrados

Motivando as Médias Coisas Motivado por e-mail de Robert B. Recebo este e-mail perguntando sobre o Hull Moving Average (HMA) e. E você nunca ouviu falar dele antes. Uh. está certo. Na verdade, quando eu googled eu descobri muitas médias móveis que eu nunca ouvi falar, tais como: Zero Lag Exponencial Média Móvel Wilder Média Móvel Mínimo Praça Média Móvel Triangular Média Móvel Média Móvel Adaptativa Média Móvel Jurik. Então, eu pensei em conversar sobre as médias móveis e. Você fez isso antes, como aqui e aqui e aqui e aqui e. Sim, sim, mas isso foi antes de eu saber de todas essas outras médias móveis. Na verdade, os únicos com quem eu joguei foram estes, onde P 1. P 2. P n são os últimos n preços das ações (sendo P n o mais recente). Média Móvel Simples (SMA) (P 1 P 2. P n) / K onde K n. Média Móvel Ponderada (WMA) (P 1 2 P 2 3 P 3. N P n) / K onde K (12.n) n (n1) / 2. Média Móvel Exponencial (EMA) (P n 945 P n-1 945 2 P n-2 945 3 P n-3) / K onde K 1 945945 2. 1 / (1-945). Whoa Ive nunca visto que EMA fórmula antes. Eu sempre thoguht foi. Sim, normalmente é escrito de forma diferente, mas eu queria mostrar que esses três têm prescrições semelhantes. (Veja as coisas EMA aqui e aqui.) Na verdade, todos eles parecem: Note que, se todos os Ps são iguais, digamos, Po, então a média móvel é igual a Po também. E essa é a maneira que qualquer média que se preze deve se comportar. Então, qual é o melhor Definir melhor. Aqui estão algumas médias móveis, tentando acompanhar uma série de preços de ações que variam de uma forma sinusoidal: Preços de ações que seguem uma curva senoidal Onde você encontrou um estoque como aquele Preste atenção Observe que as médias móveis comumente usadas (SMA, WMA E EMA) atingem seu máximo mais tarde do que a curva sinusoidal. Isso é atraso e. Mas e esse cara da HMA? Ele parece muito bem Sim, e é disso que queremos falar. De fato. E o que é que 6 em HMA (6) e eu vejo algo chamado MMA (36) e. Paciência. Hull Moving Average Começamos calculando a Média Móvel Ponderada (WMA) de 16 dias assim: 1 WMA (16) (P 1 2 P 2 3 P 3. 16 P n) / K com K 12 16 136. Embora o seu Agradável e smoooth, itll têm um lag maior do que wed como: Então, olhe para o 8-dia WMA: Eu gosto Sim, segue as variações de preços bastante bem. Mas há mais. Enquanto WMA (8) olha para preços mais recentes, ainda tem um atraso, por isso vemos o quanto a WMA mudou quando vai de 8 dias para 16 dias. Essa diferença seria assim: Em certo sentido, essa diferença dá alguma indicação de como a WMA está mudando. Por isso, adicionamos esta alteração ao nosso WMA anterior (8) para dar: 2 WMA (16) WMA (16) WMA (8) WMA (8) - WMA (16) 2 WMA (8) - WMA (16). MMA Por que chamá-lo de MMA Eu gaguejo. De qualquer forma, o MMA (16) seria assim: eu vou levá-lo Paciência. tem mais. Agora vamos introduzir a transformação mágica e obter. Ta-DUM Isso é casco Sim. Como eu o entendo Mas o que é o ritual mágico Tendo gerado uma série de MMAs envolvendo as médias móveis ponderadas de 8 dias e 16 dias, nós olhamos atentamente para essa seqüência de números. Então nós calculamos o WMA nos últimos 4 dias. Isso dá a Hull Moving Average que weve chamado HMA (4). Huh 16 dias, em seguida, 8 dias, em seguida, 4 dias. Você joga uma moeda para ver quantos. Você escolhe um número de dias, como n 16. Então você olha para WMA (n) e WMA (n / 2) e calcula MMA 2 WMA (n / 2) - WMA (n). (No nosso exemplo, thatd ser 2 WMA (8) - WMA (16).Em seguida, você calcular WMA (sqrt (n)) usando apenas o último sqrt (n) números da série MMA. (No nosso exemplo, thatd ser calculadora Um WMA (4), usando a série de MMA.) E para esse gráfico engraçado de SINE Howd ele faz Assim wheres a planilha Im que trabalha ainda nele: MA-stuff. xls É interessante ver como as várias médias móveis reagem aos picos: É HMA realmente uma média móvel ponderada Bem, vamos ver: Temos: MMA 2 WMA (8) - WMA (16) 2 (P 1 2 P 2 3 P 3. 