Moving Average Filter Gewinn

Moving Averages: Strategies 13 Von Casey Murphy. Senior Analyst ChartAdvisor Verschiedene Investoren verwenden gleitende Durchschnitte aus verschiedenen Gründen. Einige verwenden sie als ihr primäres analytisches Werkzeug, während andere sie einfach als Vertrauensbauer verwenden, um ihre Investitionsentscheidungen zu sichern. In diesem Abschnitt, gut präsentieren ein paar verschiedene Arten von Strategien - Einbeziehung in Ihre Trading-Stil ist bis zu Ihnen Crossovers Ein Crossover ist die grundlegendste Art von Signal und ist bei vielen Händlern bevorzugt, weil es alle Emotionen entfernt. Die grundlegendste Art von Crossover ist, wenn der Preis eines Vermögenswertes von einer Seite eines gleitenden Durchschnitts bewegt und schließt auf der anderen. Preisübergänge werden von Händlern verwendet, um Verschiebungen in der Dynamik zu identifizieren und können als Basiseintrags - oder Ausstiegsstrategie verwendet werden. Wie Sie in Abbildung 1 sehen können, kann ein Kreuz unter einem gleitenden Durchschnitt den Beginn eines Abwärtstrends signalisieren und würde wahrscheinlich von den Händlern als Signal verwendet werden, um bestehende Longpositionen auszuschließen. Umgekehrt kann eine Nähe über einem gleitenden Durchschnitt von unten den Beginn eines neuen Aufwärtstrends vorschlagen. Die zweite Art der Crossover tritt auf, wenn ein kurzfristiger Durchschnitt einen langfristigen Durchschnitt durchquert. Dieses Signal wird von Händlern verwendet, um zu ermitteln, dass sich die Dynamik in einer Richtung verschiebt und dass sich eine starke Bewegung wahrscheinlich annähert. Ein Kaufsignal wird erzeugt, wenn der kurzfristige Mittelwert über dem Langzeitdurchschnitt liegt, während ein Verkaufssignal durch einen kurzfristigen Durchschnittsübergang unterhalb eines langfristigen Durchschnitts ausgelöst wird. Wie Sie aus der folgenden Tabelle sehen können, ist dieses Signal sehr objektiv, weshalb es so beliebt ist. Triple Crossover und das Moving Average Ribbon Zusätzliche gleitende Durchschnitte können dem Diagramm hinzugefügt werden, um die Gültigkeit des Signals zu erhöhen. Viele Händler werden die Fünf-, 10- und 20-Tage-Gruppendurchschnitte auf ein Diagramm platzieren und warten, bis der Fünf-Tage-Durchschnitt durch die anderen übergeht, ist dies in der Regel das primäre Kaufzeichen. Warten auf den 10-Tage-Durchschnitt über den 20-Tage-Durchschnitt zu überqueren wird oft als Bestätigung verwendet, eine Taktik, die oft die Anzahl der falschen Signale reduziert. Die Erhöhung der Anzahl der gleitenden Durchschnitte, wie sie in der Triple-Crossover-Methode gesehen wird, ist eine der besten Möglichkeiten, um die Stärke eines Trends zu beurteilen und die Wahrscheinlichkeit, dass sich der Trend fortsetzen wird. Das ist die Frage: Was würde passieren, wenn man sich bewegte Durchschnitte hinzufügt Manche Leute argumentieren, dass wenn ein gleitender Durchschnitt nützlich ist, dann müssen 10 oder mehr noch besser sein. Dies führt uns zu einer Technik, die als das gleitende durchschnittliche Band bekannt ist. Wie Sie aus der folgenden Tabelle sehen können, werden viele gleitende Durchschnitte auf das gleiche Diagramm gelegt und werden verwendet, um die Stärke des aktuellen Trends zu beurteilen. Wenn alle gleitenden Mittelwerte sich in die gleiche Richtung bewegen, wird der Trend stark sein. Umkehrungen werden bestätigt, wenn die Durchschnitte kreuzen und in die entgegengesetzte Richtung gehen. Die Reaktionsfähigkeit auf sich ändernde Bedingungen entfällt auf die Anzahl der Zeiträume, die in den gleitenden Durchschnitten verwendet werden. Je kürzer die in den Berechnungen verwendeten Zeiträume sind, desto empfindlicher ist der Durchschnitt auf leichte Preisänderungen. Eines der häufigsten Bänder beginnt mit einem 50-tägigen gleitenden Durchschnitt und fügt Mittelwerte in 10-tägigen Schritten bis zum letzten Durchschnitt von 200 hinzu. Diese Art von Durchschnitt ist gut, um langfristige Trendsreversals zu identifizieren. Filter