Media Móvil Simple Deutsch

MetaTrader 4 - Indicadores Promedios móviles, indicador MA para MetaTrader 4 El Indicador técnico de media móvil muestra el valor medio del precio del instrumento durante un cierto período de tiempo. Cuando se calcula la media móvil, se calcula la media del precio del instrumento para este período de tiempo. A medida que el precio cambia, su promedio móvil aumenta o disminuye. Hay cuatro tipos diferentes de promedios móviles: Simple (también conocido como aritmética), exponencial, suavizado y lineal ponderado. Los promedios móviles se pueden calcular para cualquier conjunto de datos secuenciales, incluyendo precios de apertura y cierre, precios más altos y más bajos, volumen de operaciones o cualquier otro indicador. A menudo es el caso cuando se usan promedios móviles dobles. Lo único en que los promedios móviles de diferentes tipos divergen considerablemente entre sí, es cuando los coeficientes de peso, que se asignan a los últimos datos, son diferentes. En caso de que se trate de media móvil simple, todos los precios del período de tiempo en cuestión, son iguales en valor. Los promedios móviles exponenciales y lineales ponderan más valor a los últimos precios. La forma más común de interpretar el precio promedio móvil es comparar su dinámica con la acción del precio. Cuando el precio del instrumento sube por encima de su media móvil, aparece una señal de compra, si el precio cae por debajo de su media móvil, lo que tenemos es una señal de venta. Este sistema de comercio, que se basa en la media móvil, no está diseñado para proporcionar la entrada en el mercado justo en su punto más bajo, y su salida a la derecha en el pico. Permite actuar de acuerdo con la siguiente tendencia: comprar poco después de que los precios lleguen al fondo, y vender poco después de que los precios hayan alcanzado su punto máximo. Simple Moving Average (SMA) Simple, en otras palabras, el promedio móvil aritmético se calcula sumando los precios del cierre del instrumento durante un cierto número de períodos individuales (por ejemplo, 12 horas). Este valor se divide entonces por el número de tales períodos. SMA SUM (CLOSE, N) / N Donde: N es el número de períodos de cálculo. Promedio móvil exponencial (EMA) El promedio móvil suavizado exponencialmente se calcula sumando la media móvil de una determinada proporción del precio de cierre actual al valor anterior. Con los promedios móviles suavizados exponencialmente, los últimos precios son de mayor valor. La media móvil exponencial del P por ciento se verá así: Donde: CERRAR (i) el precio del cierre del período actual EMA (i-1) Promedio Movimiento Exponencial del cierre del período anterior P el porcentaje de usar el valor del precio. Promedio móvil suavizado (SMMA) El primer valor de este promedio móvil suavizado se calcula como la media móvil simple (SMA): SUM1 SUM (CLOSE, N) Las segundas y siguientes medias móviles se calculan según esta fórmula: Donde: SUM1 es el Suma total de los precios de cierre para N periodos SMMA1 es el promedio móvil suavizado de la primera barra SMMA (i) es el promedio móvil suavizado de la barra actual (excepto el primero) CLOSE (i) es el precio actual de cierre N es el Período de suavizado. Promedio móvil ponderado lineal (LWMA) En el caso de la media móvil ponderada, los datos más recientes tienen más valor que los datos más antiguos. La media móvil ponderada se calcula multiplicando cada uno de los precios de cierre dentro de la serie considerada, por un cierto coeficiente de ponderación. Suma (i, N) / SUM (i, N) Donde: SUM (i, N) es la suma total de los coeficientes de peso. Los promedios móviles también pueden aplicarse a los indicadores. Es ahí donde la interpretación de las medias móviles de los indicadores es similar a la interpretación de los promedios móviles de los precios: si el indicador sube por encima de su media móvil, es probable que continúe el movimiento del indicador ascendente: si el indicador cae por debajo de su promedio móvil, Significa que es probable que siga bajando. Estos son los tipos de promedios móviles en el gráfico: Promedio móvil simple (SMA) Promedio móvil exponencial (EMA) Promedio móvil suavizado (SMMA) Promedio móvil ponderado lineal (LWMA) En los procesos de fabricación y de negocios, existe una herramienta común denominada control gráfico . Creado en 1920 por el Dr. Walter Shewhart, un gráfico de control se utiliza para determinar si un proceso está en control o fuera de control. En ese momento, el Dr. Shewhart estaba trabajando en Bell Labs tratando de mejorar la calidad de la señal de las líneas telefónicas. Los componentes mal maquinados fueron una de las principales causas de degradación de la señal, por lo que mejorar los procesos de fabricación para producir componentes más uniformes fue un paso crítico para mejorar la calidad de la señal. El Dr. Shewhart se dio cuenta de que todos los procesos, de fabricación o de otro tipo, tienen cierta cantidad de variación natural. La clave era identificar cuando la variación se estaba comportando normalmente (en control), y cuando de repente comenzó a cambiar (fuera de control). Un proceso que ha salido de control debe ser detenido por lo