8 P n) / 36 - (P 1 2 P 2 3 (1/136) P 1 2 P 2 8 P 8 - (1/136) 9 P 9 10 P 10 16 P 16 Para medidas sanitárias Razões, escreva isto bem: MMA w 1 P 1 w 2 P 2 w 16 P 16. Note que todos os pesos adicionam a 1. Além disso, wk 2 (1/36) - (1/136) K para K 1, 2. 8 e wk - (1/136) K para K 9, 10. 16. Então, fazendo o ritual mágico de raiz quadrada (onde sqrt (16) 4) temos (lembrando que P 16 é o mais Valor recente) HMA a WMA de 4 dias dos MMAs acima (w 1 P 1 w 2 P 2. W 16 P 16) 2 (w 1 P 0 w 2 P 1 w 16 P 15) 3 (w 1 P -1 w 2 P 0. W 16 P 14) 4 (w 1 P -2 w 2 P -1 W 16 P 13) / 10 (observando que 1234 10). Huh P 0. P -1. O que. O MMA (16) usa os últimos 16 dias, de volta ao preço foram callling P 1. Se calcularmos a média ponderada de 4 dias dos MMAs, bem estaremos usando o MMA de ontem (e isso vai um dia antes de P 1) eo dia antes disso, o MMA volta a 2 dias antes de P 1 eo dia Antes disso. Ok, então você está chamando-lhes preços P 0. P -1 etc. etc. Você entendeu. Assim, um HMA de 16 dias realmente usa informações que remontam mais de 16 dias, certo. Você entendeu. Mas há pesos negativos para eles preços antigos É que legal A prova está no. Sim sim. A prova está no pudim. Então, o que faz a planilha fazer Até agora parece que isto: (Clique na imagem para fazer o download.) Você pode escolher uma série SINE ou uma série RANDOM de preços das ações. Para o último, cada vez que você clica em um botão você recebe outro conjunto de preços. Então você pode escolher o número de dias: thats nosso n. (Por exemplo, usamos n 16 para o nosso exemplo, acima.) Além disso, se você escolher a série SINE, você pode introduzir picos e movê-los ao longo do gráfico. como isso . Note que usamos n 16 e n 36 (na imagem da planilha) porque n / 2 e sqrt (n) são ambos inteiros. Se você usa algo como n 15, então a planilha usa a parte INT eger de n / 2 e sqrt (n), ou seja, 7 e 3. Então, é o Hull Moving Average o melhor Definir melhor. Eu não sei nada sobre isso. É proprietário e você tem que pagar para usá-lo. No entanto, permite jogar com médias móveis. Outra Média Móvel Suponha que, em vez da Média Móvel Ponderada (onde os pesos são proporcionais a 1, 2, 3). Nós usamos o ritual mágico do casco com a média movente exponencial. Ou seja, consideramos: MAg 2 EMA (n / 2) - EMA (n) MAg Sim, isso é M oving A verage g imnick ou M oving A verage g ererial ou M oving A verage g rand ou. Atenção Atenção Nós escolhemos nosso número favorito de dias, como n 16, e calculamos MAg (n, 945, k) 945 EMA (n / k) - (1-945) EMA (n). Podemos jogar com 945 e k e ver o que temos: Por exemplo, aqui estão algumas MAgs (onde estavam aderindo a 16 dias, mas mudando os valores de 945 e k): MAg (16) 2 EMA (4) - EMA 16) Nota: quando escolhemos k 3 obtemos n / k 16/3 5.333 que mudamos para simples e simples 5.0. Por que você não fica com as escolhas de Hulls: 945 2 e k 2 Boa idéia. Veja isto: MAg (16) 2 EMA (8) - EMA (16) Parece que o gráfico com 945 1,5 e k 3. Ele faz, não faz Você goof. Novamente Possivelmente. Então, o que sobre esse ritual de raiz quadrada eu deixo isso como um exercício. Para você Ok, enquanto joga com essa coisa MAg eu acho que Hulls k 2 funciona muito bem. Tão bem aderir a isso. No entanto, muitas vezes temos uma média bastante agradável quando adicionamos apenas um pequeno pedaço da mudança: EMA (n / 2) - EMA (n). Na verdade, bem, adicione apenas uma fração 946 dessa mudança. Obteve-se MAg (n, 946) EMA (n / 2) 946 EMA (n / 2) - EMA (n). Ou seja, nós escolhemos 946 0,5 ou talvez apenas 946 0,25 ou