8.5 Média móvel do ponto final A média móvel do ponto final (EPMA) estabelece um preço médio ajustando uma linha recta de mínimos quadrados (ver Regressão linear) através dos últimos preços de fechamento de N dias e tomando o ponto final da linha (ou seja, a linha como no último Dia) como a média. Este cálculo é feito por vários outros nomes, incluindo a média móvel dos mínimos quadrados (LSQMA), a regressão linear em movimento ea previsão das séries temporais (TSF). Joe Sharprsquos ldquomodified mover averagerdquo é a mesma coisa também. A fórmula acaba sendo uma média ponderada simples de preços de N passados, com pesos indo de 2N-1 para baixo para - N2. Isso é facilmente derivado das fórmulas de mínimos quadrados, mas apenas olhando para os pesos a conexão com os mínimos quadrados não é de todo óbvio. Se p1 é todayrsquos próximo, p2 yesterdays, etc, então Os pesos diminuem por 3 para cada dia mais velho, e vão negativo para o terço o mais velho dos N dias. O gráfico a seguir mostra que para N15. Os negativos significam que a média é ldquooverweightrdquo em preços recentes e pode overshoot ação de preço após um salto súbito. Em geral, porém, porque a linha ajustada deliberadamente passa pelo meio de preços recentes, a EPMA tende a estar no meio de preços recentes, ou uma projeção de onde eles pareciam estar em tendência. Itrsquos interessante comparar o EPMA com um simples SMA (veja Simple Moving Average). Um SMA efetivamente desenha uma linha horizontal através dos últimos N dias preços (sua média), enquanto o EPMA desenha uma linha inclinada. O indicador de inércia (ver Inércia) utiliza a EPMA. Kevin Ryde Chart é um software livre que você pode redistribuí-lo e / ou modificá-lo sob os termos da Licença Pública Geral GNU, conforme publicada pela Free Software Foundation ou versão 3 , Ou (a sua opção) qualquer versão posterior. Quando eu comparar o MT4 Least Squares Moving Average para Tradestations Linear Regression Curve, eles são certamente a mesma fórmula. No entanto, o indicador MT4 tem algum código de cores vermelho / verde / amarelo agradável que eu gosto muito. Meu indicador Tradestation é apenas uma cor. Se você olhar para o MT4 Least Squares MA, a lógica de codificação de cores não é simples up / down lógica (ou seja, se MA gt MA1, em seguida, verde, se MA lt MA1, em seguida, vermelho), é outra coisa. Eu gosto desta coloração de indicador particular e gostaria de aplicá-lo para o Tradestation curva de regressão linear para que eu possa usá-lo em alguns mercados não-forex eu também comércio. Eu sou razoavelmente fluente em Tradestation programação de indicadores, mas eu não posso ler código MQL4 em tudo. Eu tenho certeza que eu poderia programar a cor no indicador TS LRC se eu pudesse entender a lógica de coloração no código MQL4. Então, minha pergunta é: qual é a lógica de codificação de cor do indicador (nas declarações de lógica usuais ou frases) contidas no código a seguir? Muitos Obrigado, Scott Qualquer comprador Id adoraria um pouco de ajuda aqui. Apenas uma explicação simples da lógica de codificação de cores me faria muito feliz. Ne color por indicador linha de índice quando está indo para cima, desenha com índice 2 Quando plana, índice 1 Quando vai para baixo, índice 3 Coloca o valor vazio nos índices que não são usados em qualquer barra em particular. Tudo o que sei é, no MT4 CI, a regra é. Uma linha de uma cor, por isso, se há 3 ou 5 ou 7 cor, deve haver 3 ou 5 ou 7 linha (e seu CI buffers). Diga que você quer uma linha com 2 cores, vermelho e azul. Lá, você precisa de 2 linha, digamos que a linha é para cima, então você usa a linha azul e vazio o valor do vermelho, e vice-versa. Linear 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 questões que motivam a construção do modelo. Movendo Regressão Linear O indicador de regressão linear móvel