Exponential moving average low pass filter

É possível implementar uma média móvel em C sem a necessidade de uma janela de amostras Ive descobri que eu posso otimizar um pouco, escolhendo um tamanho de janela thats um poder de dois para permitir bit-shifting em vez de dividir, mas não necessitando Um buffer seria bom. Existe uma maneira de expressar um novo resultado da média móvel apenas como uma função do antigo resultado e da nova amostra Definir um exemplo de média móvel, através de uma janela de 4 amostras para ser: Adicionar nova amostra e: Uma média móvel pode ser implementada recursivamente , Mas para um cálculo exato da média móvel você deve se lembrar da amostra de entrada mais antiga na soma (ou seja, o a no seu exemplo). Para um comprimento N média móvel você calcula: onde yn é o sinal de saída e xn é o sinal de entrada. Eq. (1) pode ser escrito recursivamente como Então você sempre precisa lembrar a amostra xn-N para calcular (2). Como indicado por Conrad Turner, você pode usar uma janela exponencial (infinitamente longa), que permite calcular a saída somente da saída anterior e da entrada atual: mas esta não é uma média móvel padrão (não ponderada), mas uma média exponencial Ponderada média móvel, onde as amostras mais no passado obter um peso menor, mas (pelo menos em teoria) você nunca esquecer nada (os pesos apenas ficar menor e menor para amostras no passado). Inicialize total 0, count0 (cada vez que vê um novo valor) Então uma entrada (scanf), uma add totalnewValue, um incremento (count), uma divide average (total / count) Esta seria uma média móvel sobre todas as entradas Para calcular a média Sobre apenas as 4 últimas entradas, exigiria 4 variáveis ​​de entrada, talvez copiando cada entrada para uma variável de entrada mais antiga, calculando a nova média móvel como a soma das 4 variáveis ​​de entrada, dividida por 4 (desvio para a direita 2 seria bom se todas as entradas fossem Positivo para fazer o cálculo médioLow-passe filtro Essas são principalmente notas Ele não será completo em qualquer sentido. Existe para conter fragmentos de informações úteis. Pseudocódigo A média móvel exponencialmente ponderada (EWMA) é o nome para o que é provavelmente o mais fácil digital, Tempo de domínio do lowpass (de primeira ordem) em dados discretos. Este filtro alisa usando uma média local móvel, o que o torna um seguidor lento do sinal de entrada. Intuitivamente, ele irá responder lentamente para as mudanças rápidas (a alta - Conteúdo de freqüência) enquanto ainda segue a tendência geral do sinal (o conteúdo de baixa freqüência). É pesado por uma variável (ver x3b1) para poder variar a sua sensibilidade. Em aplicativos que amostra em um intervalo regular (por exemplo, som) você pode relacionar x3b1 ao conteúdo de freqüência. Nestes casos, muitas vezes você deseja calcular uma série de saída filtrada para uma série de entrada, fazendo um loop através de uma lista fazendo algo como: ou o equivalente: A última forma pode se sentir mais intuitiva / informativa: a mudança na saída filtrada é proporcional ao Quantidade de mudança e pesado pela resistência do filtro x3b1. Ambos podem ajudar a considerar como usar a saída filtrada recente dá a inércia do sistema: Um x3b1 menor (1-x3b1 maior no primeiro) (também faz para RC maior) significa que a saída irá ajustar mais lentamente, e deve mostrar menos ruído Freqüência de corte é menor (verifique)). Um maior x3b1 (menor 1-x3b1) (menor RC) significa que a saída irá ajustar mais rápido (têm menos inércia), mas ser mais sensível ao ruído (desde a freqüência de corte é maior) Onde você quer apenas o último valor pode evitar o armazenamento de uma grande matriz, fazendo o seguinte para cada nova amostra (muitas vezes um monte de vezes em uma linha, para se certificar de que ajustar o suficiente). Em casos de amostragem não-tão regular, x3b1 está mais relacionado à velocidade de adaptação do que ao conteúdo de freqüência. Sua ainda relevante, mas as notas sobre o conteúdo de freqüência aplicam-se menos rigorosamente. Você normalmente deseja implementar a matriz / memória como flutuadores - mesmo se você retornar ints - para evitar problemas causados ​​por erros de arredondamento. A maior parte do problema: quando alphadifference (ele mesmo uma multiplicação flutuante) é menor que 1, torna-se 0 em um elenco (truncatng) para um inteiro. Por exemplo, quando alfa é 0,01, então as diferenças de sinal menores que 100 farão um ajuste de 0 (via truncamento inteiro), então o filtro nunca se ajustaria ao valor ADC real. EWMA tem a palavra exponencial, porque cada nova saída filtrada usa efetivamente todos os valores antes dele, e efetivamente com pesos decrescentes exponencialmente. Veja os links da wikipedia para mais discussão. Um exemplo gráfico: Uma captura de tela do arduinoscópio - um gráfico em movimento, com as amostras mais recentes à esquerda. O sinal em bruto na parte superior é de poucos segundos de uma amostragem ADC de um pino flutuante, com um dedo tocando de vez em quando. Os outros são versões lowpassed dele, em pontos fortes crescentes. Algumas coisas a notar sobre isso: o lento ajuste exponencial para passo-como respostas (bem como um capacitor de carregamento - rápido intially, então mais lento e mais lento) a supressão de single grandes picos / desvios. Que certamente é possível filtrar muito duro (embora esse julgamento depende muito da velocidade de amostragem e adaptação / conteúdo / freqüências de seu propósito precisa). Na segunda imagem, a oscilação de gama completa sai pela metade não tanto por causa da filtragem, mas também em grande parte porque a maioria das amostras em bruto por aí estão saturadas em qualquer extremidade da gama de ADCs. Em x3b1, x3c4 ea freqüência de corte Este artigo / seção é um stub x2014 provavelmente uma pilha de notas semi-classificadas, não é bem verificado, então pode ter bits incorretos. (Sinta-se livre para ignorar, corrigir ou me dizer) x3b1 é o fator de suavização, teoricamente entre 0,0 e 1,0, na prática geralmente