qualquer coisa e use: Por exemplo, se compararmos o nosso bando de médias móveis como eles rastreiam uma função STEP, obtemos isto, onde somamos (para MAg) apenas 946 1 / 2 da alteração. Sim, mas qual é o melhor valor do beta. Definir melhor: Note que beta 1 é a escolha Hull. Exceto que estavam usando EMAs em vez de WMAs. E você deixa de fora aquela coisa de raiz quadrada. Uh, sim. Eu esqueci disso. Nota . A planilha muda de hora para hora. Ele atualmente se parece com isso Algo para brincar Comigo tenho uma planilha que se parece com isso. Clique na imagem para fazer o download. Você escolhe um estoque e clica em um botão e recebe um ano de preços diários. O que você escolher ou HMA ou MAg, alterando o número de dias e, para MAg, o parâmetro, e ver quando você deve comprar RO VENDA. Quando Com base em quais critérios Se a média móvel é DOWN x de seu máximo nos últimos 2 dias, você COMPRA. (No exemplo, x 1.0) Se sua UP y de seu mínimo nos últimos 2 dias, VENDER. (No exemplo, y 1.5) Você pode alterar os valores de xey. É bom. Esses critérios eu disse que era algo para brincar. Theres esta outra técnica de suavização chamada o Filtro de Hodrick-Prescott. Com a ajuda de Ron McEwan, agora está incluído nesta planilha: É bom jogar com ele. Youll aviso que theres um parâmetro que você pode alterar na célula M3. E COMPRAR e VENDER sinais. Ajuste de quadrados inferiores Um procedimento matemático para encontrar a curva que melhor se ajusta a um dado conjunto de pontos, minimizando a soma dos quadrados dos deslocamentos (quothe residualsquot) dos pontos da curva. A soma dos quadrados dos deslocamentos é usada em vez dos valores absolutos de offset porque isto permite que os resíduos sejam tratados como uma quantidade diferenciável contínua. No entanto, como os quadrados dos deslocamentos são utilizados, os pontos periféricos podem ter um efeito desproporcionado no ajuste, uma propriedade que pode ou não ser desejável dependendo do problema em questão. Na prática, os deslocamentos verticais de uma linha (polinomial, superfície, hiperplano, etc.) são quase sempre minimizados em vez dos deslocamentos perpendiculares. Isto fornece uma função apropriada para a variável independente que estima para um dado (o mais frequentemente o que um experimentador quer), permite que as incertezas dos pontos de dados ao longo dos eixos sejam incorporadas simplesmente e também fornece uma forma analítica muito mais simples para o Ajustando parâmetros que seriam obtidos usando um ajuste baseado em deslocamentos perpendiculares. Além disso, a técnica de encaixe pode ser facilmente generalizada a partir de uma linha de melhor ajuste para um polinômio de melhor ajuste quando as somas de distâncias verticais são usadas. Em qualquer caso, para um número razoável de pontos de dados ruidosos, a diferença entre os ajustes vertical e perpendicular é bastante pequena. A técnica de encaixe linear dos mínimos quadrados é a forma mais simples e mais comumente aplicada de regressão linear e fornece uma solução para o problema de encontrar a melhor linha reta de montagem através de um conjunto de pontos. De facto, se a relação funcional entre as duas quantidades que estão a ser representadas graficamente é conhecida por dentro de constantes aditivas ou multiplicativas, é prática comum transformar os dados de tal forma que a linha resultante seja uma linha recta, por exemplo plotando vs. em vez de Vs no caso de analisar o período de um pêndulo em função do seu comprimento. Por esta razão, os formulários padrão para exponencial. Logarítmica. E as leis de potência são freqüentemente explicitamente computadas. As fórmulas para o encaixe linear dos mínimos quadrados foram derivadas