Moving Gjennomsnittet Kaufman

Kaufman Adaptive Moving Average Trading Strategy Oppsett Filter. I Trading Strategy. Developer Perry Kaufman Kaufman Adaptive Moving Average KAMA Kilde Kaufman, PJ 1995 Smartere Trading Bedre Forbedring i Endre Markeder New York McGraw-Hill, Inc Konsept Trading strategi basert på et adaptivt støyfilter Forskning Målprestasjon Verifisering av oppsett og filter Spesifikasjon Tabell 1 Resultater Figur 1-2 Handel Oppsett Lange handler Den adaptive Flytte Gjennomsnittlig AMA viser seg Kort handler Den adaptive Flytende gjennomsnittet slår seg ned Merknad AMA-trendlinjen ser ut til å stoppe når markeder ikke har noen retning Når markeder trenden , AMA-trendlinjen fanger opp Trade Entry Long Trades Et kjøp på tettstedet er plassert etter et bullish oppsett Kort handel En selg på tettstedet er plassert etter en bearish setup Trade Exit Table 1 Portefølje 42 futures markeder fra fire store markedssektorer varer, valutaer , renter og aksjeindekser Data 32 år siden 1980 Testplattform MATLAB. II Sensitivity Test. Al l 3-D-diagrammer følges av 2-D-konturdiagrammer for fortjenestefaktor, Sharpe-forhold, Ulcer Performance Index, CAGR, Maksimal Drawdown, Prosent Lønnsom Trades og Avg Win Avg Loss Ratio Det endelige bildet viser sensitiviteten til Equity Curve. Tested Variables ERLength FilterIndex Definisjoner Tabell 1.Figur 1 Portefølje Performance Inputs Tabell 1 Kommisjonen Slippage 0.AMA ERLength er det adaptive Moving Gjennomsnittet over en periode med ERLength ERLength er en titt tilbake periode av effektivitetsforhold ER ER jeg abs Retning i Volatilitet jeg, hvor abs er absoluttverdien Retning jeg Lukker jeg Lukk i ERLength, Volatilitet i abs DeltaClose jeg, ERLength, hvor er summen over en periode på ERLength, DeltaClose jeg Lukk i Lukk i 1 FastMALength er en periode med det raskt bevegelige gjennomsnittet SlowMALength er en periode med det sakte bevegelige gjennomsnittet AMA i AMA i 1 ci Lukk jeg AMA i 1, hvor ci ER I Fast Slow Slow 2, Fast 2 FastMALength 1, Slow 2 SlowMALength 1 Indeks i. ERLength 2, 100, trinn 2 FastMALength 2 SlowMALength 30.Lo ng Trades Hvis AMA jeg AMA i 1 AMA i 1 AMA i 2 så MinAMA AMA i 1 Adaptive Moving Average blir en sving på MinAMA Short Trades AMA i AMA i 1 AMA i 1 AMA i 2 og MaxAMA AMA i 1 Adaptive Moving Average svinger ned med en pivot ved MaxAMA Index i. Filtrer jeg FilterIndex StdDev AMA i AMA i 1, N, hvor StdDev er standardavviket i serier over N perioder N 20 standardverdi Index i. FilterIndex 0 0, 1 0, Trinn 0 02 N 20.Lange handler Et kjøp i nærheten er plassert når AMA jeg AMA i 1 AMA i MinAMA Filter i korte handler En selg på slutten plasseres når AMA jeg AMA jeg 1 MaxAMA AMA jeg filtrerer i indeksen i. Stop Tab Exit ATR ATRLength er gjennomsnittlig True Range over en periode med ATRLength ATRStop er et flertall av ATR ATRLength Long Trades Et salgsstopp er plassert ved ATR ATR ATRLength ATRStop Short Trades Et buy stop er plassert ved ATR ATR ATRLength ATRStop. ATRLength 20 ATRStop 6.ERLength 2 , 100, Trinn 2 FilterIndex 0 0, 1 0, Trinn 0 02.Hvis du har noen spørsmål eller forslag, er du velkommen til å bli med K forumet diskusjon om Kaufman s Adaptive Moving Average Bli med i forumet. Utviklet av Perry Kaufman, er Kaufman s Adaptive Moving Average designet for ikke bare å fungere som et bevegelige gjennomsnitt, men også for å spore grad av støy i trenden og justere tilsvarende. endrer sin fart på grunnlag av markedsvolatilitet. AMA brukes som erstatning for vanlige glidende gjennomsnitt, og da det ble presentert i 1995, var det bedre enn tidligere forsøk på å skape et intelligent glidende gjennomsnitt fordi det ga større brukerkontroll. I utgangspunktet da markedet er trending sterkt, og det er bare