منابع مفید: میانگین متحرک: آیا آنها موثر هستند؟- Mark Couter، 2010 یادداشت‌ها: hl2 به عنوان منبعی توصیه می‌شود که روی نوار بسته می‌شود تا صدای شلاقی/نویز کمتری داشته باشد. من متوجه شدم که این برای MA و نوسانگرها به طور یکسان صادق است.
بهترین میانگین متحرک کدام است؟- JB Marwood، 2015 یادداشت ها: نقطه منحنی او ممکن است در مورد آزمایش معتبر باشد. با این حال، LSMA، GMMA و Hull MA برای تلاقی در نظر گرفته نشده‌اند و بسیاری از MAها برای اثربخشی به دوره‌های طولانی‌تری نیز نیاز دارند.
لیست میانگین های متحرک
SMA — میانگین متحرک ساده EMA — میانگین متحرک نمایی ALMA — میانگین متحرک آرنو لگوکس DEMA — میانگین متحرک دوگانه نمایی Hull MA — میانگین متحرک بدنه KAMA — میانگین متحرک تطبیقی کافمن LSMA — میانگین متحرک حداقل مربعات LSMA — میانگین متحرک حداقل مربعات LRC — رگرسیون خطیSMMAR/SWMA میانگین متحرک — میانگین متحرک وزن متقارن TMA — میانگین متحرک مثلثی TEMA — میانگین متحرک نمایی سه گانه VWAP — میانگین وزنی حجمی قیمت VWMA — میانگین وزنی حجمی متحرک میانگین وزنی WMA — میانگین متحرک وزنی میانگین متحرک ZLEMA A — Zero
خلاصه های میانگین متحرک
SMA — میانگین متحرک ساده |مرجع قیمت متوسط در یک تعداد دوره انتخاب شده. به هر دوره وزن مساوی داده می شود.
EMA — میانگین متحرک نمایی |مرجع قیمت متوسط با وزن دهی با اولویت بیشتر به قیمت های اخیر. ضریب وزنی که به عنوان آلفا یا α نیز شناخته می شود، 2 / (طول + 1) است.
ALMA — میانگین متحرک Arnaud Legoux |مرجع tl; dr تلاش می کند تا نویز را کاهش دهد بدون اینکه واکنش MA را کندتر کند
میانگین متحرک ALMA از منحنی توزیع نرمال (گاوس) استفاده می کند که می تواند با پارامتر Offset از 0 تا 1 قرار گیرد. این پارامتر اجازه می دهد تا صافی و حساسیت بالای میانگین متحرک را تنظیم کند. سیگما پارامتر دیگری است که شکل ضرایب منحنی را بر عهده دارد. این میانگین متحرک تاخیر اطلاعات را کاهش می دهد اما همچنان برای کاهش نویزها صاف است.
نوسانات کوچک قیمت را حذف می کند و با اعمال میانگین متحرک دو بار، یکی از چپ به راست و دیگری از راست به چپ، روند را بهبود می بخشد. در پایان این فرآیند، تغییر فاز (تأخیر قیمت) که معمولاً با میانگین متحرک مرتبط است به طور قابل توجهی کاهش می یابد. فیلتر دیجیتال فاز صفر نویز در سیگنال را کاهش می دهد. فیلتر معمولی نویز در سیگنال را کاهش می دهد، اما تاخیر را اضافه می کند.
DEMA - میانگین متحرک دو نمایی |مرجع EMA با فرمول 2 * ema1 - ema2 (ema1 ، طول). ساخته شده برای کاهش تاخیر ذاتی در تمام میانگین های متحرک.
Hull MA - میانگین حرکت هال |مرجع این ایده از MA مثلثی (که اکنون به آن معروف است) بیرون آمد ، جایی که میانگین متحرک SMA SMA است. آلن هال فرمولی را برای کپی کردن SMA یک مفهوم SMA بدون افزایش تاخیر به دست آورد.
KAMA - Kaufman Adaptive Admitive Moving |مرجع 1 ، مرجع 2 TL ؛ DR نوسانات بین هر دوره را اندازه گیری می کند تا مشخص شود که آیا اقدام به آغوش عمل در آغوش می گیرد یا در انتظار نوسانات (و پیگیری بهتر قیمت بدون شلاق) است.