que el problema se puede arreglar, en lugar de churning fuera descuidado componentes manufacturados. Las cartas de control funcionan activando una alerta cuando el valor diverge suficientemente de la media por una cierta cantidad. En la práctica, son muy sencillos e intuitivos de leer, ya menudo actúan como detectores de anomalías de primera línea debido a su simplicidad y robustez. Suavizado con medias móviles Los gráficos de control se pueden construir con bastante facilidad en Elasticsearch utilizando una combinación de agregaciones, incluyendo las nuevas agregaciones de canalización. Para empezar, veamos algunos datos sintéticos que generé para esta publicación. Por diversión, podemos imaginar que es la temperatura del refrigerante (en centígrados) para un reactor nuclear. Vamos a echar un vistazo a los datos en primer lugar, utilizando un cubo de histograma y una métrica extendedstats: En el gráfico, estamos trazando el promedio de cada cubo: Haga clic para tamaño completo. Como se puede ver, los datos son básicamente una tendencia plana, con una distribución aleatoria alrededor de 30. Los datos son ruidosos, por lo que lo primero que puede hacer es suavizarlo para que pueda ver mejor la tendencia general. Los promedios móviles son excelentes para esto. Un promedio móvil, básicamente, toma una ventana de valores, calcula el promedio, y luego mueve la ventana hacia adelante un paso. Hay varios tipos diferentes de promedios móviles que puede elegir. Vamos a utilizar una media móvil ponderada exponencialmente (EWMA). Este tipo de media móvil reduce la importancia de un punto de datos exponencialmente a medida que envejece en la ventana. Esto ayuda a mantener el promedio móvil centrado en los datos en lugar de quedarse atrás. En la siguiente consulta, agregamos una agregación de la canalización media móvil movavgmean que calcula el promedio móvil de cada promedio de buckets (es decir, un promedio de deslizamiento de medio): Hay algunos bits interesantes aquí: bucketspath apunta al valor promedio calculado dentro de nuestra métrica extendedstats Ventana se establece en 24, lo que significa que queremos que el promedio de las últimas 24 horas juntos modelo se establece en ewma Y, finalmente, configuramos algunos ajustes para este modelo en particular. El ajuste alpha controla lo suave que es el promedio móvil generado. El valor predeterminado (0,3) suele ser bastante bueno, pero me gustó el aspecto de 0,1 mejor para esta demo. Echa un vistazo a los documentos para más información sobre cómo funciona la alfa. Y el gráfico resultante ahora incluye una línea bien suavizada (púrpura): En el control Entonces, la pregunta es. Esta carta mira en control ¿Hay alguna razón por la que debes apagar el reactor, o está todo funcionando sin problemas Admito que estaba siendo disimulado en el gráfico anterior: calculé el promedio. Como se discutió anteriormente. La media es una métrica bastante pobre en la mayoría de los casos. En este conjunto de datos, está escondiendo un gran pico que puse el jueves. Si trazamos el valor máximo en cada cubo (línea amarilla), el punto es inmediatamente claro: Espero que desactivó el reactor el jueves.) ¿Cómo podríamos haber detectado este pico En esta gráfica, la anomalía es absurdamente clara. Usted podría utilizar un umbral simple. Pero también ver más adelante, los umbrales fallan a menudo bajo patrones más complejos. En su lugar, permite crear un gráfico de control. Las cartas de control consideran un proceso fuera de control si los puntos de datos empiezan a caer tres desviaciones estándar de la media. Con esto en mente, podemos modificar nuestra agregación para convertirla en una carta de control de buena fe. Para ello, tenemos que añadir dos nuevas agregaciones: una media móvil en la desviación estándar, y un script que calcula el límite superior: La nueva movavgstd pipeline agg es muy simple: es simplemente un EWMA (con valores predeterminados) que los promedios La métrica stats. stddeviation durante las últimas 24 horas. La línea de tuberías de shewhartucl es un bucketscript que calcula el límite de control superior aka, el punto en el tiempo cuando comienzas a preocupar porque el proceso ha salido de control. Piense en ello como un umbral dinámico. El umbral se calcula multiplicando la desviación estándar de rodadura por tres, luego añadiéndola a la media de rodadura. Lo omité por brevedad, pero la mayoría de los gráficos de control también incluyen un límite de control más bajo. Para añadir que, simplemente se copia shewhartucl. Restar tres desviaciones estándar en lugar de agregar, y renombrarlo a shewhartlcl. Nota: Estoy usando una escritura en línea para la conveniencia. Puede sustituirlo por un script estático si está desactivado en su clúster. Medio liso: púrpura Valor máximo: amarillo Límite de control superior: verde Podemos graficar esto y ver que el pico (amarillo) dispara más allá del límite de control (verde). En un sistema real, esto es cuando envías una alerta o correo electrónico. O tal vez algo más drástico, ya que se trata de un reactor nuclear que estamos modelando) Conclusión Eso es todo para esta semana. Para recapitular, usamos las nuevas agregaciones