mindre mottrends trekkutdrag, det er svært lite støy, og du vil foretrekke at MA følger nære prishandlingen nøye. Dermed vil du ønske at den har en mindre trackback span. På den annen side, hvis markedet er avstandsbundet og domineres av barer som utligner hverandre, vil du ha et glidende gjennomsnitt med en lengre tilbakekallingsperiode som vil glatte det ut og dermed unngå falsk signaler. Hva Kaufman gjorde, er å finjustere eksponensielt flytende gjennomsnitt med en algoritme som vil justere EMAs utjevningskonstant i forhold til forholdet mellom markedsretning og volatilitet, og det er nå responsivt mot trend og volatilitet. Her er formelen hvorfra AMA er avledet. AMA C lukkes t AMA t-1 AMA t-1, hvor C er det adaptive aspektet av utjevningskonstanten. Det er imidlertid en rekke beregninger før vi kommer til C, men vi vil ikke liste dem her for å holde tingene enklere . Det er viktigere å innse at Kaufman s Adaptive Moving Average utmerker takket være sin evne til å reagere på markedsforholdene dynamiske skift, noe som er en stor fordel sammenlignet med handelsstrategier basert på bevegelige gjennomsnitt med faste trackbackperioder. Dessuten, bortsett fra å bruke KAMA som en selvstendig indikator, kan den også fungere for å glatte andre indikatorer. Like de andre medlemmene av den bevegelige gjennomsnittlige indikatorfamilien, fungerer Kaufman s AMA som et sterkt støttemotstandsnivå w som genererer trender med trendinngang ved kontakt, samt utgangssignaler når en trend reversering er tydelig. Sjekk ut forskjellen mellom et enkelt flytende gjennomsnitt, et eksponentielt flytende gjennomsnitt og Kaufman s adaptive bevegelige gjennomsnitt på skjermbildet nedenfor. Lagt i lyseblå er et 14-årig enkeltflytende gjennomsnitt, mens 14-årig EMA er farget i gult. Som du kan se er Kaufman s Adaptive Moving Average Purple Line relativt flatt i det meste av tiden, da markedet holder seg i et tett handelsområde innenfor større tidsramme s bearish trend, og dermed vil det produsere mindre falske inngangssignaler innenfor konsolideringsområdet. Hvis du har noen spørsmål eller forslag, er du velkommen til å bli med i vårt forum diskusjon om Kaufman s Adaptive Moving Average Bli med i forumet. Funnet i 2013, Binary Tribune har som mål å gi sine lesere nøyaktig og faktisk finansiell nyhetsdekning. Vår nettside er fokusert på store segmenter i aksjemarkeder, valutaer og råvarer i finansmarkedene, og interaktiv i N-dybdeforklaring av viktige økonomiske hendelser og indikatorer. Finansiell risikoopplysning. vil ikke holdes ansvarlig for tap av penger eller skade forårsaket av å stole på informasjonen på dette nettstedet. Handel forex, aksjer og varer på margin har høy risiko og kan ikke være egnet for alle investorer. Før de bestemmer seg for å handle utenlandsk valuta bør du nøye vurdere investeringsmålene dine, nivået på erfaring og risikoappetitt. Cookie Policy. Dette nettstedet bruker informasjonskapsler for å gi deg den aller beste opplevelsen og å kjenne deg bedre. Ved å besøke nettstedet vårt med nettleseren din for å tillate cookies, samtykker du i vår bruk av informasjonskapsler som beskrevet i vår personvernpolicy. Copyright 2017 Binary Tribune Alle rettigheter reservert. KAMA indikator - Kaufman Adaptive Moving Average. KAMA er en forkortelse for Kaufman Adaptive Moving Average Denne indikatoren for teknisk analyse ble opprettet av en amerikansk handelsmann Perry Kaufman han er også en ekspert på å skape algoritmiske handelsprogrammer KAMA-indikator tilhører gruppen av adaptive bevegelige gjennomsnitt. Flytte gjennomsnitt generelt, følg prisen og utviklingen for en viss periode. E g hvis en næringsdrivende bestemmer seg for å beregne 10-dagers Enkelt glidende