J'ai essentiellement un tableau de valeurs comme ceci: Le tableau ci-dessus est simplifié, Im collectionner 1 valeur par milliseconde dans mon code réel et j'ai besoin de traiter la sortie sur un algorithme que j'ai écrit pour trouver le pic le plus proche avant un point dans le temps. Ma logique échoue parce que dans mon exemple ci-dessus, 0.36 est le vrai pic, mais mon algorithme regarderait en arrière et verrait le tout dernier nombre 0.25 comme le pic, car il y a une diminution à 0.24 avant lui. L'objectif est de prendre ces valeurs et de leur appliquer un algorithme qui les lisse un peu pour que je possède des valeurs plus linéaires. (C.-à-d.: Id comme mes résultats à curvy, pas jaggedy) On m'a dit d'appliquer un filtre exponentiel de moyenne mobile à mes valeurs. Comment puis-je le faire C'est vraiment difficile pour moi de lire les équations mathématiques, je traite beaucoup mieux avec le code. Comment puis-je traiter les valeurs dans mon tableau, en appliquant un calcul exponentiel de la moyenne mobile pour les égaliser? Demandé 8 février à 20:27 Pour calculer une moyenne mobile exponentielle. Vous devez garder un certain état autour et vous avez besoin d'un paramètre de réglage. Cela nécessite une petite classe (en supposant que vous utilisiez Java 5 ou plus tard): Instantiate avec le paramètre de décroissance que vous voulez (peut prendre l'accord doit être entre 0 et 1), puis utilisez average () pour filtrer. Lors de la lecture d'une page sur une récurrence mathématique, tout ce que vous avez vraiment besoin de savoir lorsque vous le transformer en code est que les mathématiciens aiment écrire des index dans des tableaux et des séquences avec des indices. (Theyve quelques autres notations ainsi, ce qui ne l'aide pas.) Cependant, l'EMA est assez simple car vous devez seulement se souvenir d'une vieille valeur aucune arrays compliqués d'état requis. Répondre févr. 8 12 at 20h42 TKKocheran: Pretty much. Notez que les premiers termes de la séquence moyenne sauteront un peu en raison des effets de frontière, mais vous obtenez ceux avec d'autres moyennes mobiles aussi. Cependant, un bon avantage est que vous pouvez envelopper la logique de la moyenne mobile dans le moyager et expérimenter sans déranger le reste de votre programme trop. Ndash Donal Fellows Feb 9 12 at 0:06 J'ai de la difficulté à comprendre vos questions, mais je vais essayer de répondre de toute façon. 1) Si votre algorithme a trouvé 0,25 au lieu de 0,36, alors il est faux. C'est faux parce qu'il suppose une augmentation ou une diminution monotone (qui monte ou monte toujours). Sauf si vous moyenne toutes vos données, vos points de données --- comme vous les présenter --- sont non linéaires. Si vous voulez vraiment trouver la valeur maximale entre deux points dans le temps, découpez votre tableau de tmin à tmax et trouvez le maximum de ce sous-tableau. 2) Maintenant, le concept de moyennes mobiles est très simple: imaginez que j'ai la liste suivante: 1.4, 1.5, 1.4, 1.5, 1.5. Je peux le lisser en prenant la moyenne de deux nombres: 1.45, 1.45, 1.45, 1.5. Notez que le premier nombre est la moyenne de 1,5 et 1,4 (deuxième et premier numéros) la deuxième (nouvelle liste) est la moyenne de 1,4 et 1,5 (troisième et deuxième liste ancienne) la troisième (nouvelle liste) la moyenne de 1,5 et 1,4 (Quatrième et troisième), et ainsi de suite. J'aurais pu faire la période trois ou quatre, ou n. Remarquez comment les données sont beaucoup plus lisses. Une bonne façon de voir les moyennes mobiles au travail est d'aller à Google Finance, sélectionnez un stock (essayez Tesla Motors assez volatile (TSLA)) et cliquez sur technicals au bas du graphique. Sélectionnez Moyenne mobile avec une période donnée, et Moyenne mobile exponentielle pour comparer leurs différences. Moyenne mobile exponentielle est juste une autre élaboration de cela, mais pondère les données plus anciennes moins que les