Ein Filter ist eine Technik, die in der technischen Analyse verwendet wird, um das Vertrauen zu einem bestimmten Handel zu erhöhen. Zum Beispiel können viele Investoren wählen, bis eine Sicherheit über einen gleitenden Durchschnitt hinausragt und mindestens 10 über dem Durchschnitt liegt, bevor sie einen Auftrag vergeben. Dies ist ein Versuch, um sicherzustellen, dass die Crossover gültig ist und die Anzahl der falschen Signale zu reduzieren. Der Nachteil über die Vermeidung von Filtern zu viel ist, dass einige der Gewinn aufgegeben wird und es könnte dazu führen, dass das Gefühl, wie Sie das Boot verpasst. Diese negativen Gefühle werden im Laufe der Zeit abnehmen, da Sie ständig die Kriterien für Ihren Filter anpassen. Es gibt keine festgelegten Regeln oder Sachen, um heraus zu achten, wenn das Filtern sein einfach ein zusätzliches Werkzeug, das Ihnen erlaubt, mit Vertrauen zu investieren. Moving Average Envelope Eine andere Strategie, die die Verwendung von gleitenden Durchschnitten beinhaltet, wird als Umschlag bezeichnet. Diese Strategie beinhaltet das Plotten von zwei Bands um einen gleitenden Durchschnitt, gestaffelt um einen bestimmten Prozentsatz. Zum Beispiel, in der Tabelle unten, wird ein 5 Umschlag um einen 25-Tage gleitenden Durchschnitt platziert. Händler werden diese Bands sehen, um zu sehen, ob sie als starke Bereiche der Unterstützung oder des Widerstands fungieren. Beachten Sie, wie die Bewegung oft die Richtung nach dem Annähern einer der Ebenen umkehrt. Ein Preis über die Band hinaus kann eine Periode der Erschöpfung signalisieren, und die Händler werden auf eine Umkehrung zum Mittelmittelpunkt hinwirken. Einleitung zu ARIMA: Nichtseasonale Modelle ARIMA (p, d, q) Prognose Gleichung: ARIMA Modelle sind in der Theorie Die meisten allgemeinen Klasse von Modellen für die Prognose einer Zeitreihe, die gemacht werden kann, um 8220stationary8221 durch differencing (wenn nötig), vielleicht in Verbindung mit nichtlinearen Transformationen wie Protokollierung oder Deflating (falls erforderlich). Eine zufällige Variable, die eine Zeitreihe ist, ist stationär, wenn ihre statistischen Eigenschaften alle über die Zeit konstant sind. Eine stationäre Serie hat keinen Trend, ihre Variationen um ihre Mittel haben eine konstante Amplitude, und es wackelt in einer konsistenten Weise. D. h. seine kurzzeitigen zufälligen Zeitmuster sehen immer in einem statistischen Sinn gleich aus. Die letztere Bedingung bedeutet, daß ihre Autokorrelationen (Korrelationen mit ihren eigenen vorherigen Abweichungen vom Mittelwert) über die Zeit konstant bleiben oder äquivalent, daß sein Leistungsspektrum über die Zeit konstant bleibt. Eine zufällige Variable dieses Formulars kann (wie üblich) als eine Kombination von Signal und Rauschen betrachtet werden, und das Signal (wenn man offensichtlich ist) könnte ein Muster der schnellen oder langsamen mittleren Reversion oder sinusförmigen Oszillation oder eines schnellen Wechsels im Zeichen sein , Und es könnte auch eine saisonale Komponente haben. Ein ARIMA-Modell kann als 8220filter8221 betrachtet werden, das versucht, das Signal vom Rauschen zu trennen, und das Signal wird dann in die Zukunft extrapoliert, um Prognosen zu erhalten. Die ARIMA-Prognosegleichung für eine stationäre Zeitreihe ist eine lineare (d. h. regressionstypische) Gleichung, bei der die Prädiktoren aus Verzögerungen der abhängigen Variablen und Verzögerungen der Prognosefehler bestehen. Das heißt: vorhergesagter Wert von Y eine Konstante undeiner gewichteten Summe von einem oder mehreren neueren Werten von Y und einer gewichteten Summe von einem oder mehreren neueren Werten der Fehler. Wenn die Prädiktoren nur aus verzögerten Werten von Y bestehen, ist es ein reines autoregressives Modell (8220 selbst-regressed8221), das nur ein Spezialfall eines Regressionsmodells ist und mit Standardregressionssoftware ausgestattet werden kann. Zum Beispiel ist ein autoregressives (8220AR (1) 8221) Modell erster Ordnung für Y ein einfaches