independentemente por Gauss e Legendre. Para o ajuste de mínimos quadrados não lineares a um número de parâmetros desconhecidos, o encaixe linear de mínimos quadrados pode ser aplicado iterativamente a uma forma linearizada da função até que a convergência seja alcançada. No entanto, muitas vezes também é possível linearizar uma função não-linear no início e ainda usar métodos lineares para determinar parâmetros de ajuste sem recorrer a procedimentos iterativos. Esta abordagem costuma violar a suposição implícita de que a distribuição de erros é normal. Mas muitas vezes ainda dá resultados aceitáveis ​​usando equações normais, um pseudoinverse. Etc. Dependendo do tipo de ajuste e dos parâmetros iniciais escolhidos, o ajuste não linear pode ter boas ou más propriedades de convergência. Se forem dadas incertezas (no caso mais geral, elipses de erro) para os pontos, os pontos podem ser ponderados de forma diferente para dar maior peso aos pontos de alta qualidade. O ajustamento dos mínimos quadrados verticais prossegue encontrando a soma dos quadrados dos desvios verticais de um conjunto de pontos de dados de uma função. Note que este procedimento não minimiza os desvios reais da linha (que seriam medidos perpendicularmente à função dada). Além disso, embora a soma de distâncias não quadradas possa parecer uma quantidade mais adequada para minimizar, a utilização do valor absoluto resulta em derivadas descontínuas que não podem ser tratadas analiticamente. Os desvios quadrados de cada ponto são, portanto, somados, eo residual resultante é então minimizado para encontrar a melhor linha de ajuste. Este procedimento resulta em pontos externos recebendo peso desproporcionalmente grande. A condição para ser um mínimo é que Chatterjee, S. Hadi, A. e Price, B. quotSimple Linear Regression. quot Ch. 2 em Análise de Regressão por Exemplo, 3a ed. New York: Wiley, pp. 21-50, 2000. Edwards, A. L. quot A Linha de Regressão em. quot Ch. 3 em Uma Introdução à Regressão Linear e Correlação. San Francisco, CA: W. H. Freeman, pp. 20-32, 1976. Gauss, C. F., Theory combinationis obsevationum erroribus minimis obnoxiae. quot Werke, Vol. 4. Goumlttingen, Alemanha: p. 1, 1823. Kenney, J. F. e Keeping, E. S. Regressão Linear Linear, Correlação Simples e Contingência. 8 em Matemática da Estatística, Pt. 2, 2a ed. Princeton, NJ: Van Nostrand, pp. 199-237, 1951. Kenney, J. F. e Keeping, E. S. quotLinear Regression and Correlation. quot Ch. 15 em Matemática de Estatística, Pt. 1, 3a ed. Princeton, NJ: Van Nostrand, pp. 252-285, 1962. Laplace, P. S. quotDes meacutethodes analytiques du Calcul des Probabiliteacutes. quot Ch. 4 em Theacuteorie analytique des probabiliteacutes, Livre 2, 3a ed. Paris: Courcier, 1820. Lawson, C. e Hanson, R. Resolvendo problemas dos mínimos quadrados. Englewood Cliffs, NJ: Prentice-Salão, 1974. Ledvij, M. quotCurve Fitting Made Easy. quot Físico Industrial 9. 24-27, abril / maio de 2003. Press, WH Flannery, BP Teukolsky, SA e Vetterling, WT, Colocando Dados em uma Linha Direta, Dados de Linha Direta com Erros em Ambas as Coordenadas, quot e quot. , 15.3 e 15.4 em Recetas Numéricas em FORTRAN: The Art of Scientific Computing, 2ª ed. Cambridge, Inglaterra: Cambridge University Press, págs. 655-675, 1992. York, D. Colocação de uma Linha Direta. J. Phys. 44. 