Weighted moving average matlab code

Weighted Moving Averages: The Basics Ao longo dos anos, os técnicos encontraram dois problemas com a média móvel simples. O primeiro problema reside no período de tempo da média móvel (MA). A maioria dos analistas técnicos acreditam que a ação preço. O preço de abertura ou de fechamento das ações, não é suficiente para depender para predizer adequadamente sinais de compra ou venda da ação de crossover MAs. Para resolver este problema, os analistas agora atribuem mais peso aos dados de preços mais recentes usando a média móvel exponencialmente suavizada (EMA). Exemplo: Por exemplo, usando um MA de 10 dias, um analista levaria o preço de fechamento do 10º dia e multiplicaria esse número por 10, o nono dia por nove, o oitavo Dia por oito e assim por diante para o primeiro do MA. Uma vez determinado o total, o analista dividiria o número pela adição dos multiplicadores. Se você adicionar os multiplicadores do exemplo de MA de 10 dias, o número é 55. Esse indicador é conhecido como a média móvel ponderada linearmente. (Para a leitura relacionada, verifique para fora as médias moventes simples fazem tendências estar para fora.) Muitos técnicos são crentes firmes na média movente exponencial suavizada (EMA). Este indicador tem sido explicado de tantas maneiras diferentes que confunde estudantes e investidores. Talvez a melhor explicação venha de John J. Murphys Análise Técnica dos Mercados Financeiros (publicado pelo New York Institute of Finance, 1999): A média móvel exponencialmente suavizada aborda ambos os problemas associados à média móvel simples. Primeiro, a média exponencialmente suavizada atribui um maior peso aos dados mais recentes. Portanto, é uma média móvel ponderada. Mas, embora atribua menor importância aos dados de preços passados, inclui no seu cálculo todos os dados na vida útil do instrumento. Além disso, o usuário é capaz de ajustar a ponderação para dar maior ou menor peso ao preço dos dias mais recentes, que é adicionado a uma porcentagem do valor dias anteriores. A soma de ambos os valores percentuais adiciona até 100. Por exemplo, o preço dos últimos dias poderia ser atribuído um peso de 10 (0,10), que é adicionado ao peso dias anteriores de 90 (0,90). Isto dá o último dia 10 da ponderação total. Isso seria o equivalente a uma média de 20 dias, dando ao preço dos últimos dias um valor menor de 5 (0,05). Figura 1: Média Movimentada Exponencialmente Alisada O gráfico acima mostra o índice Nasdaq Composite da primeira semana de agosto de 2000 a 1º de junho de 2001. Como você pode ver claramente, a EMA, que neste caso está usando os dados de fechamento de preços em um Período de nove dias, tem sinais de venda definitiva no dia 8 de setembro (marcado por uma seta preta para baixo). Este foi o dia em que o índice quebrou abaixo do nível de 4.000. A segunda seta preta mostra outra perna para baixo que os técnicos estavam realmente esperando. O Nasdaq não conseguiu gerar volume suficiente e juros dos investidores de varejo para quebrar a marca de 3.000. Em seguida, mergulhou novamente para baixo para fora em 1619.58 em 4 de abril. A tendência de alta de 12 de abril é marcado por uma seta. Aqui o índice fechou em 1.961,46, e os técnicos começaram a ver os gestores de fundos institucionais começando a pegar alguns negócios como Cisco, Microsoft e algumas das questões relacionadas à energia. A diferença entre a média móvel ea média móvel ponderada A média móvel de 5 períodos, com base nos preços acima, seria calculada com base nos seguintes itens: Fórmula: Com base na equação acima, o preço médio durante o período listado acima foi de 90,66. Usando médias móveis é um método eficaz para eliminar flutuações de preços fortes. A principal limitação é que os pontos de dados de dados mais antigos não são ponderados de forma diferente dos pontos de dados próximos ao início do conjunto de dados. Este é o lugar onde médias ponderadas móveis entram em jogo. As médias ponderadas atribuem uma ponderação mais pesada a pontos de dados mais atuais, uma vez que são mais relevantes do que pontos de dados no passado distante. A soma da ponderação deve somar 1 (ou 100). No caso da média móvel simples, as ponderações são distribuídas igualmente, razão pela qual não são mostradas na tabela acima. Preço de Fechamento da AAPL A média ponderada é calculada multiplicando-se o preço dado pela ponderação associada e somando-se os valores. No exemplo acima, a média móvel ponderada de 5 dias seria de 90,62. Neste exemplo, o ponto de dados recente recebeu a maior ponderação de 15 pontos arbitrários. Você pode pesar os valores fora de qualquer valor que você vê o ajuste. O menor valor da média ponderada acima em relação à média simples sugere que a recente pressão de venda poderia ser mais