Moving Average Filter Vorteile

Moving Average - MA BREAKING DOWN Moving Average - MA Als SMA-Beispiel betrachten Sie eine Sicherheit mit den folgenden Schlusskursen über 15 Tage: Woche 1 (5 Tage) 20, 22, 24, 25, 23 Woche 2 (5 Tage) 26, 28, 26, 29, 27 Woche 3 (5 Tage) 28, 30, 27, 29, 28 Ein 10-Tage-MA würde die Schlusskurse für die ersten 10 Tage als ersten Datenpunkt ausgleichen. Der nächste Datenpunkt würde den frühesten Preis fallen lassen, den Preis am Tag 11 hinzufügen und den Durchschnitt nehmen, und so weiter wie unten gezeigt. Wie bereits erwähnt, verbleiben MAs die derzeitige Preisaktion, weil sie auf vergangenen Preisen basieren, je länger der Zeitraum für die MA ist, desto größer ist die Verzögerung. So wird ein 200-Tage-MA ein viel größeres Maß an Verzögerung haben als ein 20-Tage-MA, weil es Preise für die letzten 200 Tage enthält. Die Länge der MA zu verwenden hängt von den Handelszielen ab, wobei kürzere MAs für kurzfristige Handels - und längerfristige MAs für langfristige Investoren besser geeignet sind. Die 200-Tage-MA ist weithin gefolgt von Investoren und Händlern, mit Pausen über und unter diesem gleitenden Durchschnitt als wichtige Handelssignale. MAs vermitteln auch eigene Handelssignale, oder wenn zwei Durchschnitte kreuzen. Eine aufsteigende MA zeigt an, dass die Sicherheit in einem Aufwärtstrend ist. Während eine abnehmende MA anzeigt, dass es sich in einem Abwärtstrend befindet. Ebenso wird die Aufwärtsbewegung mit einem bullish Crossover bestätigt. Die auftritt, wenn ein kurzfristiges MA über einen längerfristigen MA kreuzt. Abwärts-Impuls wird mit einer bärigen Überkreuzung bestätigt, die auftritt, wenn ein kurzfristiges MA unterhalb eines längerfristigen MA. moving-Durchschnittes von Zeitreihen-Daten (Beobachtungen gleichmäßig zeitlich beabstandet) von mehreren aufeinanderfolgenden Perioden übergeht. Angerufen, sich zu bewegen, weil es kontinuierlich neu berechnet wird, wenn neue Daten verfügbar werden, wird es fortgesetzt, indem man den frühesten Wert fällt und den letzten Wert addiert. Zum Beispiel kann der gleitende Durchschnitt von sechsmonatigen Verkäufen berechnet werden, indem man den Durchschnitt des Umsatzes von Januar bis Juni, dann den Durchschnitt der Verkäufe von Februar bis Juli, dann von März bis August und so weiter. Durchgehende Mittelwerte (1) reduzieren den Effekt von temporären Variationen in den Daten, (2) verbessern die Anpassung der Daten an eine Zeile (ein Prozess namens Glättung), um den Daten-Trend deutlicher zu zeigen und (3) einen Wert über oder unter dem Wert zu markieren Trend. Wenn du etwas mit sehr hoher Abweichung kalkst, kannst du das gleitende Durchschnitt herausfinden. Ich wollte wissen, was der gleitende Durchschnitt von den Daten war, also hätte ich ein besseres Verständnis dafür, wie wir es gemacht haben. Wenn Sie versuchen, herauszufinden, einige Zahlen, die sich ändern oft das Beste, was Sie tun können, ist die gleitenden Durchschnitt zu berechnen. Exponentiell gewichteter gleitender Durchschnitt (EWMA) Der Wissenschaftler und Ingenieur-Leitfaden zur digitalen Signalverarbeitung Von Steven W. Smith, Ph. D. Kapitel 15: Bewegen von durchschnittlichen Filtern Verwandten des bewegten durchschnittlichen Filters In einer perfekten Welt würden Filterdesigner nur mit Zeitbereich oder Frequenzbereich verschlüsselten Informationen umgehen müssen, aber niemals eine Mischung aus beiden im selben Signal. Leider gibt es einige Anwendungen, bei denen beide Domains gleichzeitig wichtig sind. Zum Beispiel fallen Fernsehsignale in diese böse Kategorie. Videoinformation wird im Zeitbereich codiert, dh die Form der Wellenform entspricht den Helligkeitsmustern im Bild. Während der Übertragung wird das Videosignal jedoch entsprechend seiner Frequenzzusammensetzung, wie etwa seiner Gesamtbandbreite, behandelt, wie die Trägerwellen für die Schallverstärkerfarbe hinzugefügt werden, die Eliminierungsampere-Wiederherstellung der Gleichstromkomponente usw. Als weiteres Beispiel ist eine elektromagnetische Interferenz Wird am besten im Frequenzbereich verstanden, auch wenn die Signaldaten im Zeitbereich codiert sind. Zum Beispiel könnte die Temperaturüberwachung in einem wissenschaftlichen Experiment mit 60 Hertz von den Stromleitungen, 30 kHz von einer Schaltnetzteil oder 1320 kHz von einem lokalen AM-Radiosender verunreinigt