Regressionsmodell, bei dem die unabhängige Variable nur Y um eine Periode (LAG (Y, 1) in Statgraphics oder YLAG1 in RegressIt hinterlässt). Wenn einige der Prädiktoren die Fehler der Fehler sind, ist es ein ARIMA-Modell, es ist kein lineares Regressionsmodell, denn es gibt keine Möglichkeit, 828last period8217s error8221 als unabhängige Variable anzugeben: Die Fehler müssen auf einer Periodenperiode berechnet werden Wenn das Modell an die Daten angepasst ist. Aus technischer Sicht ist das Problem bei der Verwendung von verzögerten Fehlern als Prädiktoren, dass die Vorhersagen des Modells8217 nicht lineare Funktionen der Koeffizienten sind. Obwohl sie lineare Funktionen der vergangenen Daten sind. So müssen Koeffizienten in ARIMA-Modellen, die verzögerte Fehler enthalten, durch nichtlineare Optimierungsmethoden (8220hill-climbing8221) geschätzt werden, anstatt nur ein Gleichungssystem zu lösen. Das Akronym ARIMA steht für Auto-Regressive Integrated Moving Average. Die Verzögerungen der stationärisierten Serien in der Prognosegleichung werden als quartalspezifische Begriffe bezeichnet, die Verzögerungen der Prognosefehler werden als quadratische Begrenzungsterme bezeichnet, und eine Zeitreihe, die differenziert werden muss, um stationär zu sein, wird als eine quotintegrierte Quotversion einer stationären Serie bezeichnet. Random-Walk - und Random-Trend-Modelle, autoregressive Modelle und exponentielle Glättungsmodelle sind alle Sonderfälle von ARIMA-Modellen. Ein Nicht-Seasonal-ARIMA-Modell wird als ein Quoten-Modell von quaremA (p, d, q) klassifiziert, wobei p die Anzahl der autoregressiven Terme ist, d die Anzahl der für die Stationarität benötigten Nichtseasondifferenzen und q die Anzahl der verzögerten Prognosefehler in Die Vorhersagegleichung. Die Prognosegleichung wird wie folgt aufgebaut. Zuerst bezeichne y die d-te Differenz von Y. Das bedeutet: Beachten Sie, dass die zweite Differenz von Y (der Fall d2) nicht der Unterschied von 2 Perioden ist. Vielmehr ist es der erste Unterschied zwischen dem ersten Unterschied. Welches das diskrete Analog einer zweiten Ableitung ist, d. h. die lokale Beschleunigung der Reihe und nicht deren lokaler Trend. In Bezug auf y. Die allgemeine Prognosegleichung lautet: Hier werden die gleitenden Durchschnittsparameter (9528217s) so definiert, dass ihre Zeichen in der Gleichung nach der von Box und Jenkins eingeführten Konventionen negativ sind. Einige Autoren und Software (einschließlich der R-Programmiersprache) definieren sie so, dass sie stattdessen Pluszeichen haben. Wenn tatsächliche Zahlen in die Gleichung gesteckt sind, gibt es keine Mehrdeutigkeit, aber it8217s wichtig zu wissen, welche Konvention Ihre Software verwendet, wenn Sie die Ausgabe lesen. Oft werden die Parameter dort mit AR (1), AR (2), 8230 und MA (1), MA (2), 8230 usw. bezeichnet. Um das entsprechende ARIMA-Modell für Y zu identifizieren, beginnen Sie mit der Bestimmung der Reihenfolge der Differenzierung (D) die Serie zu stationieren und die Brutto-Merkmale der Saisonalität zu entfernen, vielleicht in Verbindung mit einer abweichungsstabilisierenden Transformation wie Protokollierung oder Entleerung. Wenn Sie an dieser Stelle anhalten und vorhersagen, dass die differenzierte Serie konstant ist, haben Sie nur einen zufälligen Spaziergang oder ein zufälliges Trendmodell ausgestattet. Allerdings können die stationärisierten Serien immer noch autokorrelierte Fehler aufweisen, was darauf hindeutet, dass in der Prognosegleichung auch eine Anzahl von AR-Terme (p 8805 1) und einigen einigen MA-Terme (q 8805 1) benötigt werden. Der Prozess der Bestimmung der Werte von p, d und q, die am besten für eine gegebene Zeitreihe sind, wird in späteren Abschnitten der Noten (deren Links oben auf dieser Seite), aber eine Vorschau auf einige der Typen diskutiert werden Von nicht-seasonalen ARIMA-Modellen, die häufig angetroffen werden, ist unten angegeben. ARIMA (1,0,0) Autoregressives Modell erster Ordnung: Wenn die Serie stationär und autokorreliert