lt0,2 e, muitas vezes, lt0,1 ou menor, porque acima você está apenas fazendo qualquer filtragem. Em DSP é frequentemente baseado em: x394 t. Regularmente escrito dt. O intervalo de tempo entre as amostras (recíproco da taxa de amostragem) uma escolha de constante de tempo x3c4 (tau), também conhecido como RC (este último parece uma referência a um circuito resistor-mais-capacitor que também faz passagem baixa. O capacitor carrega para Se você escolher um RC perto de dt você obterá alphas acima de 0,5, e também uma freqüência de corte que está perto da freqüência nyquist (acontece em 0.666 (verificar)), que filtra tão pouco que torna o filtro de forma justa Sem sentido. Na prática youll muitas vezes escolher um RC que é pelo menos alguns múltiplos de dt, o que significa que x3b1 é da ordem de 0,1 ou menos. Quando a amostragem acontece estritamente regular, como é para o som e muitas outras aplicações DSP, Por exemplo, quando RC0.002sec, o cutoff está em At 200Hz, 2000Hz, e 20000Hz amostragem, que faz para alfas de 0,7, 0,2 e 0,024, respectivamente. (Com a mesma velocidade de amostragem: menor alfa é, mais lenta a adaptação a novos valores e menor a frequência de corte efetiva) (verifique) Para uma passagem baixa de primeira ordem: em freqüências mais baixas, a resposta é quase completamente plana Freqüência a resposta é -3dB (começou a diminuir em uma flexão suave / joelho) em freqüências mais altas ele cai em 6db / oitava (20dB / década) As variações de ordem mais alta caem mais rápido e têm um joelho mais duro. Observe que haverá também um deslocamento de fase, que fica atrás da entrada. Depende da frequência que começa mais cedo do que o falloff da amplitude, e será -45 graus na freqüência do joelho (verifique). Arduino exemplo Este artigo / seção é um esboço x2014 provavelmente uma pilha de meia-classificados notas, não é bem-verificado assim pode ter bits incorretos. (Sinta-se livre para ignorar, corrigir ou me dizer) Esta é uma versão de uma única peça de memória, para quando você está interessado apenas no (mais recente) valor de saída. Filtro semi-classificadoExponencial Esta página descreve a filtragem exponencial, o filtro mais simples e mais popular. Isso faz parte da seção Filtragem que faz parte de Um guia para detecção de falhas e diagnóstico. Visão geral, constante de tempo e equivalente analógico O filtro mais simples é o filtro exponencial. Ele tem apenas um parâmetro de ajuste (diferente do intervalo de amostra). Ele requer o armazenamento de apenas uma variável - a saída anterior. É um filtro IIR (auto-regressivo) - os efeitos de uma variação de entrada decai exponencialmente até que os limites das telas ou a aritmética do computador o escondam. Em várias disciplinas, a utilização deste filtro é também referida como suavização 8220exponencial8221. Em algumas disciplinas, como a análise de investimentos, o filtro exponencial é chamado de 8220Motiva Mínima PonderadaExponencialmente (EWMA), ou apenas 8220Motiva MínimaExponencial8221 (EMA). Isso abusa da terminologia ARMA 8220moving average8221 tradicional da análise de séries temporais, uma vez que não há histórico de entrada usado - apenas a entrada atual. É o equivalente em tempo discreto do lag8221 de primeira ordem comumente usado na modelagem analógica de sistemas de controle de tempo contínuo. Em circuitos elétricos, um filtro RC (filtro com um resistor e um capacitor) é um atraso de primeira ordem. Quando se enfatiza a analogia com os circuitos analógicos, o parâmetro de ajuste único é a constante de tempo 82208221, normalmente escrita como a letra grega Tau (). De facto, os valores nos tempos de amostra discretos correspondem exactamente ao intervalo de tempo contínuo equivalente com a mesma constante de tempo. A relação entre a implementação digital e a constante de tempo é mostrada nas equações abaixo. Equações do filtro exponencial e inicialização O filtro exponencial é uma combinação ponderada da estimativa anterior (saída) com os dados de entrada mais recentes, com a soma dos pesos iguais a 1 para que a saída corresponda à entrada no estado estacionário. Seguindo a notação de filtro já introduzida: y (k) ay (k-1) (1-a) x (k) onde x (k) é a entrada bruta no tempo ky (k) é a saída filtrada no tempo passo ka É uma constante entre 0 e 1, normalmente entre 0,8 e 0,99. (A-1) ou a é às vezes chamado 8220smoothing constante8221. Para sistemas com um passo de tempo fixo T entre amostras, a constante 8220a8221 é calculada e armazenada por conveniência apenas quando o programador de aplicações especifica um novo valor da constante de tempo desejada. Para sistemas com amostragem de dados em intervalos irregulares, a função exponencial acima deve ser usada com cada passo de tempo, onde T é o tempo desde a amostra anterior. Normalmente, a saída do filtro é inicializada para corresponder à primeira entrada. À medida que a constante de tempo se aproxima de 0, a vai para zero, então não há filtragem 8211 a saída é igual à nova entrada. Como a constante de tempo fica muito grande, um aproxima-se 1, de modo que a nova entrada é quase ignorado 8211 filtragem muito pesado. A equação de filtro acima pode ser rearranjada no seguinte equalizador preditor-corretor: Esta forma torna mais evidente que a estimativa variável (saída do filtro) é predita como inalterada da estimativa anterior y (k-1) mais um termo de correção baseado No inesperado 8220innovation8221 - a diferença entre a nova entrada x (k) ea previsão y (k-1). Esta forma é também o resultado de derivar o filtro exponencial como um simples caso especial de um filtro de Kalman. Que é a solução ótima para um problema de estimação com um conjunto particular de suposições. Passo resposta Uma maneira de visualizar a operação do filtro exponencial é traçar sua resposta ao longo do tempo para uma entrada passo. Ou seja, começando com a entrada e saída do filtro em 0, o valor de entrada é repentinamente alterado para 1. Os valores resultantes são plotados abaixo: No gráfico acima, o tempo é dividido pela