Linear gewichtete bewegliche durchschnittliche DEFINITION des linear gewichteten beweglichen Mittelwerts Eine Art gleitender Durchschnitt, der den jüngsten Preisdaten eine höhere Gewichtung verleiht als der gängige, gleitende Durchschnitt. Dieser Durchschnitt wird berechnet, indem jeder der Schlusskurse über einen bestimmten Zeitraum genommen und mit einer bestimmten Position in der Datenreihe multipliziert wird. Sobald die Lage der Zeiträume berücksichtigt wurde, werden sie zusammengefasst und durch die Summe der Anzahl der Zeiträume dividiert. BREAKING DOWN Linear Weighted Moving Average Zum Beispiel wird in einem 15-tägigen linear gewichteten gleitenden Durchschnitt der heutige Schlusskurs mit 15, gestern um 14 multipliziert und so weiter, bis der Tag 1 im Periodenbereich erreicht ist. Diese Ergebnisse werden dann addiert und durch die Summe der Multiplizierer (15 14 13 3 2 1 120) dividiert. Der linear gewichtete gleitende Durchschnitt war eine der ersten Antworten, um den jüngsten Daten eine größere Bedeutung zu verleihen. Die Beliebtheit dieses gleitenden Durchschnitts wurde durch den exponentiellen gleitenden Durchschnitt verringert. Aber trotzdem erweist es sich immer noch sehr nützlich. Dies ist eine Grundfrage zu den Box-Jenkins MA Modellen. Wie ich verstehe, ist ein MA-Modell grundsätzlich eine lineare Regression von Zeitreihenwerten Y gegen vorherige Fehlerbegriffe et. E. Das heißt, die Beobachtung Y wird zuerst gegen ihre vorherigen Werte Y regressiert. Y und dann werden ein oder mehrere Y-Hut-Werte als Fehlerbegriffe für das MA-Modell verwendet. Aber wie werden die Fehlerbegriffe in einem ARIMA-Modell (0, 0, 2) berechnet Wenn das MA-Modell ohne autoregressiven Teil verwendet wird und somit kein Schätzwert, wie kann ich evtl. einen Fehlertermin haben, der am 12. April um 12:48 Uhr gefragt wurde MA Modell Schätzung: Nehmen wir eine Serie mit 100 Zeitpunkten an und sagen, dass dies durch MA (1) Modell ohne Abzweigung gekennzeichnet ist. Dann wird das Modell von ytvarepsilont-thetavarepsilon gegeben, Quad t1,2, cdots, 100quad (1) Der Fehlerterm hier wird nicht beobachtet. Um dies zu erreichen, hat Box et al. Zeitreihenanalyse: Prognose und Kontrolle (3. Auflage). Seite 228 Dass der Fehlerbegriff rekursiv berechnet wird, also der Fehlerterm für t1 ist, varepsilon y thetavarepsilon Jetzt können wir das nicht berechnen, ohne den Wert von theta zu kennen. Um dies zu erreichen, müssen wir die anfängliche oder vorläufige Schätzung des Modells berechnen, siehe Box et al. Des besagten Buches, Abschnitt 6.3.2 Seite 202, dass es sich gezeigt hat, dass die ersten q Autokorrelationen des MA (q) Prozesses ungleich Null sind und in Form der Parameter des Modells als rhokdisplaystylefrac theta1tha theta2theta cdotstheta thetaq quad geschrieben werden können K1,2, cdots, q Der Ausdruck oben forrho1, rho2cdots, rhoq in the thet1, theta2, cdots, thetaq, liefert q gleichungen in q unbekannten. Vorläufige Schätzungen der Thetas können durch Ersetzen von Schätzungen rk für rhok in obiger Gleichung erhalten werden. Beachten Sie, dass rk die geschätzte Autokorrelation ist. Es gibt mehr Diskussion in Abschnitt 6.3 - Anfangsvoranschläge für die Parameter. Bitte lesen Sie das weiter. Nun, vorausgesetzt, wir erhalten die anfängliche Schätzung theta0.5. Dann, Varepsilon y 0.5varepsilon Nun, ein anderes Problem ist, haben wir keinen Wert für varepsilon0, weil t beginnt bei 1, und so können wir nicht berechnen varepsilon1. Zum Glück gibt es zwei Methoden zwei erhalten dies, Bedingte Wahrscheinlichkeit Unbedingte Wahrscheinlichkeit nach Box et al. Abschnitt 7.1.3 Seite 227. Die Werte von varepsilon0 können null als Näherung substituiert werden, wenn n mäßig oder groß ist, ist diese Methode bedingte Wahrscheinlichkeit. Andernfalls wird eine bedingungslose Wahrscheinlichkeit verwendet, wobei der Wert von varepsilon0 durch Rückprognose, Box et al. Empfehlen diese Methode. Lesen Sie mehr über die Rückprognose unter Abschnitt 7.1.4 Seite 231. Nach dem Ermitteln der Anfangsschätzungen und des Wertes von varepsilon0 können wir dann mit der rekursiven Berechnung des Fehlerterms fortfahren. Dann ist die letzte Phase, um den Parameter des Modells (1) abzuschätzen, denken Sie daran, dies ist nicht die vorläufige Schätzung mehr. Bei der Schätzung des Parameters theta verwende ich das nichtlineare Schätzverfahren, insbesondere den Levenberg-Marquardt-Algorithmus, da MA-Modelle auf seinem Parameter nichtlinear sind. AllAverages - meine Sammlung von Moving Averages Hallo, bitte werfen Sie einen Blick auf die neueste Version des bekannten Indikators AllAveragesv3.1 mit 26 Arten von gleitenden Durchschnitten: MAMethod 0: SMA - Simple Moving Average MAMethod 1: EMA - Exponential Moving Average MAMethod 2: Wilder - Wilder Exponential Moving Average MAMethod 3: LWMA - Linear Weighted Moving Average MAMethod 4: SineWMA - Sine Gewichteter beweglicher Durchschnitt MAMethod 5: TriMA - Dreieckiges Bewegliches Durchschnitt MAMethod 6: LSMA - Least Square Moving Average (oder EPMA, Lineare Regressionslinie) MAMethod 7: SMMA - geglättet. Ich habe eine Version dieses Indikators, der die Ma Winkel zählt und sie in 3 Farben färbt. Hilft bei der Einbindung von Indikator in EA, um verschiedene MA-Winkel zu handeln. Doch nach MT4 ver 600 Indikator handeln alle funky auf den Charts und im Backtesting. Ich wollte dieses nochmal so beschreiben, dass es auch in 3-Farben mit Ma-Winkeln sein würde, aber die T3-Methode funktioniert nicht. Wenn ich MAMethod 11 indi benutze, verschwinde einfach.
No comments:
Post a Comment