1079-1086, 1966. Wolfram Web ResourcesLinear mínimos quadrados regressão é de longe o método de modelagem mais amplamente utilizado. É o que a maioria das pessoas quer dizer quando diz que usou regressão, regressão linear ou mínimos quadrados para encaixar um modelo em seus dados. Não só a regressão linear por mínimos quadrados é o método de modelagem mais utilizado, mas foi adaptada a um amplo leque de situações que estão fora de seu escopo direto. Ele desempenha um forte papel subjacente em muitos outros métodos de modelagem, incluindo os outros métodos discutidos nesta seção: regressão não linear de mínimos quadrados. Regressão dos mínimos quadrados ponderados e LOESS. Definição de um modelo de mínimos quadrados linear Usado diretamente, com um conjunto de dados apropriado. A regressão linear de mínimos quadrados pode ser usada para ajustar os dados com qualquer função da forma f (vec vec) beta0 beta1x1 beta2x2 ldots em que cada variável explicativa na função é multiplicada por um parâmetro desconhecido, há no máximo um parâmetro desconhecido sem Correspondente variável explicativa, e todos os termos individuais são somados para produzir o valor final da função. Em termos estatísticos, qualquer função que atenda a esses critérios seria chamada de função linear. O termo linear é usado, embora a função não seja uma linha reta, porque se os parâmetros desconhecidos são considerados variáveis ​​e as variáveis ​​explicativas são consideradas coeficientes conhecidos correspondentes a essas variáveis, então o problema se torna um sistema (geralmente Sobredeterminada) de equações lineares que podem ser resolvidas para os valores dos parâmetros desconhecidos. Para diferenciar os vários significados da palavra linear, os modelos lineares aqui discutidos são freqüentemente ditos lineares nos parâmetros ou estatisticamente lineares. Por que os mínimos quadrados A regressão linear dos mínimos quadrados também obtém seu nome pela forma como as estimativas dos parâmetros desconhecidos são Computado. O método de mínimos quadrados que é usado para obter estimativas de parâmetros foi desenvolvido independentemente no final do século XVIII e início do século XIX pelos matemáticos Karl Friedrich Gauss, Adrien Marie Legendre e (possivelmente) Robert Adrain Stigler (1978) Harter ) Que trabalham na Alemanha, França e América, respectivamente. No método dos mínimos quadrados, os parâmetros desconhecidos são estimados minimizando a soma dos desvios quadrados entre os dados eo modelo. O processo de minimização reduz o sistema sobredeterminado de equações formado pelos dados a um sistema sensível de (p), (onde (p) é o número de parâmetros na parte funcional do modelo) equações em (p) incógnitas. Este novo sistema de equações é então resolvido para obter as estimativas dos parâmetros. Para saber mais sobre como o método de mínimos quadrados é usado para estimar os parâmetros, consulte a Seção 4.4.3.1. Exemplos de funções lineares Como acabamos de mencionar acima, os modelos lineares não se limitam a linhas retas ou planos, mas incluem uma ampla gama de formas. Por exemplo, uma curva quadrática simples, f (xvec) beta0 beta1x beta x2. É linear no sentido estatístico. Um modelo de linha reta em (log (x)), f (xvec) beta0 beta1ln (x). Ou um polinômio em (sin (x)), f (xvec) beta0 beta1sina (x) beta2sina (2x) beta3sina (3x). É também linear no sentido estatístico porque são lineares nos parâmetros, embora não com relação à variável explicativa observada, (x). Modelo Não-Linear Exemplo Assim como os modelos que são lineares no sentido estatístico não precisam ser lineares em relação às variáveis ​​explicativas, os modelos não lineares podem ser lineares em relação às variáveis ​​explicativas, mas não com relação aos parâmetros. Por exemplo, f (xvec) beta0 beta0beta1x é linear em (x), mas não pode ser escrito na forma geral de um modelo linear apresentado acima. Isto é porque a inclinação desta linha é expressa como o produto de dois parâmetros. Como resultado, regressão de mínimos quadrados não-lineares poderia ser usada para ajustar este modelo, mas os mínimos