توسعه یافته توسط پری کافمن ، میانگین متحرک سازگار کافمن (KAMA) یک میانگین در حال حرکت است که به منظور سر و صدای بازار یا نوسانات طراحی شده است. KAMA وقتی نوسانات قیمت نسبتاً اندک و سر و صدای کم باشد ، از نزدیک قیمت ها را دنبال می کند. KAMA با افزایش قیمت ها تنظیم می شود و قیمت ها را از فاصله بیشتری دنبال می کند. این شاخص پیروی از روند می تواند برای شناسایی روند کلی ، نقاط عطف زمان و حرکات قیمت فیلتر استفاده شود.
نسبت بهره وری (ER) ER در اصل تغییر قیمت برای نوسانات روزانه است. ثابت صاف (SC) ثابت صاف کننده از ER و دو ثابت صاف بر اساس میانگین متحرک نمایی استفاده می کند. کاما با نسبت بهره وری (ER) و صاف کننده ثابت (SC) ، ما اکنون آماده محاسبه میانگین حرکت سازگار کافمن (KAMA) هستیم. از آنجا که برای شروع محاسبه به یک مقدار اولیه نیاز داریم ، KAMA اول فقط یک میانگین متحرک ساده است. محاسبات زیر بر اساس فرمول زیر است. kama فعلی = kama prior + sc x (قیمت - kama قبلی)
LSMA - حداقل مربعات در حال حرکت به طور متوسط |مرجع TL ؛ DR یک میانگین متحرک که سعی در کوتاه کردن شکاف بین قیمت و MA دارد (از آنجا که همه شاخص ها حداقل یک قدم از عملکرد قیمت فاصله دارند).
حداقل مربعات یک روش آماری است که برای تعیین خط از بهترین تناسب با به حداقل رساندن مجموع مربع های ایجاد شده توسط یک عملکرد ریاضی استفاده می شود."مربع" با مربع فاصله بین یک نقطه داده و خط رگرسیون تعیین می شود. رویکرد حداقل مربعات فاصله بین یک تابع و نقاط داده ای را که یک عملکرد در تلاش برای توضیح است محدود می کند. در تجزیه و تحلیل رگرسیون ، اغلب در مدل سازی رگرسیون غیرخطی که در آن یک منحنی در مجموعه ای از داده ها قرار دارد استفاده می شود.
LRC — منحنی رگرسیون خطی |مرجع: TradingView خطی که به بهترین وجه با قیمت های مشخص شده در یک دوره زمانی تعریف شده توسط کاربر مطابقت دارد. با استفاده از روش حداقل مربعات محاسبه می شود. نتیجه این تابع با استفاده از فرمول محاسبه می شود: linreg = intercept + شیب * (طول — 1 — افست)، که در آن طول آرگومان y، افست آرگومان z، فاصله و شیب مقادیری هستند که با روش حداقل مربعات محاسبه می شوند. در سری منبع (آگومان x).
SMMA/RMA — میانگین متحرک صاف/در حال اجرا |مرجع میانگین متحرک نمایی با آلفای 1 / طول. به نظر می رسد که میانگین متحرک وایلدر و SMMA هر دو یکسان هستند.
SWMA — میانگین متحرک وزن دار متقارن |مرجع: تلویزیون میانگین متحرک با طول ثابت: 4. وزن: [1/6، 2/6، 2/6، 1/6].
TMA — میانگین متحرک مثلثی |مرجع SMA یک SMA برای انحنای بهتر و نویز کمتر. تاخیر را افزایش می دهد.
TEMA — میانگین متحرک نمایی سه گانه |مرجع مانند DEMA، این تلاش برای کاهش تاخیر EMA است. از آنجا که سعی می‌کند "سریع‌تر" باشد، بنابراین بهتر است از آن با یک EMA معمولی برای ضربدرها یا افزایش طول استفاده کنید.
VWAP — میانگین وزنی حجمی |مرجع (قیمت معمولی * حجم) / حجم قیمت معمولی hlc3 است VWAP یک نشانگر درون روز است که هر روز تنظیم مجدد می شود تا هم روند و هم نقدینگی را مشخص کند. ظاهراً این ابزار توسط صندوق‌های بزرگ برای یافتن مکان‌هایی که می‌توانند بدون نگرانی از کمبود نقدینگی وارد بازار شده و از آن خارج شوند، استفاده می‌شود. بالا = فروش، پایین = خرید.
VWMA — میانگین متحرک وزن دار حجم |مرجع A SMA با وزن دهی بر اساس حجم.
WMA — میانگین متحرک وزنی |مرجع مشابه EMA به جز وزن دهی به جای نمایی به صورت حسابی توزیع می شود.