gjennomsnitt, beregnes den faktiske bevegelige gjennomsnittsverdien alltid fra de siste 10 dagene. Noen ganger kan en større vekt settes på De mest virkelige dagene, som Vektet glidende gjennomsnitt, gjør det, men det viktigste er at den 11. dagen ikke har noen effekt på beregningen da den faller utenfor det valgte tidsområdet. Tilsvarende de vanlige glidende gjennomsnittene, kan de adaptive glidende gjennomsnittene endre seg antall dager for beregningen Når forholdene på markedet endres, følger de adaptive glidende gjennomsnittene den nåværende situasjonen og tilpasser seg selv. Det er deres største fordel. De forholdene de endrer seg, kan være forskjellige. KAMA endrer dagene for beregningen etter faktisk marked Støy og volatilitet Hvis prisene flytter jevnt, er det ikke noe om de stiger eller faller, støyen i markedsprisene er lav, følger KAMA priskurven veldig tett Hvis prisene hopper opp og ned når de stiger, når de faller, er volatiliteten svært høy og KAMA vil følge prisdiagrammet fra en større avstand. Dette gjør det mulig for næringsdrivende å få mindre falske handelssignaler og for å forbedre handelssystemet raskt. Dette bilde disponerer OHLC priser og KAMA indikator slik at du kan se hvordan den oppfører seg KAMA satt til 6 dager, Short Alpha 0 6 og Fast Alpha 0 06. Formelen for KAMA beregning ser slik ut.1 Beregn Markedsretningen for en valgt periode tid f. eks. 10 dager KAMA Markedsretningen de siste 10 dagene kan deretter beregnes som ABS Lukk 0 Lukk -9, hvor Lukk 0 betyr den mest virkelige dagen s Lukk pris og Lukk -9 betyr nær pris 9 dager siden Grunnen hvorfor vi tar hensyn til prisen for 9 dager siden, og ikke 10 dager er fordi den første dagen i beregningen er 0-dagen med andre ord til tross for at vi tar hensyn til 10-dagers prisforskjell, er 10-dagers pris merket som Lukk -9 Hvis vi ønsker å beregne 2-dagers KAMA, vil vi ta hensyn til Lukk 0 og Lukk -1.2 Beregn volatiliteten til markedet i en valgt tidsperiode. Dette kan gjøres som ABS Lukk t Lukk t-1, hvor Lukk t er Lukk prisen på hver av dagene i beregningen og lukk t-1 er Lukk av forrige dag f. eks. Lukk 0 Lukk -1 Lukk -1 Lukk -2 osv. Da vi har 10 dager i beregningen, får vi 9 forskjeller i absolutt positive verdier Disse Absolute forskjeller gjenspeiler markedsstøy eller volatilitet i løpet av den valgte perioden. Effektivitetsforholdet svinger mellom 0 og 1 og forteller oss hva markedsstøyen er eller volatiliteten til prisene. Effektivitetsforholdet vil være 1 hvis prisene vil stige 10 påfølgende perioder eller fall 10 sammenhengende perioder Effektivitetsforholdet vil være 0 hvis prisene ikke har endret seg i løpet av 10 påfølgende perioder. Dette er også punktet hvor mange handelsfolk gjør grunnleggende feilen, og nesten alle nettsteder gjør samme feil som de tar hensyn til 10 forskjellige Ences for 10-dagers KAMA-beregning i stedet for 9 forskjeller Vel, kanskje det virker riktig og mer logisk ved første øyekast, så la oss se nærmere på denne saken. Husker du det klassiske Simple glidende gjennomsnittet som har vært nevnt hvis ikke bare prøv å finne det igjen i teksten over Så, hvis vi ønsker å beregne 2-dagers Enkelt glidende gjennomsnitt, tar vi kun i betraktning de siste 2 prisene og prisen 3. dag er ikke viktig for oss. La oss anta at prisene for de siste tre dagene vil se ut som denne Pris 0 100 Pris -1 90 Pris -2 100 Ved hjelp av den enkle glidende gjennomsnittsformelen, ville vi få 2-dagers SMA-verdi på 95 som virker riktig, gjør det greit, nå de 2 dagene KAMA-beregning Markedsretningen de siste 2 dagene tilsvarer 10 poeng. Markedsvolatiliteten er også 10 poeng 100 90 10 Da, hvis du beregner effektivitetsforholdet, får du en verdi som tilsvarer 1 eller 100, hvilket faktisk betyr at 100 