quadrados lineares não podem ser usados. Para exemplos adicionais e discussão de modelos não-lineares veja a próxima seção, Seção 4.1.4.2. Vantagens dos mínimos quadrados lineares A regressão linear dos mínimos quadrados ganhou seu lugar como principal ferramenta para a modelagem de processos devido à sua efetividade e completude. Embora existam tipos de dados que são melhor descritos por funções não-lineares nos parâmetros, muitos processos em ciência e engenharia são bem descritos por modelos lineares. Isso ocorre porque os processos são inerentemente lineares ou porque, em intervalos curtos, qualquer processo pode ser bem aproximado por um modelo linear. As estimativas dos parâmetros desconhecidos obtidos a partir da regressão linear de mínimos quadrados são as estimativas ótimas de uma ampla classe de possíveis estimativas de parâmetros sob as suposições usuais utilizadas para a modelagem de processos. Praticamente falando, a regressão linear por mínimos quadrados faz uso muito eficiente dos dados. Bons resultados podem ser obtidos com conjuntos de dados relativamente pequenos. Finalmente, a teoria associada à regressão linear é bem compreendida e permite a construção de diferentes tipos de intervalos estatísticos facilmente interpretáveis ​​para as previsões, calibrações e otimizações. Estes intervalos estatísticos podem então ser usados ​​para dar respostas claras a questões científicas e de engenharia. Desvantagens de mínimos quadrados lineares As principais desvantagens de mínimos quadrados lineares são limitações nas formas que os modelos lineares podem assumir em longas escalas, possivelmente com poucas propriedades de extrapolação e sensibilidade a valores atípicos. Modelos lineares com termos não-lineares nas variáveis ​​de preditores variam de forma relativamente lenta, portanto para processos inerentemente não-lineares torna-se cada vez mais difícil encontrar um modelo linear que se ajuste bem aos dados à medida que o intervalo de dados aumenta. À medida que as variáveis ​​explicativas se tornam extremas, a saída do modelo linear também será sempre mais extrema. Isto significa que os modelos lineares podem não ser eficazes para extrapolar os resultados de um processo para o qual os dados não podem ser coletados na região de interesse. É claro que a extrapolação é potencialmente perigosa, independentemente do tipo de modelo. Por fim, embora o método dos mínimos quadrados, muitas vezes, forneça estimativas ótimas dos parâmetros desconhecidos, é muito sensível à presença de pontos de dados incomuns nos dados usados ​​para ajustar um modelo. Um ou dois outliers podem às vezes distorcer seriamente os resultados de uma análise dos mínimos quadrados. Isso torna a validação do modelo. Especialmente em relação aos outliers. Crítico para a obtenção de respostas sólidas para as perguntas motivando a construção do modelo. Meio de reversão: Modern Day Médias móveis Author: GunjanDuaa 04 de outubro de 2012 As médias móveis são um dos indicadores mais utilizados em estudos de análise técnica. O que começou com a média móvel simples e, em seguida, em direção a média móvel exponencial tem com a passagem do tempo e advento de softwares programados por computador fizeram técnicos para experimentar e chegar a novos tipos de cálculo de dados. DEFINIÇÃO A reversão média sugere que os preços dos ativos acabarão por reverter para sua média ou média antes da retomada da tendência ou da reversão da tendência, pode ser que os preços retornem para a média ou consolidem por um tempo até o momento em que se aproxima da média, Este é um processo em que muitos sistemas de negociação são baseados em onde a ação é tomada quando o desempenho recente foi diferente