constante de tempo do filtro tau para que você possa mais facilmente prever Os resultados para qualquer período de tempo, para qualquer valor da constante de tempo do filtro. Após um tempo igual à constante de tempo, a saída do filtro sobe para 63,21 do seu valor final. Após um tempo igual a 2 constantes de tempo, o valor sobe para 86,47 do seu valor final. As saídas após tempos iguais a 3,4 e 5 constantes de tempo são 95,02, 98,17 e 99,33 do valor final, respectivamente. Uma vez que o filtro é linear, isso significa que essas porcentagens podem ser usadas para qualquer magnitude da mudança de passo, não apenas para o valor de 1 usado aqui. Embora a resposta de passo na teoria tome um tempo infinito, de um ponto de vista prático, pense no filtro exponencial como 98 a 99 8220done8221 respondendo após um tempo igual a 4 a 5 constantes de tempo de filtro. Variações no filtro exponencial Existe uma variação do filtro exponencial chamado filtro exponencial não-linear, que pretende filtrar fortemente o ruído dentro de uma certa amplitude 8220typical8221, mas depois responder mais rapidamente a alterações maiores. Médias Móveis - Simples e Exponencial Médias Móveis - Simples e Exponencial Introdução As médias móveis alisam os dados de preços para formar um indicador de tendência seguinte. Eles não prevêem a direção do preço, mas sim definir a direção atual com um atraso. As médias móveis são retardadas porque são baseadas em preços passados. Apesar desse atraso, as médias móveis ajudam a suavizar a ação dos preços e filtrar o ruído. Eles também formam os blocos de construção para muitos outros indicadores técnicos e sobreposições, como Bandas Bollinger. MACD eo Oscilador McClellan. Os dois tipos mais populares de médias móveis são a Média Móvel Simples (SMA) e a Média Móvel Exponencial (EMA). Essas médias móveis podem ser usadas para identificar a direção da tendência ou definir níveis potenciais de suporte e resistência. Here039s um gráfico com um SMA e um EMA nele: Cálculo simples da média móvel Uma média movente simples é dada forma computando o preço médio de uma segurança sobre um número específico dos períodos. A maioria das médias móveis são baseadas em preços de fechamento. Uma média móvel simples de 5 dias é a soma de cinco dias dos preços de fechamento dividida por cinco. Como seu nome indica, uma média móvel é uma média que se move. Os dados antigos são eliminados à medida que novos dados são disponibilizados. Isso faz com que a média se mova ao longo da escala de tempo. Abaixo está um exemplo de uma média móvel de 5 dias evoluindo ao longo de três dias. O primeiro dia da média móvel cobre simplesmente os últimos cinco dias. O segundo dia da média móvel cai o primeiro ponto de dados (11) e adiciona o novo ponto de dados (16). O terceiro dia da média móvel continua caindo o primeiro ponto de dados (12) e adicionando o novo ponto de dados (17). No exemplo acima, os preços aumentam gradualmente de 11 para 17 ao longo de um total de sete dias. Observe que a média móvel também aumenta de 13 para 15 ao longo de um período de cálculo de três dias. Observe também que cada valor de média móvel está logo abaixo do último preço. Por exemplo, a média móvel para o dia um é igual a 13 eo último preço é 15. Os preços dos quatro dias anteriores eram mais baixos e isso faz com que a média móvel fique atrasada. Cálculo da média móvel exponencial As médias móveis exponenciais reduzem o desfasamento aplicando mais peso aos preços recentes. A ponderação aplicada ao preço mais recente depende do número de períodos na média móvel. Há três etapas para calcular uma média móvel exponencial. Primeiro, calcule a média móvel simples. Uma média móvel exponencial (EMA) tem que começar em algum lugar assim que uma média móvel simples é usada como o EMA anterior do período anterior no primeiro cálculo. Em segundo lugar, calcular o multiplicador de ponderação. Em terceiro lugar, calcule a média móvel exponencial. A fórmula abaixo é para um EMA de 10 dias. Uma média móvel exponencial de 10 períodos aplica uma ponderação de 18,18 ao preço mais recente. Um EMA de 10 períodos também pode ser chamado de EMA 18.18. Um EMA de 20 períodos aplica uma ponderação de 9,52 ao preço mais recente (2 / (201) .0952). Observe que a ponderação para o período de tempo mais curto é mais do que a ponderação para o período de tempo mais longo. De fato, a ponderação cai pela metade cada vez que o período de média móvel dobra. Se você deseja uma porcentagem específica para uma EMA, use esta fórmula para convertê-la em períodos de tempo e, em seguida, insira esse valor como o parâmetro EMA039s: Abaixo está um exemplo de planilha de uma média móvel simples de 10 dias e um valor de 10- Dia média móvel exponencial para a Intel. As médias móveis simples são diretas e exigem pouca explicação. A média de 10 dias simplesmente se move conforme novos preços se tornam disponíveis e os preços antigos caem. A média móvel exponencial começa com o valor da média móvel simples (22,22) no primeiro cálculo. Após o primeiro cálculo, a fórmula normal assume o controle. Como um EMA começa com uma média móvel simples, seu valor verdadeiro não será realizado até 20 ou mais períodos mais tarde. Em outras palavras, o valor na planilha do Excel pode diferir do valor do gráfico por causa do curto período de retorno. Esta planilha só remonta 30 períodos, o que significa que o afeto da média móvel simples teve 20 períodos para se dissipar. StockCharts volta pelo menos 250 períodos (geralmente muito mais) para os seus cálculos para que os efeitos da média móvel simples no primeiro cálculo totalmente dissipada. O fator de Lag Quanto maior a média móvel, mais o lag. Uma média móvel exponencial de 10 dias abraçará os preços muito de perto e virará logo após os preços virarem. Curtas médias móveis são como barcos de velocidade - ágil e rápido para mudar. Em contraste, uma média móvel de 100 dias contém muitos dados passados ​​que o desaceleram. As médias móveis mais longas são como os petroleiros do