ist, kann man sie vielleicht als Vielfaches ihres eigenen vorherigen Wertes und einer Konstante voraussagen. Die prognostizierte Gleichung in diesem Fall ist 8230which ist Y regressed auf sich selbst verzögerte um einen Zeitraum. Dies ist ein 8220ARIMA (1,0,0) constant8221 Modell. Wenn der Mittelwert von Y Null ist, dann wäre der konstante Term nicht enthalten. Wenn der Steigungskoeffizient 981 & sub1; positiv und kleiner als 1 in der Grße ist (er muß kleiner als 1 in der Grße sein, wenn Y stationär ist), beschreibt das Modell das Mittelwiederkehrungsverhalten, bei dem der nächste Periode8217s-Wert 981 mal als vorher vorausgesagt werden sollte Weit weg von dem Mittelwert als dieser Zeitraum8217s Wert. Wenn 981 & sub1; negativ ist, prognostiziert es ein Mittelrückkehrverhalten mit einem Wechsel von Zeichen, d. h. es sagt auch, daß Y unterhalb der mittleren nächsten Periode liegt, wenn es über dem Mittelwert dieser Periode liegt. In einem autoregressiven Modell zweiter Ordnung (ARIMA (2,0,0)) wäre auch ein Y-t-2-Term auf der rechten Seite und so weiter. Abhängig von den Zeichen und Größen der Koeffizienten könnte ein ARIMA (2,0,0) Modell ein System beschreiben, dessen mittlere Reversion in einer sinusförmig oszillierenden Weise stattfindet, wie die Bewegung einer Masse auf einer Feder, die zufälligen Schocks ausgesetzt ist . ARIMA (0,1,0) zufälliger Spaziergang: Wenn die Serie Y nicht stationär ist, ist das einfachste Modell für sie ein zufälliges Spaziergangmodell, das als Begrenzungsfall eines AR (1) - Modells betrachtet werden kann, in dem das autoregressive Koeffizient ist gleich 1, dh eine Serie mit unendlich langsamer mittlerer Reversion. Die Vorhersagegleichung für dieses Modell kann wie folgt geschrieben werden: wobei der konstante Term die mittlere Periodenänderung (dh die Langzeitdrift) in Y ist. Dieses Modell könnte als ein Nicht-Intercept-Regressionsmodell eingebaut werden, in dem die Die erste Differenz von Y ist die abhängige Variable. Da es (nur) eine nicht-seasonale Differenz und einen konstanten Term enthält, wird es als ein quotARIMA (0,1,0) Modell mit constant. quot eingestuft. Das random-walk-without - drift-Modell wäre ein ARIMA (0,1, 0) Modell ohne Konstante ARIMA (1,1,0) differenzierte Autoregressive Modell erster Ordnung: Wenn die Fehler eines zufälligen Walk-Modells autokorreliert werden, kann das Problem eventuell durch Hinzufügen einer Verzögerung der abhängigen Variablen zu der Vorhersagegleichung behoben werden - - ie Durch den Rücktritt der ersten Differenz von Y auf sich selbst um eine Periode verzögert. Dies würde die folgende Vorhersagegleichung ergeben: die umgewandelt werden kann Dies ist ein autoregressives Modell erster Ordnung mit einer Reihenfolge von Nicht-Seasonal-Differenzen und einem konstanten Term - d. h. Ein ARIMA (1,1,0) Modell. ARIMA (0,1,1) ohne konstante, einfache exponentielle Glättung: Eine weitere Strategie zur Korrektur autokorrelierter Fehler in einem zufälligen Walk-Modell wird durch das einfache exponentielle Glättungsmodell vorgeschlagen. Erinnern Sie sich, dass für einige nichtstationäre Zeitreihen (z. B. diejenigen, die geräuschvolle Schwankungen um ein langsam variierendes Mittel aufweisen), das zufällige Wandermodell nicht so gut wie ein gleitender Durchschnitt von vergangenen Werten ausführt. Mit anderen Worten, anstatt die jüngste Beobachtung als die Prognose der nächsten Beobachtung zu nehmen, ist es besser, einen Durchschnitt der letzten Beobachtungen zu verwenden, um das Rauschen herauszufiltern und das lokale Mittel genauer zu schätzen. Das einfache exponentielle Glättungsmodell verwendet einen exponentiell gewichteten gleitenden Durchschnitt von vergangenen Werten, um diesen Effekt zu erzielen. Die Vorhersagegleichung für das einfache exponentielle Glättungsmodell kann in einer Anzahl von mathematisch äquivalenten Formen geschrieben werden. Eine davon ist die so genannte 8220error Korrektur8221 Form, in der die vorherige Prognose in Richtung des Fehlers eingestellt wird, die