nouvelles données, c'est une façon de biais le lissage vers l'arrière. Veuillez lire l'entrée de Wikipedia. Donc, c'est plus un commentaire qu'une réponse, mais la petite boîte de commentaire était juste à minuscule. Bonne chance. Si vous avez des problèmes avec les mathématiques, vous pourriez aller avec une moyenne mobile simple au lieu d'exponentielle. Donc, la sortie que vous obtenez serait les derniers termes x divisé par x. Pseudocode non testé: Notez que vous devrez manipuler les parties de début et de fin des données car clairement vous ne pouvez pas moyenne les 5 derniers termes lorsque vous êtes sur votre 2e point de données. En outre, il existe des moyens plus efficaces de calculer cette moyenne mobile (somme somme - la plus récente la plus récente), mais c'est pour obtenir le concept de ce qui se passe à travers. Les moyennes mobiles exponentielles sont semblables aux moyennes mobiles pondérées en ce sens qu'elles attribuent moins de poids aux changements il ya longtemps, et plus de poids aux changements récents. Les moyennes mobiles pondérées sont linéaires, mais les moyennes mobiles exponentielles sont exponentielles. C'est-à-dire que le poids peut être exprimé sous forme de courbe: il existe un excellent moyen de calculer des moyennes mobiles exponentielles dans T-SQL en utilisant une fonctionnalité non documentée sur les variables et les totaux en cours d'exécution dans SQL Server. Dans ce billet de blog je vais montrer comment utiliser cette méthode pour calculer la moyenne mobile exponentielle dans T-SQL, mais je vais également présenter une méthode qui utilise des fonctionnalités standard dans SQL Server. Malheureusement, cela signifie utiliser une boucle. Dans les exemples, je calculerai une moyenne mobile exponentielle de 9 jours. Les exemples utilisent la base de données TAdb. Un script pour créer TAdb peut être trouvé ici. Moyenne mobile exponentielle (EMA): Méthode des totaux courants La théorie qui sous-tend les fonctionnalités totales courantes des mises à jour est décrite en détail par Jeff Moden dans son article Résoudre les problèmes d'ordre total et Ordinal Rank. D'autres ressources qui décrivent l'utilisation de cette méthode pour calculer EMA sont le blog Calculer des moyennes mobiles avec T-SQL par Gabriel Priester et le forum post exponentiel Défi mobile moyen. À la fois sur SQL Server Central. Fondamentalement, dans T-SQL, vous pouvez mettre à jour les variables ainsi que les colonnes dans une déclaration de mise à jour. Les mises à jour sont effectuées ligne par ligne en interne par SQL Server. Ce comportement ligne par ligne est ce qui rend le calcul d'un total courant possible. Cet exemple montre comment cela fonctionne: Notez que 8220ColumnRunningTotal8221 est un total de 8220ColumnToSum8221. En utilisant cette méthode nous pouvons calculer EMA9 avec ce T-SQL: Le calcul d'EMA est assez simple. Nous utilisons la ligne courante et la précédente, mais avec plus de poids à la ligne courante. Le poids est calculé par la formule 2 (19), où 822098221 est le paramètre pour la longueur de l'EMA. Pour calculer EMA9 pour la ligne 10 ci-dessus, le calcul est: Dans ce cas, la ligne courante obtient 20 du poids (2 (19) 0,2) et la rangée précédente obtient 80 du poids (1-2 (19) 0.8). Vous trouverez ce calcul dans l'instruction ci-dessus dans l'instruction CASE: Moyenne mobile exponentielle (EMA): Méthode de boucle Pour autant que je sache, à l'exception de la méthode des totaux en cours décrite ci-dessus, il n'y a aucun moyen de calculer EMA en utilisant une instruction SQL . Par conséquent, le T-SQL ci-dessous utilise une boucle while pour calculer EMA9: Les résultats sont les mêmes que dans l'exemple de totaux en cours ci-dessus. Performance Comme prévu, la version des totaux en cours d'exécution est beaucoup plus rapide que la version en boucle. Sur ma machine, la solution basée sur l'ensemble était d'environ 300 ms, comparativement