av prisendringen innen den valgte perioden har blitt gjort i samme dir ection Med andre ord forteller Efficiency ratio at prisen har steget eller mislyktes hele tiden. Det er gyldig hvis du bare tar hensyn til bare en forskjell for en 2-dagers KAMA-beregning, men de fleste nettsteder, handelsmenn eller analyser ser bort fra dette faktumet. og de jobber med 2 prisforskjeller, noe som betyr at de også inkluderer i beregningen den tredje dagen også, til tross for at vi er interessert bare i 2-dagers KAMA og skal jobbe med retningen som tilsvarer 10 og volatilitet som tilsvarer til 10 også, faktisk, de fleste som ikke tar hensyn til denne lille forskjellen ville fungere med retning som tilsvarer 10 og volatilitet som tilsvarer 20 da får de et effektivitetsforhold som tilsvarer 0 5, noe som betyr at prisen har steget 50 av tiden og faller også 50 av tiden Det ville vært riktig for de siste 3 dagene, men ikke for de siste 2 dagene.3 Beregn ER Effektivitetsforhold Effektivitetsforholdet er faktisk Retningen av marked div drevet av dens volatilitet ER Retningsvolatilitet.4 Beregn SC-utjevningskonstanten Utjevningskonstanten består av ER og to alfaer fra eksponentielle glidende gjennomsnitt ER er allerede kjent for oss Vi må beregne alfaer nå En alfa representerer hurtig eksponensielt glidende gjennomsnitt og andre et sakte eksponentielt glidende gjennomsnitt Vi kan kalle dem Fast Alpha og Slow Alpha Kaufman anbefalt å bruke 2-dagers glidende gjennomsnitt som Fast Alpha og 30-dagers glidende gjennomsnitt som Slow Alpha. Disse to glidende gjennomsnittene er da ansvarlige for hvordan KAMA oppfører seg når markedet er ganske og ingenting skjer, og når det er stormfullt, med mange bevegelser opp og ned. Det raskeste flygende gjennomsnittet er inkludert i KAMA-beregningen når markedet er ganske og så følger vi prisen veldig nært, og det langsomste glidende gjennomsnittet er inkludert i Beregningen når markedet er svært volatilt, går KAMA-kurven bort fra prisen, slik at prisen kan ta en dypere pust, og næringsdrivende gjør det ikke få forskjellige signaler til å kjøpe og selge hver dag Så hvis vi velger å bruke Alphas fra 2-dagers og 30-dagers eksponentielt glidende gjennomsnitt, ser beregningen ut som denne Fast Alpha 2 2 1 0 6667 Slow Alpha 2 30 1 0 0645 Dette sikrer at dagene for KAMA-beregningen vil alltid variere mellom 2 og 30 dager. Hvis noen vil bruke lengre glidende gjennomsnitt enn 30-dagers glidende gjennomsnitt, kan han beregne ny Alpha, f. eks. 100-dages alfa tilsvarer 2 100 1 0 0198 I så fall , vil KAMA-beregningen alltid være basert på et antall dager mellom 2 og 100. SC-utjevningskonstanten ser slik ut. SC ER x Fast Alpha Slow Alpha Slow Alpha 2.Så i dette tilfellet ville SC være lik. SC ER x 0 6667 0 0645 0 0645 og denne ligningen vil bli kvadret. Selv om KAMA ville bli beregnet som 30-dagers gjennomsnitt, ville det fortsatt bevege seg litt opp og ned slik at Kaufman anbefalte å gjøre det mindre fornuftig, det er grunnen til at SC-sitatet endelig blir squared.5 Beregn KAMA selv Det ville se slik ut KAMA 0 KAMA -1 SC Pris 0 KAMA -1. Hvis du er kjent med eksponentiell glidende gjennomsnittlig beregning, kan du se at den er nesten den samme. Hovedforskjellen mellom eksponentielt glidende gjennomsnitt og Kaufman adaptive glidende gjennomsnitt ligger i det faktum at mens EMA bruker alltid det samme antall dager for beregningen, KAMA kan endre dette tallet Antallet dagendringer er sikret ved utjevningskonstanten og utjevningskonstantendringen er faktisk basert på effektivitetsforholdet Dette lukker sirkelen E g hvis prisen ville ikke forandre seg i det hele tatt og ville forbli jevnt da Retningen av markedet ville være 0, Effektivitetsforholdet ville være 0, Utjevning