es gemacht hat: Weil e t-1 Y t-1 - 374 t-1 per Definition, kann dies wie folgt umgeschrieben werden : Das ist eine ARIMA (0,1,1) - ohne Konstante Prognose Gleichung mit 952 1 1 - 945. Dies bedeutet, dass Sie eine einfache exponentielle Glättung passen können, indem Sie es als ARIMA (0,1,1) Modell ohne Konstant und der geschätzte MA (1) - Koeffizient entspricht 1-minus-alpha in der SES-Formel. Erinnern daran, dass im SES-Modell das Durchschnittsalter der Daten in den 1-Perioden-Prognosen 1 945 beträgt. Dies bedeutet, dass sie dazu neigen, hinter Trends oder Wendepunkten um etwa 1 945 Perioden zurückzukehren. Daraus folgt, dass das Durchschnittsalter der Daten in den 1-Periodenprognosen eines ARIMA (0,1,1) - without-constant-Modells 1 (1 - 952 1) beträgt. So, zum Beispiel, wenn 952 1 0.8, ist das Durchschnittsalter 5. Wenn 952 1 sich nähert, wird das ARIMA (0,1,1) - without-konstantes Modell zu einem sehr langfristigen gleitenden Durchschnitt und als 952 1 Nähert sich 0 wird es zu einem zufälligen Walk-ohne-Drift-Modell. Was ist der beste Weg, um Autokorrelation zu korrigieren: Hinzufügen von AR-Terme oder Hinzufügen von MA-Terme In den vorangegangenen zwei Modellen, die oben diskutiert wurden, wurde das Problem der autokorrelierten Fehler in einem zufälligen Walk-Modell auf zwei verschiedene Arten festgelegt: durch Hinzufügen eines verzögerten Wertes der differenzierten Serie Zur Gleichung oder Hinzufügen eines verzögerten Wertes des Prognosefehlers. Welcher Ansatz ist am besten Eine Faustregel für diese Situation, die später noch ausführlicher erörtert wird, ist, dass eine positive Autokorrelation in der Regel am besten durch Hinzufügen eines AR-Termes zum Modell behandelt wird und eine negative Autokorrelation wird meist am besten durch Hinzufügen eines MA Begriff. In geschäftlichen und ökonomischen Zeitreihen entsteht oftmals eine negative Autokorrelation als Artefakt der Differenzierung. (Im Allgemeinen verringert die Differenzierung die positive Autokorrelation und kann sogar einen Wechsel von positiver zu negativer Autokorrelation verursachen.) So wird das ARIMA (0,1,1) - Modell, in dem die Differenzierung von einem MA-Term begleitet wird, häufiger als ein ARIMA (1,1,0) Modell. ARIMA (0,1,1) mit konstanter, einfacher, exponentieller Glättung mit Wachstum: Durch die Implementierung des SES-Modells als ARIMA-Modell erhalten Sie gewisse Flexibilität. Zunächst darf der geschätzte MA (1) - Koeffizient negativ sein. Dies entspricht einem Glättungsfaktor größer als 1 in einem SES-Modell, was in der Regel nicht durch das SES-Modell-Anpassungsverfahren erlaubt ist. Zweitens haben Sie die Möglichkeit, einen konstanten Begriff im ARIMA-Modell einzubeziehen, wenn Sie es wünschen, um einen durchschnittlichen Trend ungleich Null abzuschätzen. Das ARIMA (0,1,1) - Modell mit Konstante hat die Vorhersagegleichung: Die Prognosen von einem Periodenvorhersage aus diesem Modell sind qualitativ ähnlich denen des SES-Modells, mit der Ausnahme, dass die Trajektorie der Langzeitprognosen typischerweise ein Schräge Linie (deren Steigung gleich mu ist) anstatt einer horizontalen Linie. ARIMA (0,2,1) oder (0,2,2) ohne konstante lineare exponentielle Glättung: Lineare exponentielle Glättungsmodelle sind ARIMA-Modelle, die zwei Nichtseason-Differenzen in Verbindung mit MA-Terme verwenden. Der zweite Unterschied einer Reihe Y ist nicht einfach der Unterschied zwischen Y und selbst, der um zwei Perioden verzögert ist, sondern vielmehr der erste Unterschied der ersten Differenz - i. e. Die Änderung der Änderung von Y in der Periode t. Somit ist die zweite Differenz von Y in der Periode t gleich (Y t - Y t - 1) - (Y t - 1 - Y t - 2) Y t - 2Y t - 1 Y t - 2. Eine zweite Differenz einer diskreten Funktion ist analog zu einer zweiten Ableitung einer stetigen Funktion: sie misst die quotaccelerationquot oder quotcurvaturequot in der Funktion zu einem gegebenen Zeitpunkt. Das ARIMA (0,2,2) - Modell ohne Konstante prognostiziert, dass die zweite Differenz der Serie