é uma ótima ferramenta que pode ajudá-lo a entrar e sair do mercado mais rapidamente. Existem dois tipos principais de regressão linear: a linha de tendência de regressão linear ea regressão linear móvel. Ambos usam o método dos quadrados quotleast para traçar certos pontos. Isso significa simplesmente, minimizando a distância entre dois pontos para lhe dar o menor valor. Embora pareça exatamente como uma média móvel em um gráfico, ele reage muito mais rápido. Dê uma olhada na tabela abaixo. Maior Queda Percentual Anual no Dow Jones O maior declínio anual da Média Industrial Dow Jones ocorreu quando a média fechou em 77,90 pontos em 31 de dezembro de 1931. Isso foi 52,6 inferior ao do início do ano. Fonte: Guinness World Records Há muitas possibilidades para usar uma regressão linear em movimento, mas o mais comum é quando ele cruza alguma outra média. Como um exemplo, configure suas cartas com uma média movente simples de 12 períodos dos altos e uma média movente simples de 12 períodos dos pontos baixos. Em seguida, defina a regressão linear em movimento para 21. Quando a regressão linear em movimento de 21 períodos cruza acima da média móvel de 12 períodos dos máximos, isso cria um sinal de compra. Quando a regressão linear de 21 períodos cruza abaixo da média móvel simples de 12 períodos dos máximos, que é a saída. O oposto é verdadeiro para comércios curtos. Dê uma olhada no próximo gráfico. A desvantagem de usar a regressão linear em movimento é que, a menos que você use algum tipo de filtro, é propenso a um monte de whipsaw. O pequeno canal de 12 períodos ajuda a tirar parte disso, mas você também pode experimentar usando RSI, MACD ou estocástico como um filtro. Calendário Económico Calendário PPI Relevância: Isto é importante. (4) Escala de 1-5 Fonte: Departamento de Trabalho dos EUA, Bureau of Labor statistics. Tempo de Liberação Programado: Informações sobre o mês anterior lançado às 8:30 ET ao redor do dia 11 de cada mês O Índice de Preços do Produtor mede os preços dos bens no nível de atacado. As três principais categorias que compõem o PPI são: bruto, intermediário e acabado, o mais importante dos quais é o índice de produtos acabados. Este é o preço dos produtos que estão prontos para venda ao usuário. Buy On Close Para comprar no final de uma sessão de negociação Comércio de Gabinete Permite que os comerciantes de opções para fechar deep out-of-the-money opções de negociação a opção a um preço igual a um meio tick. Também conhecido como (CAB). CFTC Commodities Futures Trading Comissão. Regulamenta a indústria de futuros de commodities nos Estados Unidos. Orde r Uma ordem colocada acima ou abaixo do preço de mercado atual para proteger mais perde. O fechamento O último preço de fechamento ou intervalo no final de uma sessão de negociação em um determinado mercado. Para os mercados que são 24 horas, significa geralmente o fim do período de 24 horas. Atenciosamente Mark McRae As informações, gráficos ou exemplos contidos nesta lição são apenas para fins ilustrativos e educacionais. Não deve ser considerado como um conselho ou uma recomendação para comprar ou vender qualquer segurança ou instrumento financeiro. Nós não e não podemos oferecer conselhos de investimento. Para mais informações, leia o nosso aviso legal. Para imprimir ou salvar uma cópia desta lição em formato PDF, basta clicar no link PRINT. Isso abrirá a lição em um formato PDF que, você pode então IMPRIMIR. Se você não está familiarizado com PDF ou não tem uma cópia gratuita do Arobat Reader ver instruções. Indicador de Regressão Linear O Indicador de Regressão Linear 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 informativo Colin Twiggs Trading Diary, com artigos educacionais sobre negociação, análise técnica, indicadores e novas atualizações de software.
No comments:
Post a Comment