à environ 1200 avec la version de boucle. La version de boucle est plus conforme aux normes de SQL cependant. Donc, le choix entre les méthodes dépend de ce qui est le plus important pour vous, la performance ou les normes. La moyenne mobile exponentielle peut être utilisée dans l'analyse des tendances, comme pour les autres types de moyennes mobiles, la moyenne mobile simple (SMA) et la moyenne mobile pondérée (WMA). Il ya aussi d'autres calculs dans l'analyse technique qui utilise l'EMA, MACD par exemple. Ce billet de blog fait partie d'une série sur l'analyse technique, TA, dans SQL Server. Voir les autres messages ici. Publié par Tomas Lind Tomas Lind - Services de conseil en tant que SQL Server DBA et développeur de bases de données à High Coast Database Solutions AB. Moyenne mobile exponentielle - EMA BREAKING DOWN Moyenne mobile exponentielle - EMA Les EMA de 12 et 26 jours sont les plus courtes à court terme Moyennes, et ils sont utilisés pour créer des indicateurs comme la convergence moyenne mobile divergence (MACD) et le pourcentage d'oscillateur de prix (PPO). En général, les EMA de 50 et de 200 jours sont utilisés comme signaux d'évolution à long terme. Les commerçants qui utilisent l'analyse technique trouvent des moyennes mobiles très utiles et perspicaces lorsqu'elles sont appliquées correctement, mais créent des ravages lorsqu'elles sont mal utilisées ou mal interprétées. Toutes les moyennes mobiles couramment utilisées dans l'analyse technique sont, par leur nature même, des indicateurs en retard. Par conséquent, les conclusions tirées de l'application d'une moyenne mobile à un graphique de marché particulier devraient être de confirmer un mouvement de marché ou d'indiquer sa force. Très souvent, au moment où une ligne d'indicateurs de la moyenne mobile a fait un changement pour refléter une évolution significative du marché, le point optimal d'entrée sur le marché a déjà dépassé. Un EMA sert à atténuer ce dilemme dans une certaine mesure. Parce que le calcul EMA place plus de poids sur les dernières données, il étreint l'action de prix un peu plus serré et réagit donc plus rapidement. Ceci est souhaitable lorsqu'un EMA est utilisé pour dériver un signal d'entrée de négociation. Interprétation de l'EMA Comme tous les indicateurs de la moyenne mobile, ils sont beaucoup mieux adaptés aux marchés tendances. Lorsque le marché est dans une tendance forte et soutenue à la hausse. La ligne indicatrice EMA affichera également une tendance haussière et vice-versa pour une tendance à la baisse. Un commerçant vigilant ne sera pas seulement attention à la direction de la ligne EMA, mais aussi la relation du taux de changement d'une barre à l'autre. Par exemple, lorsque l'action de prix d'une forte tendance haussière commence à s'écraser et à inverser, le taux de changement de l'EMA d'une barre à l'autre commencera à diminuer jusqu'à ce que la ligne d'indicateur s'atténue et que la vitesse de changement soit nulle. En raison de l'effet retardé, par ce point, ou même quelques bars avant, l'action de prix aurait déjà inversé. Il s'ensuit donc que l'observation d'une diminution constante du taux de variation de l'EMA pourrait elle-même être utilisée comme un indicateur qui pourrait mieux contrer le dilemme causé par l'effet retardé des moyennes mobiles. Utilisations courantes de l'EMA Les EMA sont couramment utilisés en conjonction avec d'autres indicateurs pour confirmer les mouvements significatifs du marché et pour évaluer leur validité. Pour les commerçants qui négocient des marchés intraday et rapide, l'EMA est plus applicable. Très souvent, les commerçants utilisent les EMA pour déterminer un biais de négociation. Par exemple, si une EMA sur un graphique quotidien montre une forte tendance à la hausse, une stratégie de traders intraday peut être de négocier uniquement du côté long sur un graphique intraday.
No comments:
Post a Comment