oceano - lethargic e lentos mudar. É preciso um movimento de preços maior e mais longo para uma média móvel de 100 dias para mudar de rumo. O gráfico acima mostra o SampP 500 ETF com uma EMA de 10 dias seguindo de perto os preços e uma moagem SMA de 100 dias mais alta. Mesmo com o declínio de janeiro-fevereiro, a SMA de 100 dias manteve o curso e não recusou. O SMA de 50 dias se encaixa entre as médias móveis de 10 e 100 dias quando se trata do fator de latência. Simples vs médias exponenciais Moving Embora existam diferenças claras entre médias móveis simples e médias móveis exponenciais, um não é necessariamente melhor do que o outro. As médias móveis exponenciais têm menos atraso e são, portanto, mais sensíveis aos preços recentes - e às recentes mudanças nos preços. As médias móveis exponenciais virarão antes de médias móveis simples. As médias móveis simples, por outro lado, representam uma verdadeira média de preços para todo o período de tempo. Como tal, as médias móveis simples podem ser mais adequadas para identificar níveis de suporte ou resistência. Preferência média móvel depende de objetivos, estilo analítico e horizonte de tempo. Chartists deve experimentar com ambos os tipos de médias móveis, bem como diferentes prazos para encontrar o melhor ajuste. O gráfico abaixo mostra a IBM com a SMA de 50 dias em vermelho ea EMA de 50 dias em verde. Ambos atingiram o pico no final de janeiro, mas o declínio no EMA foi mais nítida do que o declínio no SMA. A EMA apareceu em meados de fevereiro, mas a SMA continuou baixa até o final de março. Observe que a SMA apareceu mais de um mês após a EMA. Comprimentos e prazos A duração da média móvel depende dos objetivos analíticos. Curtas médias móveis (5-20 períodos) são mais adequados para as tendências de curto prazo e de negociação. Os cartistas interessados ​​em tendências de médio prazo optariam por médias móveis mais longas que poderiam estender-se por 20 a 60 períodos. Investidores de longo prazo preferem médias móveis com 100 ou mais períodos. Alguns comprimentos de média móvel são mais populares do que outros. A média móvel de 200 dias é talvez a mais popular. Devido ao seu comprimento, esta é claramente uma média móvel a longo prazo. Em seguida, a média móvel de 50 dias é bastante popular para a tendência de médio prazo. Muitos chartists usam as médias móveis de 50 dias e de 200 dias junto. Curto prazo, uma média móvel de 10 dias foi bastante popular no passado porque era fácil de calcular. Um simplesmente adicionou os números e moveu o ponto decimal. Identificação de tendências Os mesmos sinais podem ser gerados usando médias móveis simples ou exponenciais. Como mencionado acima, a preferência depende de cada indivíduo. Esses exemplos abaixo usarão médias móveis simples e exponenciais. O termo média móvel se aplica a médias móveis simples e exponenciais. A direção da média móvel transmite informações importantes sobre os preços. Uma média móvel em ascensão mostra que os preços estão aumentando. Uma média móvel em queda indica que os preços, em média, estão caindo. A subida da média móvel de longo prazo reflecte uma tendência de alta a longo prazo. A queda da média móvel a longo prazo reflecte uma tendência de baixa a longo prazo. O gráfico acima mostra 3M (MMM) com uma média móvel exponencial de 150 dias. Este exemplo mostra quão bem as médias móveis funcionam quando a tendência é forte. A EMA de 150 dias recusou-se em novembro de 2007 e novamente em janeiro de 2008. Observe que foi necessário um declínio de 15 para reverter a direção dessa média móvel. Estes indicadores de atraso identificam inversões de tendência à medida que ocorrem (na melhor das hipóteses) ou depois de ocorrerem (na pior das hipóteses). MMM continuou menor em março de 2009 e, em seguida, subiu 40-50. Observe que a EMA de 150 dias não apareceu até depois desse aumento. Uma vez que o fez, no entanto, MMM continuou maior nos próximos 12 meses. As médias móveis trabalham brilhantemente em tendências fortes. Crossovers duplos Duas médias móveis podem ser usadas juntas para gerar sinais cruzados. Na Análise Técnica dos Mercados Financeiros. John Murphy chama isso de método de cruzamento duplo. Os cruzamentos duplos envolvem uma média móvel relativamente curta e uma média móvel relativamente longa. Como com todas as médias móveis, o comprimento geral da média móvel define o prazo para o sistema. Um sistema que utilizasse um EMA de 5 dias e um EMA de 35 dias seria considerado de curto prazo. Um sistema usando uma SMA de 50 dias e um SMA de 200 dias seria considerado de médio prazo, talvez até de longo prazo. Um crossover de alta ocorre quando a média móvel mais curta cruza acima da média móvel mais longa. Isso também é conhecido como uma cruz de ouro. Um crossover de baixa ocorre quando a média móvel mais curta cruza abaixo da média móvel mais longa. Isso é conhecido como uma cruz morta. Os crossovers médios móveis produzem sinais relativamente atrasados. Afinal, o sistema emprega dois indicadores de atraso. Quanto mais longos os períodos de média móvel, maior o atraso nos sinais. Esses sinais funcionam muito bem quando uma boa tendência se apodera. No entanto, um sistema de crossover média móvel irá produzir lotes de Whipsaws na ausência de uma forte tendência. Há também um método de crossover triplo que envolve três médias móveis. Mais uma vez, um sinal é gerado quando a média móvel mais curta atravessa as duas médias móveis mais longas. Um simples sistema de crossover triplo pode envolver médias móveis de 5 dias, 10 dias e 20 dias. O gráfico acima mostra Home Depot (HD) com um EMA de 10 dias (linha pontilhada verde) e EMA de 50 dias (linha vermelha). A linha preta é o fechamento diário. Usando um crossover média móvel teria resultado em três whipsaws antes de pegar um bom comércio. O EMA de 10 dias quebrou abaixo do EMA de 50 dias em outubro atrasado (1), mas este não durou por muito tempo enquanto os 10 dias se moveram para trás acima em novembro meados de (2). Este cruzamento durou mais, mas