gleich einer linearen Funktion der letzten beiden Prognosefehler ist: die umgeordnet werden kann: wobei 952 1 und 952 2 die MA (1) und MA (2) Koeffizienten Dies ist ein allgemeines lineares exponentielles Glättungsmodell. Im Wesentlichen das gleiche wie Holt8217s Modell, und Brown8217s Modell ist ein Sonderfall. Es verwendet exponentiell gewichtete Bewegungsdurchschnitte, um sowohl eine lokale Ebene als auch einen lokalen Trend in der Serie abzuschätzen. Die langfristigen Prognosen von diesem Modell konvergieren zu einer geraden Linie, deren Hang hängt von der durchschnittlichen Tendenz, die gegen Ende der Serie beobachtet wird. ARIMA (1,1,2) ohne konstante gedämpfte Trend-lineare exponentielle Glättung. Dieses Modell wird in den beiliegenden Folien auf ARIMA-Modellen dargestellt. Es extrapoliert den lokalen Trend am Ende der Serie, aber erhebt es bei längeren Prognosehorizonten, um eine Note des Konservatismus einzuführen, eine Praxis, die empirische Unterstützung hat. Sehen Sie den Artikel auf quotWhy der Damped Trend Workquot von Gardner und McKenzie und die quotGolden Rulequot Artikel von Armstrong et al. für Details. Es ist grundsätzlich ratsam, an Modellen zu bleiben, bei denen mindestens eines von p und q nicht größer als 1 ist, dh nicht versuchen, ein Modell wie ARIMA (2,1,2) zu passen, da dies wahrscheinlich zu Überfüllung führen wird Und quotcommon-factorquot-Themen, die ausführlicher in den Anmerkungen zur mathematischen Struktur von ARIMA-Modellen diskutiert werden. Spreadsheet-Implementierung: ARIMA-Modelle wie die oben beschriebenen sind einfach in einer Kalkulationstabelle zu implementieren. Die Vorhersagegleichung ist einfach eine lineare Gleichung, die sich auf vergangene Werte der ursprünglichen Zeitreihen und vergangene Werte der Fehler bezieht. So können Sie eine ARIMA-Prognosekalkulationstabelle einrichten, indem Sie die Daten in Spalte A, die Prognoseformel in Spalte B und die Fehler (Daten minus Prognosen) in Spalte C speichern. Die Prognoseformel in einer typischen Zelle in Spalte B wäre einfach Ein linearer Ausdruck, der sich auf Werte in vorangehenden Zeilen der Spalten A und C bezieht, multipliziert mit den entsprechenden AR - oder MA-Koeffizienten, die in anderen Zellen auf der Kalkulationstabelle gespeichert sind. Moving Average Crossover System mit RSI Filter Einfache Systeme stehen die besten Chancen auf Erfolg, indem sie nicht übermäßig werden Kurvenanpassung Allerdings kann das Hinzufügen eines einfachen Filters zu einem robusten System eine gute Möglichkeit sein, seine Rentabilität zu verbessern, vorausgesetzt, Sie analysieren auch, wie es irgendwelche Risiken oder Vorspannungen in das System eingebaut verändern kann. Das Moving Average Crossover System mit RSI Filter ist ein hervorragendes Beispiel dafür. Über das System Dieses System nutzt die 30 Einheit SMA für den schnellen Durchschnitt und die 100 Einheit SMA für den langsamen Durchschnitt. Weil sein schnell gleitender Durchschnitt ein bisschen langsamer ist als das SPY 10100 Long Only Moving Average Crossover System. Es sollte weniger ausgegebene Handelszeichen erzeugen. Es wird interessant sein zu sehen, ob dies zu einer höheren Gewinnrate führt. Das System verwendet auch die RSI-Anzeige als Filter. Dies ist so konzipiert, dass das System aus Trades in Märkten, die nicht Trends, die auch zu einer höheren Gewinnrate führen sollte, zu halten. Das System tritt in eine lange Position ein, wenn die 30 Einheit SMA über die 100 Einheit SMA kreuzt, wenn der RSI über 50 ist. Er tritt in eine kurze Position ein, wenn die 30 Einheit SMA unterhalb der 100 Einheit SMA kreuzt, wenn der RSI unter 50 ist. Das System geht aus Eine lange Position, wenn die 30 Einheit SMA unter die 100 Einheit SMA übergeht oder wenn der RSI unter 30 fällt. Es verlässt eine kurze Position, wenn die 30 Einheit SMA über die 100 Einheit SMA überquert oder wenn der RSI über 70 ansteigt. Es implementiert auch einen nachlaufenden Stopp, der auf der Volatilität des Marktes basiert und setzt