significativa do que alguns comerciantes antecipam. Para a maioria dos comerciantes, a escolha mais popular ao usar médias móveis ponderadas é usar uma maior ponderação para valores recentes. (Para obter mais informações, consulte o Tutorial Moving Average) Leia sobre a diferença entre as médias móveis exponenciais e médias móveis ponderadas, dois indicadores de suavização que. A única diferença entre estes dois tipos de média móvel é a sensibilidade que cada um mostra às mudanças nos dados usados. Leia Resposta Veja por que as médias móveis provaram ser vantajosas para comerciantes e analistas e útil quando aplicadas a gráficos de preços e. Leia a resposta Aprenda como os comerciantes e investidores usam alfa ponderada para identificar o momento de um preço de ações e se os preços se moverão mais alto. Leia Resposta Aprenda os períodos mais comumente selecionados usados ​​por comerciantes e analistas de mercado na criação de médias móveis para superposição como técnica. Leia Resposta Compreender como calcular os pesos dos custos de diferença de capital e como este cálculo é usado para determinar. Leia a documentação da resposta tsmovavg saída tsmovavg (tsobj, s, lag) retorna a média móvel simples para o objeto da série temporal financeira, tsobj. Lag indica o número de pontos de dados anteriores usados ​​com o ponto de dados atual ao calcular a média móvel. A saída tsmovavg (vetor, s, lag, dim) retorna a média móvel simples para um vetor. Lag indica o número de pontos de dados anteriores usados ​​com o ponto de dados atual ao calcular a média móvel. A saída tsmovavg (tsobj, e, timeperiod) retorna a média móvel ponderada exponencial para a série de tempo financeiro objeto, tsobj. A média móvel exponencial é uma média móvel ponderada, em que timeperiod especifica o período de tempo. As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pondera o preço mais recente em 18,18. Percentual Exponencial 2 / (TIMEPER 1) ou 2 / (WINDOWSIZE 1). Saída tsmovavg (vetor, e, timeperiod, dim) retorna a média móvel ponderada exponencial para um vetor. A média móvel exponencial é uma média móvel ponderada, em que timeperiod especifica o período de tempo. As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pondera o preço mais recente em 18,18. (2 / (intervalo de tempo 1)). A saída tsmovavg (tsobj, t, numperiod) retorna a média móvel triangular para a série de tempo financeiro objeto, tsobj. A média móvel triangular alisa os dados. Tsmovavg calcula a primeira média móvel simples com a largura da janela de ceil (numperíodo 1) / 2. Em seguida, calcula uma segunda média móvel simples na primeira média móvel com o mesmo tamanho de janela. Saída tsmovavg (vetor, t, numperiod, dim) retorna a média móvel triangular para um vetor. A média móvel triangular alisa os dados. Tsmovavg calcula a primeira média móvel simples com a largura da janela de ceil (numperíodo 1) / 2. Em seguida, calcula uma segunda média móvel simples na primeira média móvel com o mesmo tamanho de janela. A saída tsmovavg (tsobj, w, weights) retorna a média móvel ponderada para o objeto da série temporal financeira, tsobj. Fornecendo pesos para cada elemento na janela em movimento. O comprimento do vetor de peso determina o tamanho da janela. Se fatores de peso maiores forem usados ​​para preços mais recentes e fatores menores para preços anteriores, a tendência é mais responsiva a mudanças recentes. A saída tsmovavg (vetor, w, pesos, dim) retorna a média móvel ponderada para o vetor fornecendo pesos para cada elemento na janela em movimento. O comprimento do vetor de peso determina o tamanho da janela. Se fatores de peso maiores forem usados ​​para preços mais recentes e fatores menores para preços anteriores, a tendência é mais responsiva a mudanças recentes. A saída tsmovavg (tsobj, m, numperiod) retorna a média móvel modificada para o objeto da série de tempo financeiro, tsobj. A média móvel modificada é semelhante à média móvel simples. Considere o argumento numperiod como o atraso da média móvel simples. A primeira média móvel modificada é calculada como uma média móvel simples. Os valores subseqüentes são calculados adicionando o novo preço e subtraindo a última média da soma resultante. A saída tsmovavg (vetor, m, numperiod, dim) retorna a média móvel modificada para o vetor. A média móvel modificada é semelhante à média móvel simples. Considere o argumento numperiod como o atraso da média móvel simples. A primeira média móvel modificada é calculada como uma média móvel simples. Os valores subseqüentes são calculados adicionando o novo preço e subtraindo a última média da soma resultante. Dim 8212 dimensão para operar ao longo de inteiro positivo com valor 1 ou 2 Dimensão para operar ao longo, especificado como um inteiro positivo com um valor de 1 ou 2. dim é um