de tuberías para suavizar nuestros datos con una media móvil. A continuación, construimos un gráfico de control para encontrar dinámicamente valores atípicos calculando un límite de control superior basado en el promedio móvil y una desviación estándar en movimiento. En la segunda parte. Así ver cómo la misma tabla de control se puede utilizar para patrones de datos más interesantes, tales como tendencias lineales y el comportamiento cíclico. También veremos cómo integrarlo con Watcher para que podamos recibir notificaciones por correo electrónico automáticamente. Check it out Esta funcionalidad es experimental y puede ser cambiada o eliminada completamente en una versión futura. Dada una serie ordenada de datos, la agregación Moving Average deslizará una ventana a través de los datos y emitirá el valor promedio de esa ventana. Por ejemplo, dados los datos 1, 2, 3, 4, 5, 6, 7, 8, 9, 10. podemos calcular un promedio móvil simple con un tamaño de ventanas de 5 como sigue: Las medias móviles son un método simple para suavizar secuencial datos. Los promedios móviles se aplican típicamente a los datos basados ​​en el tiempo, como los precios de las acciones o las métricas del servidor. El suavizado puede utilizarse para eliminar las fluctuaciones de alta frecuencia o ruido aleatorio, lo que permite visualizar las tendencias de frecuencia más bajas, como la estacionalidad. Syntaxedit Linearedit El modelo lineal asigna una ponderación lineal a los puntos de la serie, de modo que los puntos de datos antiguos (por ejemplo, aquellos al principio de la ventana) aportan una cantidad linealmente menor a la media total. La ponderación lineal ayuda a reducir el rezago detrás de la media de los datos, ya que los puntos más antiguos tienen menos influencia. Un modelo lineal no tiene configuraciones especiales para configurar Al igual que el modelo simple, el tamaño de la ventana puede cambiar el comportamiento de la media móvil. Por ejemplo, una pequeña ventana (ventana: 10) seguirá de cerca los datos y sólo suavizará las fluctuaciones de pequeña escala: En cambio, un promedio móvil lineal con una ventana más grande (ventana: 100) Suavizará todas las fluctuaciones de alta frecuencia, dejando sólo las tendencias de baja frecuencia y largo plazo. También tiende a quedarse atrás de los datos reales por una cantidad sustancial, aunque por lo general menos que el modelo simple: Multiplicative Holt-Wintersedit Multiplicative se especifica mediante el tipo de ajuste: mult. Esta variedad se prefiere cuando el efecto estacional se multiplica en función de sus datos. P. ej. Si el efecto estacional es x5 los datos, en lugar de simplemente agregarle. Los valores por defecto de alpha y gamma son 0.3 mientras que beta es 0.1. Los ajustes aceptan cualquier flotador de 0-1 inclusive. El valor predeterminado de period es 1. El modelo multiplicativo Holt-Winters puede ser Minimizado Multiplicativo Holt-Winters funciona dividiendo cada punto de datos por el valor estacional. Esto es problemático si cualquiera de sus datos es cero, o si hay vacíos en los datos (ya que esto resulta en un divid-by-cero). Para combatir esto, el mult Holt-Winters imprime todos los valores por una cantidad muy pequeña (110 -10) para que todos los valores no sean cero. Esto afecta al resultado, pero sólo mínimamente. Si sus datos son distintos de cero, o prefiere ver NaN cuando se encuentren ceros, puede desactivar este comportamiento con pad: false Predictionedit Todo el modelo de media móvil soporta un modo de predicción que intentará extrapolar en el futuro dada la corriente Suavizado, móvil promedio. Dependiendo del modelo y parámetro, estas predicciones pueden o no ser exactas. Las predicciones se habilitan agregando un parámetro predict a cualquier agregación de media móvil, especificando el número de predicciones que le gustaría anexar al final de la serie. Estas predicciones se espaciarán en el mismo intervalo que sus cubos: El simple. Lineales y de ewma, todos producen predicciones planas: convergen esencialmente en la media del último valor de la serie, produciendo un plano: Figura 11. Promedio móvil simple con ventana de tamaño 10, predecir 50 En contraste, el modelo holt puede extrapolar con base En tendencias constantes locales o globales. Si establecemos un valor beta alto, podemos extrapolar basándonos en las tendencias locales constantes (en este caso las predicciones bajan la cabeza, porque los datos al final de la serie se dirigían hacia abajo): Figura 12. Holt - Media móvil lineal Con ventana de tamaño 100, predecir 20, alfa 0,5, beta 0,8 En contraste, si elegimos una pequeña beta. Las predicciones se basan en la tendencia global constante. En esta serie, la tendencia global es ligeramente positiva, por lo que la predicción hace un viraje fuerte y comienza una pendiente positiva: Figura 13. Promedio móvil exponencial doble con ventana de tamaño 100, predecir 20, alfa 0,5, beta 0,1 El modelo holtwinters Tiene el potencial para entregar las mejores predicciones, ya que también incorpora las fluctuaciones estacionales en el modelo: Figura 14. Holt-Winters media móvil con ventana de tamaño 120, predecir 25, alfa 0.8, beta 0.2, gamma 0.7, período 30