o próximo crossover de baixa em janeiro (3) ocorreu perto dos níveis de preços de novembro, resultando em outra whipsaw. Esta cruz bearish não durou por muito tempo enquanto o EMA de 10 dias moveu para trás acima dos 50 dias alguns dias mais tarde (4). Depois de três sinais ruins, o quarto sinal prefigurou um movimento forte como o estoque avançou mais de 20. Existem dois takeaways aqui. Primeiramente, os crossovers são prone ao whipsaw. Um filtro de preço ou tempo pode ser aplicado para ajudar a evitar whipsaws. Os comerciantes podem exigir que o crossover durar 3 dias antes de agir ou exigir a EMA de 10 dias para mover acima / abaixo do EMA de 50 dias por um determinado montante antes de agir. Em segundo lugar, o MACD pode ser usado para identificar e quantificar esses cruzamentos. MACD (10,50,1) mostrará uma linha representando a diferença entre as duas médias móveis exponenciais. MACD torna-se positivo durante uma cruz de ouro e negativo durante uma cruz morta. O Oscilador de Preço Percentual (PPO) pode ser usado da mesma forma para mostrar diferenças percentuais. Observe que o MACD e o PPO são baseados em médias móveis exponenciais e não coincidirão com médias móveis simples. Este gráfico mostra Oracle (ORCL) com a EMA de 50 dias, EMA de 200 dias e MACD (50,200,1). Havia quatro crossovers de média móvel durante um período de 2 1/2 anos. Os três primeiros resultaram em whipsaws ou maus negócios. Uma tendência sustentada começou com o quarto crossover como ORCL avançado para os 20s meados. Mais uma vez, os crossovers de média móvel funcionam muito bem quando a tendência é forte, mas produzem perdas na ausência de uma tendência. Crossovers de preço As médias móveis também podem ser usadas para gerar sinais com crossovers de preços simples. Um sinal de alta é gerado quando os preços se movem acima da média móvel. Um sinal de baixa é gerado quando os preços se movem abaixo da média móvel. Os crossovers do preço podem ser combinados para negociar dentro da tendência mais grande. A média móvel mais longa define o tom para a tendência maior e a média móvel mais curta é usada para gerar os sinais. Um olharia para cruzes de preço de alta somente quando os preços já estão acima da média móvel mais longa. Isso seria negociar em harmonia com a maior tendência. Por exemplo, se o preço estiver acima da média móvel de 200 dias, os chartistas só se concentrarão nos sinais quando o preço se mover acima da média móvel de 50 dias. Obviamente, um movimento abaixo da média móvel de 50 dias precederia tal sinal, mas tais cruzamentos de baixa seriam ignorados porque a tendência maior está para cima. Uma cruz bearish sugeriria simplesmente um pullback dentro de um uptrend mais grande. Uma volta cruzada acima da média móvel de 50 dias indicaria uma subida dos preços e continuação da maior tendência de alta. O gráfico seguinte mostra a Emerson Electric (EMR) com a EMA de 50 dias e a EMA de 200 dias. O estoque movido acima e realizada acima da média móvel de 200 dias em agosto. Houve mergulhos abaixo dos 50 dias EMA no início de novembro e novamente no início de fevereiro. Os preços recuaram rapidamente acima dos 50 dias EMA para fornecer sinais de alta (setas verdes) em harmonia com a maior tendência de alta. MACD (1,50,1) é mostrado na janela do indicador para confirmar cruzamentos de preços acima ou abaixo do EMA de 50 dias. O EMA de 1 dia é igual ao preço de fechamento. MACD (1,50,1) é positivo quando o fechamento está acima do EMA de 50 dias e negativo quando o fechamento está abaixo do EMA de 50 dias. Suporte e Resistência As médias móveis também podem atuar como suporte em uma tendência de alta e resistência em uma tendência de baixa. Uma tendência de alta de curto prazo pode encontrar suporte perto da média móvel simples de 20 dias, que também é usada em Bandas de Bollinger. Uma tendência de alta de longo prazo pode encontrar apoio perto da média móvel simples de 200 dias, que é a média móvel mais popular a longo prazo. Se fato, a média móvel de 200 dias pode oferecer suporte ou resistência simplesmente porque é tão amplamente utilizado. É quase como uma profecia auto-realizável. O gráfico acima mostra o NY Composite com a média móvel simples de 200 dias de meados de 2004 até o final de 2008. Os 200 dias fornecidos suportam várias vezes durante o avanço. Uma vez que a tendência reverteu com uma quebra de apoio superior dupla, a média móvel de 200 dias agiu como resistência em torno de 9500. Não espere suporte exato e níveis de resistência de médias móveis, especialmente as médias móveis mais longas. Os mercados são impulsionados pela emoção, o que os torna propensos a superações. Em vez de níveis exatos, as médias móveis podem ser usadas para identificar zonas de suporte ou de resistência. Conclusões As vantagens de usar médias móveis precisam ser ponderadas contra as desvantagens. As médias móveis são a tendência que segue, ou retardar, os indicadores que serão sempre um passo atrás. Isso não é necessariamente uma coisa ruim embora. Afinal, a tendência é o seu amigo e é melhor para o comércio na direção da tendência. As médias móveis asseguram que um comerciante está em linha com a tendência atual. Mesmo que a tendência é seu amigo, os títulos gastam uma grande quantidade de tempo em intervalos de negociação, o que torna as médias móveis ineficazes. Uma vez em uma tendência, as médias móveis mantê-lo-ão dentro, mas dar também sinais atrasados. Don039t esperam vender no topo e comprar na parte inferior usando médias móveis. Tal como acontece com a maioria das ferramentas de análise técnica, médias móveis não devem ser utilizados por conta própria, mas em conjunto com outras ferramentas complementares. Os cartistas podem usar médias móveis para definir a tendência geral e, em seguida, usar RSI para definir overbought ou oversold níveis. Adicionando médias móveis para gráficos StockCharts As médias móveis estão disponíveis como um recurso de sobreposição de preço na bancada do SharpCharts. Usando o menu suspenso Sobreposições, os