de suas médias históricas. MÉDIA MÓVEL MODERNA As médias móveis simples ainda são usadas por muitos, mas com o tempo e uma exigência para medir o preço diferentemente feito caminho para novos pensamentos e novas médias. Neste artigo vou explicar novas médias móveis que evoluíram com o tempo ea necessidade. Uma média móvel é uma linha de curvatura suave que fornece a confirmação visual da tendência de longo prazo de uma média, são indicadores de atraso em que as médias de movimentação mais rápidas são intermitentes e as médias de longo prazo são mais suaves, para Diminuir o intervalo de tempo que estas médias exponenciais modificadas foram pensadas. Eles são usados ​​para fornecer sinais em crossover ou determinação de tendência mais cedo do que outras médias móveis. DOING THE MATH Fórmula Exponencial Duplo MA: DEMA 2EMA - EMA (EMA) Fórmula Exponencial Tripla de EM: TEMA (EMEA) EMA (EMA) EMA EMA (1). (Close - EMA (1)) N O período de suavização. O gráfico 1 tem cruzamento médio móvel, mostra claramente que TEMA dá o sinal mais cedo seguido por DEMA e, em seguida, a média móvel simples. Assim, o atraso é reduzido e podemos entrar na tendência mais cedo. MÉDIA MOVIDA DESLOCADA (DispMA) A DispMA é uma média móvel que pode ser ajustada para frente ou para trás em um intervalo de tempo específico. Mudando a média móvel para trás para permanecer na tendência a longo prazo, criará um efeito retardado que muda a média movente para fazer uma saída oportuna quando a tendência contrária se torna, criará um efeito principal. O objetivo do DisMA é evitar sibilos repentinos que geralmente vêm na tendência amadurecida ou eventos relacionados com notícias, o deslocamento irá causar menos número de sinais falsos. Os níveis de deslocamento habituais são de 3 dias a 5 dias para a frente ou para trás. Ele pode ser usado para encontrar suporte e resistências ou como um sinal de crossover e também bastante útil em estudos cíclicos. O Gráfico 2 mostra que a média móvel mais longa colocada para a frente mantém-nos na tendência enquanto a média móvel mais curta que é colocada para trás nos ajuda a obter uma saída oportuna. MÉDIA MOVIDA PONDERADA (WMA) Permite dar uma olhada em outro tipo de média móvel. O objetivo da WMA é eliminar o atraso e aumentar o fator de sensibilidade para o preço. A média móvel ponderada é a média ponderada dos últimos n preços, onde a ponderação diminui em 1 com cada preço anterior. MAIS MATEMÁTICA Cálculo: ((n Pn) ((n - 1) Pn - 1) ((n - 2) Pn - 2) ((n - (n - 1)) Pn - A WMA reage mais rapidamente às mudanças de preços, porque dá mais importância aos recentes movimentos de preços, mostrando assim a tendência mais rapidamente em comparação com a média móvel simples (n - 1). QUADRADOS MENOS QUADRADOS MOVIENDO A MÉDIA Esta média móvel às vezes também é chamada de Média Móvel de Ponto Final Baseada na regressão linear, mas leva um passo adiante, estimando que o que teria acontecido se a linha de regressão continuasse, tornando-a mais responsiva às tendências e manchas As tendências anteriores, em comparação com outras médias móveis. SONS USOS Usado principalmente como um sinal de cruzamento com si ou com outra média móvel ou pode ser usado com o preço se movendo acima ou abaixo dele como um sinal de compra ou venda. No gráfico 3, Movendo médias em um gráfico o primeiro é Meio Mínimo Quadrado (verde) também chamado como Ponto final de média móvel. Os Círculos Vermelhos mostram o aumento de preços acima da média mostrando mudança na tendência ou ponto final da tendência para cima e para baixo ajudando a sair do Posição ou tomar o comércio oposto. Os outros dois são WMA (violeta espessa) e EMA (vermelho tracejado), o cálculo de ambas as médias é