argumento de entrada opcional, e se não for incluído como uma entrada, o padrão Valor 2 é assumido. O padrão de dim 2 indica uma matriz orientada a linha, em que cada linha é uma variável e cada coluna é uma observação. Se dim 1. a entrada é assumida como sendo um vetor de coluna ou uma matriz orientada a coluna, onde cada coluna é uma variável e cada linha uma observação. E 8212 Indicador para vetor de caracteres de média móvel exponencial A média móvel exponencial é uma média móvel ponderada, em que timeperiod é o período de tempo da média móvel exponencial. As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. Por exemplo, uma média móvel exponencial de 10 períodos pondera o preço mais recente em 18,18. Porcentagem Exponencial 2 / (TIMEPER 1) ou 2 / (WINDOWSIZE 1) período de tempo 8212 Comprimento do período de tempo inteiro não negativo Select Your CountryI tem uma matriz de dados de séries temporais para 8 variáveis ​​com cerca de 2500 pontos (10 anos de sexta-feira) Como para calcular a média, variância, skewness e curtose em uma média móvel. Vamos dizer quadros 100 252 504 756 - Gostaria de calcular as quatro funções acima em cada um dos quadros (tempo), em uma base diária - de modo que o retorno para o dia 300 no caso com 100 dias de quadro, seria média Kurtosis de skewness de variância do período day201-day300 (100 dias no total). e assim por diante. Eu sei que isso significa que eu iria obter uma saída de matriz, eo primeiro número de quadros de dias seria NaNs, mas eu não consigo descobrir a indexação necessária para fazer isso. Perguntou Mar 24 14 em 0:07 Esta é uma pergunta interessante, porque eu acho que a solução ideal é diferente para a média do que é para as outras estatísticas da amostra. Ive forneceu um exemplo de simulação abaixo que você pode trabalhar completamente. Primeiro, escolha alguns parâmetros arbitrários e simule alguns dados: Para a média, use o filtro para obter uma média móvel: Eu originalmente pensava em resolver este problema usando conv como segue: Mas como PhilGoddard apontou nos comentários, a abordagem do filtro evita a Necessidade para o loop. Observe também que Ive escolheu para fazer as datas na matriz de saída correspondem às datas em X para que em trabalho posterior você pode usar os mesmos índices para ambos. Assim, as primeiras observações de WindowLength-1 em MeanMA serão nan. Para a variância, eu não consigo ver como usar filtro ou conv ou mesmo uma soma corrente para tornar as coisas mais eficientes, então em vez disso eu executo o cálculo manualmente em cada iteração: Poderíamos acelerar ligeiramente as coisas explorando o fato de que já temos Calculou a média móvel média. Basta substituir a linha de loop dentro do acima com: No entanto, duvido que isso vai fazer muita diferença. Se alguém puder ver uma maneira inteligente de usar filtro ou conv. Para obter a variância de janela em movimento, estaria muito interessado em vê-lo. Deixo o caso de skewness e kurtosis para o OP, uma vez que eles são essencialmente o mesmo que o exemplo de variância, mas com a função apropriada. Um ponto final: se você estava convertendo o acima em uma função geral, você poderia passar em uma função anônima como um dos argumentos, então você teria uma rotina média móvel que funciona para a escolha arbitrária de transformações. Final, ponto final: Para uma seqüência de comprimentos de janela, basta executar um loop sobre o bloco de código inteiro para cada comprimento de janela. Sim, a função de filtro é realmente melhor para a média - mas eu queria fazer isso para várias funções diferentes, não só a média. Apenas postou a minha resposta porque funcionou para mim e eu pensei que poderia ajudar alguém também. Ndash Dexter Morgan Apr 15 14 at 12: 40Eu tenho uma série de tempo de preços das ações e deseja calcular a média móvel em uma janela de dez minutos (ver diagrama abaixo). Como os carrapatos de preços ocorrem esporadicamente (isto é, eles não são periódicos), parece mais justo calcular uma média móvel ponderada no tempo. No diagrama há quatro mudanças de preços: A, B, C e D, com os últimos três ocorrendo dentro da janela. Observe que, porque B só ocorre algum tempo na janela (digamos 3 minutos), o valor de A ainda contribui para a computação. Na verdade, tanto quanto posso dizer, a computação deve ser baseada unicamente nos valores de A, B e C (não D) e as durações entre eles eo próximo ponto (ou no caso de A: a duração entre o início Da janela de tempo e B). Inicialmente D não terá qualquer efeito, pois sua ponderação de tempo será zero. É este correto Supondo que isso é correto, a minha preocupação é que a média móvel vai ficar para mais do que o cálculo não ponderada (que representam o valor de D imediatamente), No entanto, o cálculo não ponderada tem as suas desvantagens: Uma faria Têm tanto efeito sobre o resultado como os outros preços, apesar de estar fora da janela de tempo. A enxurrada repentina de carrapatos de preços rápidas seria fortemente viés da média móvel (embora talvez isso seja desejável) Alguém pode oferecer conselhos sobre o qual abordagem parece melhor, ou se há uma alternativa (ou híbrida) abordagem vale a pena considerar pediu 14 abr 12 às 21: 35 Seu raciocínio está correto. O que você quer usar a média para embora Sem saber que é difícil dar qualquer conselho. Talvez uma alternativa seria considerar sua média corrente A, e quando um novo valor V entrar, calcule a nova média A para ser (1-c) AcV, onde c está entre 0 e 1. Desta forma, os carrapatos mais recentes têm Uma influência mais forte, eo efeito de carrapatos velhos dissipa ao longo do tempo. Você poderia até mesmo ter c depender do tempo desde os carrapatos anteriores (c tornando-se menor como os carrapatos se aproximar). No primeiro modelo (ponderação) a média seria diferente cada segundo (como leituras antigas obter menor peso e novas leituras mais elevadas) por isso é sempre a mudança que pode não ser desejável. Com a segunda abordagem, os preços fazem saltos súbitos à medida que novos preços são introduzidos e os antigos desaparecem da janela. As duas sugestões vêm do mundo discreto, mas você pode encontrar uma inspiração para o seu caso particular. Dê uma olhada no suavização exponencial. Nesta abordagem você introduzir o fator de alisamento (01) que permite que você altere a influência dos elementos recentes sobre o valor da previsão (elementos mais velhos são atribuídos pesos exponencial diminuindo): Eu criei uma animação simples de como a suavização exponencial iria acompanhar o Uma série de tempo uniforme x1 1 1 1 3 3 2 2 2 1 com três diferentes: Tenha também uma olhada em algumas das técnicas de aprendizado de reforço (veja os diferentes métodos de desconto), por exemplo TD-learning e Q-Learning. Sim, a média móvel será, naturalmente, lag. Isto é porque seu valor é informação histórica: ele resume amostras do preço nos últimos 10 minutos. Esse tipo de média é inerentemente laggy. Tem um construído em deslocamento de cinco minutos (porque uma média de caixa sem deslocamento seria baseada em / - 5 minutos, centrada na amostra). Se o preço estiver em A por um longo tempo e, em seguida, muda uma vez para B, leva 5 minutos para que a média atinja (AB) / 2. Se você quiser média / suavizar uma função sem qualquer mudança no domínio, O peso deve ser uniformemente distribuído ao redor do ponto de amostragem. Mas isso é impossível de fazer para os preços que ocorrem em tempo real, uma vez que os dados futuros não está disponível. Se você quiser uma mudança recente, como D, para ter um impacto maior, use uma média que dá um peso maior a dados recentes, ou um período de tempo mais curto, ou ambos. Uma forma de suavizar os dados é simplesmente utilizar um único acumulador (o estimador suavizado) E e tomar amostras periódicas dos dados S. E é actualizado como se segue: i. e. Uma fração K (entre 0 e 1) da diferença entre a amostra de preço corrente S e o estimador E é adicionada a E. Suponha que o preço tenha estado em A por um longo tempo, de modo que E esteja em A e então subitamente mude Para B. O estimador começará a se mover em direção a B de forma exponencial (como aquecimento / resfriamento, carregamento / descarga de um capacitor, etc.). Em primeiro lugar ele vai fazer um grande salto, e depois pequenos e pequenos incrementos. O quão rápido ele se move depende de K. Se K é 0, o estimador não se move de todo, e se K é 1 ele se move instantaneamente. Com K você pode ajustar quanto peso você dá ao estimador versus a nova amostra. Mais peso é dado às amostras mais recentes implicitamente, ea janela da amostra basicamente se estende ao infinito: E é baseado em cada amostra de valor que já ocorreu. Embora naturalmente os muito velhos têm ao lado nenhuma influência no valor atual. Um método muito simples, bonito. Respondeu Apr 14 12 at 21:50 Este é o mesmo que Tom39s resposta. Sua fórmula para o novo valor do estimador é (1 - K) E KS. Que é algébrica o mesmo que E K (S - E). É uma função de mistura quotlinear entre o estimador de corrente E ea nova amostra S onde o valor de K 0, 1 controla a mistura. Escrevê-lo dessa maneira é bom e útil. Se K é 0.7, tomamos 70 de S e 30 de E, que é o mesmo que adicionando 70 da diferença entre E e S de volta a E. ndash Kaz 14 de abril de 12 em 22:15 Em resposta de Toms de expansão, a fórmula (Tn - t n-1) / T que é, a é uma razão de delta do tempo de chegada sobre o intervalo de média v 1 (use Ponto anterior), ou v (1 - u) / a (interpolação linear, ou vu (próximo ponto) Mais informações podem ser encontradas na página 59 do livro An Introduction To High Frequency Finance.