usuários podem escolher uma média móvel simples ou uma média móvel exponencial. O primeiro parâmetro é usado para definir o número de períodos de tempo. Um parâmetro opcional pode ser adicionado para especificar qual campo de preço deve ser usado nos cálculos - O para o Open, H para o Alto, L para o Baixo e C para o Close. Uma vírgula é usada para separar os parâmetros. Outro parâmetro opcional pode ser adicionado para deslocar as médias móveis para a esquerda (passado) ou para a direita (futuro). Um número negativo (-10) deslocaria a média móvel para a esquerda 10 períodos. Um número positivo (10) deslocaria a média móvel para o direito 10 períodos. Múltiplas médias móveis podem ser superados o preço parcela simplesmente adicionando outra linha de superposição para a bancada. Os membros do StockCharts podem alterar as cores eo estilo para diferenciar entre várias médias móveis. Depois de selecionar um indicador, abra Opções Avançadas clicando no pequeno triângulo verde. As Opções Avançadas também podem ser usadas para adicionar uma sobreposição média móvel a outros indicadores técnicos como RSI, CCI e Volume. Clique aqui para um gráfico ao vivo com várias médias móveis diferentes. Usando Médias Móveis com Varreduras StockCharts Aqui estão alguns exemplos de varreduras que os membros da StockCharts podem usar para varrer para várias situações de média móvel: Bullish Moving Average Cross: Esta varredura procura ações com uma média móvel em ascensão de 150 dias simples e uma linha de alta dos 5 EMA de dia e EMA de 35 dias. A média móvel de 150 dias está subindo, desde que ela esteja negociando acima de seu nível cinco dias atrás. Um cruzamento de alta ocorre quando o EMA de 5 dias se move acima do EMA de 35 dias em volume acima da média. Bearish Moving Average Cross: Esta pesquisa procura por ações com uma queda de 150 dias de média móvel simples e uma cruz de baixa dos 5 dias EMA e 35 dias EMA. A média móvel de 150 dias está caindo enquanto ela está negociando abaixo de seu nível cinco dias atrás. Uma cruz de baixa ocorre quando a EMA de 5 dias se move abaixo da EMA de 35 dias acima do volume médio. Estudo adicional O livro de John Murphy tem um capítulo dedicado a médias móveis e seus vários usos. Murphy abrange os prós e os contras de médias móveis. Além disso, Murphy mostra como as médias móveis funcionam com Bollinger Bands e sistemas de negociação baseados em canais. Análise Técnica dos Mercados Financeiros John Murphy Atualizado 12 de março de 2013 O que são RC Filtering e Exponential Averaging e como eles diferem A resposta para a segunda parte da questão é que eles são o mesmo processo Se alguém vem de um fundo eletrônico, em seguida, RC Filtering Ou RC Smoothing) é a expressão usual. Por outro lado uma abordagem baseada em estatísticas de séries temporais tem o nome de média exponencial, ou para usar o nome completo ponderada exponencial média móvel. Isso também é conhecido como EWMA ou EMA. Uma vantagem chave do método é a simplicidade da fórmula para calcular a próxima saída. É preciso uma fração da saída anterior e uma menos essa fração vezes a entrada atual. Algebricamente no tempo k a saída suavizada y k é dada por Como mostrado mais adiante esta fórmula simples enfatiza eventos recentes, suaviza as variações de alta freqüência e revela tendências de longo prazo. Observe que há duas formas da equação de média exponencial, a acima e uma variante Ambos estão corretos. Consulte as notas no final do artigo para obter mais detalhes. Nesta discussão usaremos apenas a equação (1). A fórmula acima é às vezes escrita de forma mais limitada. Como é derivada esta fórmula e qual é a sua interpretação Um ponto-chave é como podemos selecionar. Para olhar para esta uma maneira simples é considerar um filtro de baixa passagem RC. Agora, um filtro passa-baixo RC é simplesmente um resistor em série R e um condensador paralelo C como ilustrado abaixo. A equação da série de tempo para este circuito é O produto RC tem unidades de tempo e é conhecido como a constante de tempo, T. Para o circuito. Suponha que representamos a equação acima em sua forma digital para uma série de tempo que tem dados tomados a cada h segundos. Esta é exatamente a mesma forma que a equação anterior. Comparando os dois relacionamentos para a temos que reduz para a relação muito simples Daí a escolha de N é guiado por que constante de tempo que escolhemos. Agora a equação (1) pode ser reconhecida como um filtro passa-baixo ea constante de tempo tipifica o comportamento do filtro. Para ver o significado da Constante de Tempo, precisamos examinar a característica de freqüência deste filtro RC de passa baixa. Em sua forma geral isto é Expressando em módulo e forma de fase temos onde o ângulo de fase é. A freqüência é chamada freqüência de corte nominal. Fisicamente pode ser mostrado que a esta frequência a potência no sinal foi reduzida em metade ea amplitude é reduzida pelo factor. Em termos de dB esta frequência é onde a amplitude foi reduzida em 3dB. Claramente à medida que a constante de tempo T aumenta, então a freqüência de corte diminui e aplicamos mais suavização aos dados, ou seja, eliminamos as freqüências mais altas. É importante notar que a resposta de freqüência é expressa em radianos / segundo. Isso é há um fator de envolvido. Por exemplo, escolher uma constante de tempo de 5 segundos dá uma freqüência de corte efetiva de. Um uso popular do alisamento de RC é simular a ação de um medidor tal como usado em um Medidor de Nível de Som. Geralmente são tipificados por sua constante de tempo, como 1 segundo para tipos S e 0,125 segundos para tipos F. Para estes dois casos, as frequências de corte efectivas são 0,16 Hz e 1,27 Hz, respectivamente. Na verdade, não é a constante de tempo que geralmente desejamos selecionar, mas aqueles períodos que desejamos incluir. Suponha que temos um sinal onde queremos incluir características com um P segundo período. Agora um período P é uma freqüência. Poderíamos então escolher uma constante de tempo