quase o mesmo, mas em WMA mais peso é dado ao preço atual por isso mostra que WMA está mais perto do preço em comparação com EMA WILDERS MOVING MÉDIA Como o nome sugere este foi criado por Welles Wilder o grande técnico, cujas obras incluem Índice de Força Relativa (RSI), Índice Direcional Média (ADX). Parabólico Sar e Média Verdadeiro Alcance (ATR). Isso às vezes é chamado como a média móvel modificada, o objetivo é suavizar os movimentos de preços para identificar tendências de preços. (1-k) Onde k 1 / N, N Número de períodos A fórmula é semelhante à EMA que tem 2 parâmetros, uma série de tempo e um período de retrocesso e retorna uma linha suave. Preço ficar e fechar acima da média é denominado como uma tendência de alta e abaixo dela como uma tendência de baixa. O gráfico 4 mostra duas médias no cálculo de Wilders. A média móvel mais longa pode ser usada para determinação de tendência e mais curta para negociação para compra em mergulho e vender em alta. Crossover fornece sinais de negociação, mas com um atraso. Rising EQUITY CRUVE Quase todo mundo usa médias móveis em tendências de preços de negociação, estas médias móveis mais recentes irão ajudar os comerciantes a captar a tendência de uma maneira melhor e construir um sistema de negociação mais fino para entender as tendências do mercado melhor rendendo uma curva de equidade de aumento. Linear Regression Indicator The Linear Regression Indicator É usado para a tendência de identificação e tendência seguinte de forma semelhante às médias móveis. O indicador não deve ser confundido com Linhas de Regressão Linear que são linhas retas instaladas em uma série de pontos de dados. O Indicador de Regressão Linear traça os pontos finais de toda uma série de linhas de regressão linear desenhadas em dias consecutivos. A vantagem do Indicador de Regressão Linear sobre uma média móvel normal é que ela tem menos atraso que a média móvel, respondendo mais rapidamente às mudanças de direção. A desvantagem é que é mais propenso a whipsaws. O Indicador de Regressão Linear é adequado apenas para negociação de tendências fortes. Os sinais são tomados de forma semelhante às médias móveis. Use a direção do Indicador de Regressão Linear para entrar e sair com um indicador de longo prazo como um filtro. Vá longo se o indicador de regressão linear virar para cima ou sair de um comércio curto. Ir curto (ou sair de um comércio longo) se o Indicador de Regressão Linear virar para baixo. Uma variação acima é entrar em negociações quando o preço cruza o Indicador de Regressão Linear, mas ainda sai quando o Indicador de Regressão Linear se torna negativo. Exemplo Passe o mouse sobre as legendas dos gráficos para exibir os sinais de negociação. Vá longo L quando o preço cruza acima do Indicador de Regressão Linear de 100 dias enquanto o 300-dia está subindo Sair X quando o Indicador de Regressão Linear de 100 dias virar para baixo Vá longamente de novo em L quando o preço cruza acima do Indicador de Regressão Linear de 100 dias Sair X quando o Indicador de Regressão Linear de 100 dias virar para baixo Vá L longo quando o preço cruza acima de 100 dias de Regressão Linear Sair X quando o indicador de 100 dias virar para baixo Vá L longo quando o Indicador de Regressão Linear de 300 dias aparecer após o preço cruzado acima O Indicador de 100 dias Saia de X quando o Indicador de Regressão Linear de 300 dias se desligar. A divergência bearish no indicador adverte de uma reversão principal da tendência. Junte-se à nossa lista de discussão Leia o boletim Diário de Negociação da Colin Twiggsrsquo, oferecendo análise fundamental da economia e análise técnica dos principais índices do mercado, ouro, petróleo bruto e forex.