einen anfänglichen Stopp bei dem letzten Tiefstand für eine Long-Position oder das jüngste High für eine Short-Position. Eine tägliche FXI-Karte, die EURUSD ETF, zeigt die Systemregeln in Aktion 30 Einheit SMA kreuzt über 100 Einheit SMA RSI gt 50 30 Einheit SMA Kreuze unter 100 Einheit SMA RSI lt 50 30 Einheit SMA Kreuze unter 100 Einheit SMA oder RSI Tropfen unten 30 oder Nachlauf Stop wird getroffen, oder Initial Stop wird getroffen Exit Short Wenn: 30 Einheit SMA über die 100 Einheit SMA kreuzt, oder RSI steigt über 70, oder Trailing Stop wird getroffen, oder Initial Stop ist getroffen Backtesting Ergebnisse Die Backtesting Ergebnisse I Gefunden für dieses System waren von der Euro gegenüber US-Dollar-Markt von 2004 bis 2011 mit einem täglichen Zeitraum. Während dieser sieben Jahre hat das System nur 14 Trades gemacht, so dass es definitiv einen großen Teil der Aktion herausgefiltert hat. Die Frage ist, ob es die guten Trades oder die Bösen herausgefiltert hat oder nicht. Von diesen 14 Trades waren acht Gewinner und sechs sind Verlierer. Das gibt dem System eine 57 Gewinnrate, die wir kennen können, kann sehr erfolgreich gehandelt werden, vorausgesetzt, die Profitrate ist auch stark. Backtesting-Berichte für Forex-Systeme verwenden einen Stat namens Gewinnfaktor. Diese Zahl wird berechnet, indem der Bruttogewinn durch den Bruttoverlust dividiert wird. Dies ergibt uns den durchschnittlichen Gewinn, den wir pro Risikoeinheit erwarten können. Die Ergebnisse für diesen Backtesting-Bericht gaben diesem System einen Gewinnfaktor von 3,61. Dies bedeutet, dass auf lange Sicht dieses System positive Renditen liefern wird. Für einen Vergleichspunkt hatte das Triple Moving Average Crossover System nur einen Gewinnfaktor von 1,10, so dass das Moving Average Crossover System mit RSI wahrscheinlich dreimal rentabler ist. Dies bedeutet, dass die Verwendung einer größeren Anzahl für den schnell gleitenden Durchschnitt und das Hinzufügen des RSI-Filters muss einige der weniger produktiven Trades herausfiltern. Diese Zahlen werden weiter unterstützt durch die Tatsache, dass der durchschnittliche Gewinn knapp über doppelt so groß war wie der durchschnittliche Verlust. Trotz dieser positiven Verhältnisse erlitt das System einen maximalen Abbau von fast 40. Stichprobengröße Die Tatsache, dass dieses System so wenige Signale gibt, ist seine größte Stärke und seine größte Schwäche. Die Platzierung weniger Trades und halten sie für längere Zeit der Zeit wird die Transaktionskosten von einem Faktor zu halten. Allerdings könnte die Analyse von 14 Trades, die über sieben Jahre aufgetreten sind, dazu führen, dass die Ergebnisse aufgrund der kleinen Stichprobengröße schief werden. Ich bin neugierig, wie dieses System durchgeführt hätte, wenn es über ein Dutzend verschiedene Währungspaare über den gleichen Zeitraum gehandelt würde. Darüber hinaus, wie hätte es sich ergeben, wenn der Backtest 50 Jahre zurückging oder das System auf Aktienindizes oder Rohstoffe getestet hat. Es gibt eindeutig positive Stats, um eine weitere Erforschung dieses Systems zu rechtfertigen, aber es wäre töricht, echtes Geld auf der Grundlage der Ergebnisse von 14 Trades zu handeln. Handelsbeispiel Ein Beispiel für dieses System bei der Arbeit ist auf dem aktuellen Diagramm der FXI zu sehen. Um den 18. März dieses Jahres ging die 30-Tage-SMA unter die 100-Tage-SMA. Zu dieser Zeit war der RSI auch unter 50. Dies hätte eine Short-Position irgendwo knapp unter 36 ausgelöst haben. Der Anfangsstopp wäre wahrscheinlich über dem letzten Hoch bei 38 platziert worden. Bis Mitte April war der Preis auf 34 gefallen und Wir hätten auf einen schönen Profit gesessen Der Preis dann erholte sich fast auslösen unsere anfängliche Haltestelle bei 38 Anfang Mai vor dem Absturz fast den ganzen Weg bis zu 30 am Ende Juni. Es ist seither zurück in die 34 Reihe. Zu keinem Zeitpunkt während einer dieser Maßnahmen ging die 30-Tage-SMA über die 100-Tage-SMA zurück, und der RSI blieb unter 70. Daher hatte keiner