T dada por. No entanto, sabemos que perdemos cerca de 30 da saída (-3dB) em. Assim, escolher uma constante de tempo que corresponde exatamente às periodicidades que desejamos manter não é o melhor esquema. Geralmente é melhor escolher uma freqüência de corte ligeiramente maior, digamos. A constante de tempo é então que, em termos práticos, é semelhante a. Isso reduz a perda para cerca de 15 nesta periodicidade. Portanto, em termos práticos para reter eventos com uma periodicidade de ou maior, em seguida, escolher uma constante de tempo de. Isso inclui os efeitos das periodicidades de até cerca de. Por exemplo, se quisermos incluir os efeitos de eventos acontecendo com dizer um período de 8 segundos (0.125Hz), então escolha uma constante de tempo de 0,8 segundos. Isto dá uma frequência de corte de aproximadamente 0,2Hz de modo que o nosso período de 8 segundos está bem na banda de passagem principal do filtro. Se estivéssemos a amostrar os dados a 20 vezes / segundo (h 0,05) então o valor de N é (0,8 / 0,05) 16 e. Isso dá algumas dicas sobre como definir. Basicamente, para uma taxa de amostra conhecida, ela tipifica o período de média e seleciona quais flutuações de alta freqüência serão ignoradas. Observando a expansão do algoritmo podemos ver que ele favorece os valores mais recentes, e também por que é referido como ponderação exponencial. Nós temos Substituindo por y k-1 dá Repetindo este processo várias vezes leva a Porque está no intervalo então claramente os termos à direita tornam-se menores e se comportam como uma exponencial decadente. Essa é a saída atual é tendenciosa para os eventos mais recentes, mas quanto maior nós escolhemos T, então o viés menos. Em resumo vemos que a fórmula simples enfatiza eventos recentes suaviza eventos de alta freqüência (curto período) revelam tendências de longo prazo. Precaução Existem duas formas da equação de média exponencial que aparecem na literatura. Ambos são corretos e equivalentes. A primeira forma como mostrado acima é (A1) A forma alternativa é 8230 (A2) Observe o uso de na primeira equação e na segunda equação. Em ambas as equações e são valores entre zero e unidade. Em termos físicos, isso significa que a escolha da forma que se usa depende de como se quer pensar em tomar como a equação da fração de alimentação (A1) ou Como a fração da equação de entrada (A2). A primeira forma é ligeiramente menos complicada em mostrar a relação de filtro RC, e leva a uma compreensão mais simples em termos de filtro. Analista Principal de Processamento de Sinais da Prosig O Dr. Colin Mercer é Analista de Processamento de Sinais da Prosig e é responsável pelo processamento de sinal e suas aplicações. Foi anteriormente no Instituto de Pesquisa de Som e Vibração (ISVR) na Universidade de Southampton, onde fundou o Centro de Análise de Dados. Ele é um engenheiro fretado e um membro da British Computer Society. Eu acho que você quer mudar o 8216p8217 para o símbolo de pi. Marco, obrigado por apontar isso. Acho que este é um dos nossos artigos mais antigos que foi transferido de um antigo documento de processamento de texto. Obviamente, o editor (eu) não conseguiu perceber que o pi não tinha sido transcrita corretamente. Ele será corrigido em breve. Eu acho que há um erro na fórmula para T. Deve ser T h (N-1), não T (N-1) / h. Mike, obrigado por perceber isso. Acabei de verificar novamente para Dr. Mercer8217s nota técnica original em nosso arquivo e parece que houve erro feito ao transferir as equações para o blog. Vamos corrigir o post. Obrigado por nos deixar saber Obrigado obrigado obrigado. Você poderia ler 100 textos DSP sem encontrar nada dizendo que um filtro de média exponencial é o equivalente a um filtro R-C. Hmm, você tem a equação para um filtro EMA correta não é Yk aXk (1-a) Yk-1 em vez de Yk aYk-1 (1-a) Xk Alan, Ambas as formas da equação aparecem na literatura e Ambos os formulários estão corretos como mostrarei abaixo. O ponto que você faz é importante porque usar a forma alternativa significa que a relação física com um filtro RC é menos aparente, além disso a interpretação do significado de um mostrado no artigo não é apropriado para a forma alternativa. Primeiro vamos mostrar que ambas as formas estão corretas. A forma da equação que eu usei é e a forma alternativa que aparece em muitos textos é Note no acima Eu usei latex 1 / latex na primeira equação e latex 2 / latex na segunda equação. A igualdade de ambas as formas da equação é demonstrada matematicamente abaixo de passos simples de cada vez. O que não é o mesmo é o valor usado para látex / látex em cada equação. Em ambas as formas, látex / látex é um valor entre zero e unidade. Primeiro reescreva a equação (1) substituindo o látex 1 / látex pelo látex / látex. Agora, definimos latexbeta (1 - 2) / latex e por isso também temos látex 2 (1 - beta) / látex. Substituindo estes na equação (1A) dá latexyk (1 - 2) y 2xk / latex 8230 (1B) E finalmente re-arranjar dá Esta equação é idêntica à forma alternativa dada na equação (2). Coloque mais simplesmente látex 2 (1 - 1) / látex. Em termos físicos, significa que a escolha da forma que se usa depende da forma como se quer pensar em tomar latexalpha / latex como a equação da fração de feed back (1) ou como a fração da equação de entrada (2). Como mencionado acima eu usei a primeira forma, pois é um pouco menos pesado em mostrar a relação do filtro RC, e leva a uma compreensão mais simples em termos de filtro. No entanto omitindo o acima é, em minha opinião, uma deficiência no artigo como outras pessoas poderiam fazer uma inferência incorreta para uma versão revista aparecerá em breve. Sempre me perguntei sobre isso, obrigado por descrevê-lo tão claramente. Eu acho que outra razão a primeira formulação é agradável é mapas alfa para 8216smoothness8217: uma maior escolha de alfa significa uma saída 8216more smooth8217. Michael Obrigado pela observação 8211 Vou acrescentar ao artigo algo sobre essas linhas, pois é sempre melhor, na minha opinião, relacionar-se com