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 ist es immer noch sehr nützlich. Excuse mich für die Frage, Im Lesen Vorhersage: Grundsätze und Praxis von Rob J Hyndman. Ich stecke auf diesem Kapitel: otexts. orgfpp84, die kurz erklärt, wie ein gleitender Durchschnitt funktioniert. Der Grund ist, dass ich havent verstanden habe, wie das e mit k in 1. q (siehe die Formel an der Link oben) berechnet werden. Ich möchte eine einfache lineare Regression mit den kleinsten kleineren Quadraten auf die Fehler zwischen den Prognosen und den realen Werten anwenden, aber ich konnte nicht verstehen, welches der Wert ist, diesen Fehlern zuzuordnen. Wie kann ich handeln, um sie zu erhalten Vielen Dank im Voraus Die Fehlertermine für den MA-Teil eines ARIMA-Modells werden in der Regel als Teil der Schätzroutine erzeugt und sind gleich der Differenz zwischen dem beobachteten Wert und dem angepassten Wert. Das bedeutet, a) Sie können nicht einfache lineare Regression verwenden, um Ihr Modell zu schätzen - die Werte der Fehlerbegriffe hängen von den Koeffizienten Ihres Modells ab - so können Sie die Fehlerbegriffe nicht in eine Regression einfügen, um diese Koeffizienten zu erzeugen. B) Wenn Sie ein Modell verwenden, das auf einem Datensatz erstellt wird, um Prognosen für einen anderen Datensatz zu erhalten - mit einer Methode, die mit den einstufigen Prognosen vergleichbar ist, die Professor Hyndman auf seinem Blog beschreibt, ist wahrscheinlich der einfachste Weg, diese zu bekommen. C) Wenn du die Werte generieren willst, um die Mathematik zu verstehen, was los ist - es ist in der Regel ziemlich einfach, Dinge in einer Kalkulationstabelle einzurichten. Berechnen Sie Ihre Prognose für den ersten Zeitraum. Subtrahieren Sie die Prognose von dem realen Wert für diesen Zeitraum, um den Fehler für die Periode 1 zu erzeugen. Verwenden Sie diesen Fehler für den Zeitraum 1 (zusammen mit anderen relevanten Daten), um die Prognose für die Periode zwei zu berechnen - und so weiter. Wenn du deine Kalkulationstabelle richtig einribst, kann man einfach die entsprechenden Formeln erstellen und dann eine Spalte kopieren, um deine Werte zu erhalten. In jedem Fall - es ist wahrscheinlich besser zu denken, Vergleich Ihrer Prognosen zu Ihren Vorhersagen über etwas wie die Mean Absolute Scaled Error, oder eine andere Technik, die evaulates, wie nah Ihre Modellprojektionen sind, um die tatsächlichen Werte in den Daten gesehen. Eine einfache lineare Regression der realen Werte auf den Projektionen ist nicht eine großartige Möglichkeit, dies zu tun - es gibt dir einen Vergleichswert, aber nicht zwischen deiner Projektion und dem Wert, sondern eine lineare Transformation deiner Funktion und des Wertes. Sicherlich, wenn du die lineare Regression machst und du einen Intercept-Koeffizienten bekommst, der nicht gleich (oder zumindest nahe) bis null ist - oder ein Steigungskoeffizient, der nicht gleich ist (oder zumindest nahe), ist ein Zeichen von Ein wesentliches Problem mit deinem Modell, egal wie gut die Güte der Passform Statistiken aus der Regression beantwortet ist, antwortet am 6. November 14 um 23: 14Linear Regressionsindikator Der Linear Regressionsindikator wird für Trendidentifikation und Trend in ähnlicher Weise zu gleitenden Mitteln verwendet. Der Indikator sollte nicht mit linearen Regressionslinien verwechselt werden, die gerade Linien an einer Reihe von Datenpunkten angebracht sind. Der Lineare Regressionsindikator zeigt die Endpunkte einer ganzen Reihe von linearen Regressionslinien an, die an aufeinanderfolgenden Tagen gezeichnet wurden. Der Vorteil der Linear Regression Indicator über einen normalen gleitenden Durchschnitt ist, dass es weniger Verzögerung als der gleitende Durchschnitt, reagiert schneller auf Richtungsänderungen. Der Nachteil ist, dass es anfälliger für Whipsaws ist. Der Linear Regressionsindikator eignet sich nur für den Handel mit starken Trends. Signale werden in ähnlicher Weise zu gleitenden Durchschnitten genommen. Verwenden Sie die Richtung der Linear Regression Indicator, um Trades mit einer längerfristigen Anzeige als Filter einzugeben und zu verlassen. Gehen Sie lange, wenn die Linear Regression Indicator auftaucht oder einen kurzen Handel beenden. Gehen Sie kurz (oder verlassen Sie einen langen Handel), wenn die Linear Regression Indicator ausschaltet. Eine Variation auf dem oben genannten ist, Trades einzugeben, wenn der Preis den Linear Regression Indicator kreuzt, aber immer noch beendet, wenn die Linear Regressionsanzeige leuchtet. Maus über Diagrammbeschriftungen, um Handelssignale anzuzeigen. Gehen Sie lang L, wenn der Preis über den 100-tägigen Linear Regressionsindikator übergeht, während der 300-Tag steigt Exit X, wenn der 100-Tage-Linear Regressions-Indikator abschaltet. Gehen Sie lange wieder bei L, wenn der Preis über die 100-Tage-Linear Regression Indicator Exit kreuzt X, wenn die 100-Tage-Linear-Regressionsanzeige nach unten geht Lange L, wenn der Preis über 100-Tage-Linear-Regressions-Exit X übergeht, wenn die 100-Tage-Anzeige ausläuft Go long L, wenn die 300-Tage-Linear Regressionsanzeige nach dem oben gekreuzten Preis auftaucht Die 100-Tage-Anzeige Exit X, wenn die 300-Tage-Linear Regressionsanzeige ausschaltet. Die Bearish Divergenz auf dem Indikator warnt vor einer großen Trendumkehr.
No comments:
Post a Comment