von diesen einen Ausstieg ausgelöst. Während der Preis in der Nähe unserer ersten Haltestelle kam, kam es nicht ganz dorthin, also hätte das uns auch im Handel gehalten. Das einzige, was einen Ausstieg verursacht hätte, wäre der nachlaufende Stopp gewesen, der davon abhängt hätte, wieviel Volatilität wir es erlaubten. Es ist noch zu früh, um zu sagen, ob wir gestoppt werden wollen oder nicht. Über den RSI-Indikator Der RSI-Indikator wurde von J. Welles Wilder entwickelt und wurde in seinem 1978 erschienenen Buch New Concepts in Technical Trading Systems vorgestellt. Es ist ein Impulsindikator, der zwischen Null und 100 schwankt und die Geschwindigkeit und Preisänderung angibt. Viele Impulshändler verwenden RSI als Overboughtoversold-Indikator. RSI wird berechnet, indem man zuerst RS berechnet, was die durchschnittliche Verstärkung der letzten n Perioden dividiert durch den durchschnittlichen Verlust der letzten n Perioden ist. Der Wert für n beträgt in der Regel 14 Tage. RS (Durchschnittliche Verstärkung) (Durchschnittlicher Verlust) Sobald RS berechnet ist, wird die folgende Gleichung verwendet, um diesen Wert in einen oszillierenden Indikator zu bringen: RSI 100 8211 100 (1 RS) Dies ergibt uns einen Wert zwischen null und 100. Jeder Wert oben 70 wird allgemein als überkauft betrachtet, und jeder Wert unter 30 gilt als überverkauft. Allerdings, da dieses System ist ein Trend nach System, überkauft und überverkauft haben nicht ihre üblichen negativen Konnotationen. Bei der Verwendung eines m. a. Strategie nehmen Sie in Erwägung der Zinssatz der Währung auch .. Sie verwenden den Dollar als Ihre Basiswährung Ich habe Aktien gehandelt, bevor aber nie Forex, und ich versuche, etwas mit Python, ein Forex mit einem 8gt20 long8lt20 kurz zu bauen , Aber ich frage mich immer noch, ob ich den Zinssatz jeder Währung in die Analyse für den Pampl einbinden muss. danke für deine Zeit. Jorge Medellin jormoriagmail PS Ich weiß, dass der Jokey so wichtig ist wie das Pferd, also in diesem Fall bin ich BEDEUTUNG FOREX als Währungen im Gegensatz zu Futures oder Terminkontrakte. Vielen Dank für Ihre Notiz. Der rohe Zinssatz selbst ist das wichtigste Bit. Wir sind doch Paarhandel. Die starke Währung ist diejenige mit der höchsten Erwartung für steigende Zinsen. Ich würde auf die Zinsen sehr viel achten, zumindest nicht im Moment. Trader sorgen viel mehr über quantitative Lockerung als der Zinssatz im Moment. QE ist viel wichtiger und gefährlicher. Was ist die UNIT von SMA 30 Einheit SMA 100 Einheit SMA Haben Sie gemeint, dass ist die Zeit der Einfache Umzug Durchschnittliche Andere Ja, it8217s die SMA Periode. Die erste Periode SMA ist 10. Die zweite Periode SMA ist 100. Wenn sie kreuzen, bekommst du ein Signal, wenn der RSI über 50 ist. Hallo Shaun, ich möchte anfangen, Ihnen für Ihren sehr informativen Blog und Artikel zu danken. Ich hoffe, dass ich in der Lage sein werde, anderen Händlern in der Zukunft zu helfen, wie Sie es tun. Ich habe einen gefilterten Impulsindikator als Filter in anderen Strategien auf einem Demokonto konstruiert und verwendet. Ich habe mich nicht bedacht, den RSI zu benutzen, da ich es nicht mag, Indikatoren zu verwenden, die grundsätzlich dasselbe zeigen (die meisten Indikatoren spiegeln das Momentum in einer oder anderen Weise wider, während andere keine vernünftige Erklärung haben). Doch nach dem Lesen deines Artikels oben, habe ich meine Impulsanzeige mit dem RSI ersetzt. Die Ergebnisse sind wirklich vielversprechend mit viel weniger whipsaw im Vergleich. Ich werde versuchen, die Zeit zu finden, eine EA zu schreiben und die Strategie zu testen. Warum denkst du, es war so ein riesiges Drawdown Ist es inhärent in der MA Crossover-Strategie oder ist es durch den RSI verursacht Mehr als wahrscheinlich it8217s beides. Ich persönlich mag den RSI nicht. I8217ll stellen Sie sicher, einen gleitenden durchschnittlichen Vergleich für Sie im Quantilator auch zu tun. Es ist die einfachste und objektivste Art, die Strategien auszuwählen.