aspectos físicos. Dr. Mercer, excelente artigo, obrigado. Tenho uma pergunta sobre a constante de tempo quando usado com um detector rms como em um medidor de nível de som que você se refere no artigo. Se eu usar suas equações para modelar um filtro exponencial com Constante de Tempo 125ms e usar um sinal de passo de entrada, eu realmente obter uma saída que, após 125ms, é 63,2 do valor final. No entanto, se eu quadrado o sinal de entrada e colocar isso através do filtro, então eu vejo que eu preciso dobrar a constante de tempo para que o sinal de chegar a 63,2 do seu valor final em 125ms. Você pode me informar se isso é esperado. Muito obrigado. Ian Ian, Se você quadrado um sinal como uma onda senoidal, em seguida, basicamente, você está dobrando a freqüência de sua fundamental, bem como a introdução de lotes de outras freqüências. Porque a frequência foi, com efeito, duplicada, está a ser reduzida 8217 por uma quantidade maior pelo filtro passa-baixo. Em consequência, leva mais tempo para atingir a mesma amplitude. A operação de quadratura é uma operação não linear, então eu não acho que ela sempre dobrará precisamente em todos os casos, mas tenderá a dobrar se tivermos uma freqüência baixa dominante. Observe também que o diferencial de um sinal quadrado é o dobro do diferencial do sinal 8220un-squared8221. Eu suspeito que você pode estar tentando obter uma forma de quadrado médio suavização, que é perfeitamente bem e válido. Pode ser melhor aplicar o filtro e, em seguida, quadrado como você sabe o corte eficaz. Mas se tudo o que você tem é o sinal quadrado, em seguida, usando um fator de 2 para modificar o seu filtro de valor alfa irá aproximá-lo voltar à freqüência de corte original, ou colocá-lo um pouco mais simples definir sua freqüência de corte em duas vezes o original. Obrigado pela sua resposta Dr. Mercer. Minha pergunta era realmente tentar obter o que é realmente feito em um detector rms de um medidor de nível de som. Se a constante de tempo for definida para 8216fast8217 (125ms) eu teria pensado que intuitivamente você esperaria um sinal de entrada sinusoidal para produzir uma saída de 63,2 do seu valor final após 125ms, mas desde que o sinal está sendo quadrado antes de chegar ao 8216mean8217 Detecção, ele realmente vai levar o dobro do tempo que você explicou. O objetivo principal do artigo é mostrar a equivalência da filtragem RC e da média exponencial. Se estamos discutindo o tempo de integração equivalente a um verdadeiro integrador retangular, então você está correto que há um fator de dois envolvidos. Basicamente, se temos um verdadeiro integrador retangular que integra para Ti segundos o equivalente RC tempo integator para alcançar o mesmo resultado é 2RC segundos. Ti é diferente do RC 8216 tempo constante 8217 T que é RC. Assim, se temos uma constante de tempo 8216Fast8217 de 125 ms, que é RC 125 ms, então que é equivalente a um verdadeiro tempo de integração de 250 msec Obrigado pelo artigo, foi muito útil. Existem alguns trabalhos recentes em neurociência que usam uma combinação de filtros EMA (EMA de curta janela EMI 8211 de longa janela EMA) como um filtro passa-banda para análises de sinal em tempo real. Gostaria de aplicá-los, mas eu estou lutando com os tamanhos janela diferentes grupos de pesquisa têm utilizado e sua correspondência com a freqüência de corte. Let8217s dizer que eu quero manter todas as freqüências abaixo de 0.5Hz (aprox) e que eu adquiro 10 amostras / segundo. Isso significa que fp 0,5Hz P 2s T P / 100,2 h 1 / fs0.1 Portanto, o tamanho da janela I deve estar usando deve ser N3. É este raciocínio correto Antes de responder à sua pergunta, devo comentar sobre o uso de dois filtros de alta freqüência para formar um filtro passa banda. Presumivelmente eles funcionam como dois fluxos separados, então um resultado é o conteúdo de dizer latexf / latex para metade da taxa de amostragem eo outro é o conteúdo de dizer latexf / latex para metade da taxa de amostragem. Se tudo o que está sendo feito é a diferença nos níveis quadrados médios como indicando a potência na faixa de látex / látex para latex / látex, então pode ser razoável se as duas freqüências de corte estão suficientemente distantes, mas eu espero que as pessoas que usam Esta técnica está tentando simular um filtro de banda mais estreito. Na minha opinião, isso não seria confiável para um trabalho sério e seria motivo de preocupação. Apenas para referência um filtro passa banda é uma combinação de um filtro passa-alta de baixa freqüência para remover as baixas freqüências e um filtro passa-baixa de alta freqüência para remover as altas freqüências. Existe naturalmente uma forma de passagem baixa de um filtro RC e, consequentemente, uma EMA correspondente. Talvez, embora meu julgamento seja excessivamente crítico sem conhecer todos os fatos. Então, por favor, envie-me algumas referências aos estudos que você mencionou para que eu critique como apropriado. Talvez eles estão usando um passe baixo, bem como um filtro passa-alta. Agora, voltando-se para sua pergunta real sobre como determinar N para uma dada freqüência de corte de alvo, acho que é melhor usar a equação básica T (N-1) h. A discussão sobre os períodos foi destinada a dar às pessoas uma sensação do que estava acontecendo. Então veja a derivação abaixo. Temos as relações latexT (N-1) h / latex e latexT1 / 2 / latex onde latexfc / latex é a frequência de corte nocional e h é o tempo entre amostras, claramente latexh 1 / / latex onde latexfs / latex é o Amostra em amostras / seg. A reorganização de T (N-1) h numa forma adequada para incluir a frequência de corte, latexfc / latex e taxa de amostragem, latexfs / latex, é mostrada abaixo. Então, usando latexfc 0,5Hz / latex e latexfs 10 / latex amostras / seg para que látex (fc / fs) 0,05 / latex dá Então, o valor inteiro mais próximo é 4. Re-arranjar o acima temos Então, com N4 temos latexfc 0,5307 Hz /látex. Utilizando N3 dá-se um latexfc / látex de 0,318 Hz. Nota com N1 temos uma cópia completa sem filtragem.