konstant ville være lik Slow Alpha kvadret KAMA ville være lik den valgte Slow Exponential glidende gjennomsnittlig 30-dagers EMA, men der ville være liten forskjell på grunn av den kvadratiske SC-ligningen. På samme måte ville prisen dersom alle faller alle sammenhengende dager i beregningen, da vil markedet Retning og volatilitet være lik, Effektivitetsforholdet ville være 1 og utjevningskonstant ville være lik rask eksponensiell glidende gjennomsnittlig 2-dagers EMA. Det er det grunnleggende prinsippet om hvordan KAMA blir mer robust eller fornuftig under ulike markedssituasjoner. Markedsvolatilitet Faktisk anser vi at KAMA er en av de største tekniske indikatorene noensinne som takket være sin evne til å tilpasse den, er svært robust og fungerer bra på mange markeder. Dessuten kan du eksperimentere med indikatoren og prøve å erstatte ER eller SC med verdier fra enhver annen teknisk indikator eller til og med bruke disse verdier i annen indikator. Praktisk bruk for teknisk handel KAMA indikator tilhører trend-følgende indikatorer I likhet med noen av de bevegelige gjennomsnittene som HMA Hulls glidende gjennomsnitt, T3 glidende gjennomsnitt, FRAMA Fractal adaptive glidende gjennomsnitt, DEMA dobbelt eksponensielt glidende gjennomsnitt etc følger det prisen slik at du kan bruke den til å identifisere den dominerende trenden på markedet Dette ville kreve å sette dagene for rask og langsom alfa til høyere følelser for eksempel å dekke tidsområdet mellom 50 og 200 dager. Så KAMA ville bli mer robust og ville vise oss bare de viktigste markedsbevegelsene. Så hvis KAMA stiger, går trenden også opp og omvendt. I motsetning til trendindikatorene som ADX eller Aroon indikator du kan tro at KAMA ikke ville vise oss styrken av trenden, bare den dominerende trenden selv, men det ville være sant bare ved første øyekast. Hvis du har forstått KAMA-beregningen, kan du finne ut det inneholder en veldig interessant del som heter Effektivitetsgrad ER viser oss hvor stor prisendringen var innenfor det valgte antall dager Med andre ord, hvis ER er lik 1, betyr det at alle dagsprisene i beregningen flyttet i samme retning som faktisk betyr en sterk trend og hvis ER er 0, betyr det at dagprisene ikke var i bevegelse i det hele tatt som signaliserer et fravær av en trend. Andre muligheter for å handle med KAMA ville være å følge Lukkpris og KAMA-verdier. e-prisene er høyere enn KAMA-verdier, går vi lenge. Skulle de lave prisene være lavere enn KAMA, går vi kort. Vi kan også handle KAMA-kryssinger. Dette vil måtte forberede to forskjellige KAMAs One som bare ville være basert på raskere Alphas og andre som vil bruke langsommere alfaer for beregning deres Så kan du følge deres kryssinger. Skulle den raskere KAMA komme over den langsommere KAMA, kjøper vi og omvendt. Som KAMA indikator er svært robust og universell, kan vi også prøve å bruke den som en del av en annen indikator , for eksempel å bruke den i Bollinger Bands i stedet for Enkel glidende gjennomsnitt eller bruk det i MACD i stedet for eksponentielt glidende gjennomsnitt. Som du kan se, er KAMA virkelig en ekstraordinær indikator for teknisk analyse som gir oss mange interessante opplysninger og muligheter til å bruke det. As med nesten alle tekniske indikatorer er det beste hver handelsmann kan gjøre, er å teste sine egne data, egne innstillinger og egne regler, hvordan man kan handle. Overraskende, det beste resultatet kan noen ganger være achi eved med innstillinger som ikke er vanlige og regler som er ganske rart ved et første blikk, jo flere ting en forhandler kan endre og eksperimentere med det bedre for ham og hans handelsresultater. Følgende lenke fører til de tekniske indikatorene i Excel-filer for nedlasting.