werden. Verwandte des gleitenden Durchschnittsfilters haben eine bessere Frequenzdomänenleistung und können in diesen gemischten Domänenanwendungen nützlich sein. Mehrfachdurchlauf-gleitende Durchschnittsfilter beinhalten das Übergeben des Eingangssignals durch einen gleitenden Durchschnittsfilter zweimal oder mehrmals. Abbildung 15-3a zeigt den gesamten Filterkern, der aus einem, zwei und vier Durchgängen resultiert. Zwei Pässe sind gleichbedeutend mit der Verwendung eines dreieckigen Filterkerns (ein rechteckiger Filterkern, der mit sich selbst gefaltet wurde). Nach vier oder mehr Pässe sieht der äquivalente Filterkernel wie ein Gaußscher aus (erinnert sich an den Central Limit Theorem). Wie in (b) gezeigt, erzeugen mehrere Durchgänge eine s-förmige Stufenreaktion, verglichen mit der geraden Linie des einzelnen Durchgangs. Die Frequenzantworten in (c) und (d) sind durch Gl. 15-2 multipliziert mit sich für jeden Pass. Das heißt, jedes Mal führt die Domänenfaltung zu einer Multiplikation der Frequenzspektren. Abbildung 15-4 zeigt den Frequenzgang von zwei anderen Verwandten des gleitenden Durchschnittsfilters. Wenn ein reiner Gaußer als Filterkern verwendet wird, ist der Frequenzgang auch ein Gaußscher, wie in Kapitel 11 diskutiert. Der Gauß ist wichtig, weil es die Impulsantwort vieler natürlicher und künstlicher Systeme ist. Beispielsweise wird ein kurzer Lichtpuls, der in eine lange faseroptische Übertragungsleitung eintritt, als ein Gaußscher Impuls aufgrund der unterschiedlichen Wege, die von den Photonen innerhalb der Faser genommen werden, ablaufen. Der Gaußsche Filterkernel wird auch weitgehend in der Bildverarbeitung verwendet, da er einzigartige Eigenschaften aufweist, die schnelle zweidimensionale Windungen ermöglichen (siehe Kapitel 24). Der zweite Frequenzgang in Abb. 15-4 entspricht der Verwendung eines Blackman-Fensters als Filterkernel. (Der Begriff Fenster hat hier keine Bedeutung, es ist einfach Teil des akzeptierten Namens dieser Kurve). Die genaue Form des Blackman-Fensters ist in Kapitel 16 (Gl. 16-2, Abb. 16-2) gegeben. Allerdings sieht es wie ein Gaußer aus. Wie sind diese Verwandten des gleitenden Durchschnittsfilters besser als der gleitende Mittelfilter selbst Drei Wege: Erstens und am wichtigsten, diese Filter haben eine bessere Stoppbanddämpfung als der gleitende Durchschnittsfilter. Zweitens verjüngen sich die Filterkerne zu einer kleineren Amplitude nahe den Enden. Erinnern Sie sich, dass jeder Punkt im Ausgangssignal eine gewichtete Summe einer Gruppe von Samples aus dem Eingang ist. Wenn sich der Filterkern verjüngt, werden Proben im Eingangssignal, die weiter entfernt sind, weniger Gewicht erhalten als die in der Nähe befindlichen. Drittens sind die Schrittantworten glatte Kurven, anstatt die abrupte gerade Linie des gleitenden Durchschnitts. Diese beiden letzten sind in der Regel von begrenztem Nutzen, obwohl Sie Anwendungen finden können, wo sie echte Vorteile sind. Der gleitende Durchschnittsfilter und seine Verwandten sind alle gleich bei der Verringerung des zufälligen Lärms, während eine scharfe Schrittantwort beibehalten wird. Die Unklarheit liegt darin, wie die Laufzeit der Sprungantwort gemessen wird. Wenn der Anstieg von 0 bis 100 des Schritts gemessen wird, ist der gleitende Durchschnittsfilter das Beste, was Sie tun können, wie bereits gezeigt. Im Vergleich dazu misst das Messen der Laufzeit von 10 auf 90 das Blackman-Fenster besser als das gleitende Mittelfilter. Der Punkt ist, das ist nur theoretische Streiterei betrachten diese Filter gleich in diesem Parameter. Der größte Unterschied in diesen Filtern ist die Ausführungsgeschwindigkeit. Mit einem rekursiven Algorithmus (als nächstes beschrieben) läuft der gleitende durchschnittliche Filter wie ein Blitz in deinem Computer. In der Tat ist es der schnellste digitale Filter zur Verfügung. Mehrere Pässe des gleitenden Durchschnitts werden entsprechend langsamer, aber immer noch sehr schnell. Im Vergleich dazu sind die Gaussian - und Blackman-Filter quälend langsam, weil sie Faltung verwenden müssen. Denken Sie einen Faktor von zehnmal die Anzahl der Punkte im Filterkern (basierend auf der Multiplikation, die etwa 10 mal langsamer als die Addition ist). Zum Beispiel, erwarten Sie eine 100-Punkte-Gaußer 1000-mal langsamer als ein gleitender Durchschnitt mit Rekursion.