Adaptivt glidande medelvärde Kaufman

Den aktuella versionen av sidan har ännu inte granskats av erfarna bidragsgivare och kan skilja sig väsentligt från versionen som granskades den 23 november 2013; kontroller kräver 9 redigeringar .

Kaufmans adaptiva glidande medelvärde ( AMA , KAMA , AMkA från Kaufmans Adaptive Moving Average ) är en teknisk indikator , ett slags adaptivt glidande medelvärde , byggd på basis av ett exponentiellt utjämnat glidande medelvärde och en originalteknik för att bestämma och tillämpa volatilitet som en dynamiskt föränderlig utjämningskonstant [1] [2] [3] .

Adaptive Moving Average -indikatorn utvecklades av Perry J. Kaufman och introducerades först 1995 i sin bok Smarter Trading : Improving Performance in Changing Markets [ 1 ] [ 2] .

Förutsättningar för att skapa indikatorn

När man använder klassiska glidande medelvärden som en indikator på teknisk analys, står handlare inför behovet av att välja den optimala fönsterbredden för sina beräkningar. I det allmänna fallet är detta en icke-trivial uppgift som gav upphov till en hel gren av teknisk analys [5] , det fanns ett förslag om att automatisera valet av denna parameter. 1992 utvecklade Tushar Chande en adaptiv glidande medelvärdesmodell ( VIDYA ), där fönsterbredden beror på prisvolatilitet [6] , och 1995 föreslog Perry Kaufman sin egen version av en sådan teknisk indikator [2] . Kaufmans huvudbudskap var önskan att genomföra en konservativ efterföljare i trendens riktning , samtidigt som den snabbt fick en signal på en dynamisk marknad och i tid att stänga positioner när marknaden blir oriktad [2] .

Beräkningsmetod

Grundformel

Kaufman adaptiva glidande medelvärde är en derivata av det klassiska exponentiellt utjämnade glidande medelvärdet med en variabel utjämningsfaktor. Det vill säga varje gång den klassiska formeln används

${\textit {EMA}}_{t}=\alpha \cdot {\textit {stäng}}_{t}+(1-\alpha )\cdot {\textit {EMA}}_{t- ett},$

där utjämningskonstanten beräknas dynamiskt och i allmänhet skiljer sig för varje period . $\alfa$

Effektivitetsförhållande

För att bestämma tillståndet på marknaden introducerar Perry Kaufman konceptet effektivitetsförhållande ( ER från det engelska effektivitetsförhållandet ), som är baserat på förhållandet mellan den totala prisrörelsen (riktningen) och summan av marknadens absoluta värden bullerrörelser (volatilitet) under en viss period (n) [1] [2 ] :

${\textit {riktning}}_{t,n}=|{\textit {stäng}}_{t}-{\textit {stäng}}_{tn-1}|,$

${\textit {volatilitet}}_{t,n}=\sum _{i=0}^{n-1}|{\textit {stäng}}_{ti}-{\textit {stäng} }_{ti-1}|,$

${\textit {EfficiencyRatio}}_{t,n}={\frac ({\textit {riktning}}_{t,n}}{{\textit {volatility}}_{t,n}} }={\frac {|{\textit {stäng}}_{t}-{\textit {stäng}}_{tn-1}|}{\summa _{i=0}^{n-1}| {\textit {stäng}}_{ti}-{\textit {stäng}}_{ti-1}|}},$

där - den totala prisrörelsen, summan av bullerrörelserna respektive effektivitetskoefficienten för perioden ; — Slutkurs för perioden . ${\textit {riktning}}_{t,n},{\textit {volatilitet}}_{t,n},{\textit {EfficiencyRatio}}_{t,n}$ $t$ $n$ ${\textit {stäng}}_{i}$ $i$

Det framgår av de presenterade formlerna att effektivitetskoefficienten kan variera från 0 till 1. Dessutom tenderar dess värde till noll när det inte finns någon riktningsrörelse på marknaden, och till ett när marknaden rör sig enkelriktat. Om prisdiagrammet är en rak linje blir effektivitetskoefficienten lika med en.

Utjämningskonstant

I nästa steg beräknas den variabla utjämningskonstanten ( SSC från den engelska skalade utjämningskonstanten ) som baseras på antagandet att den, beroende på effektivitetskoefficienten, ska ”komma ihåg” data för ett annat antal tidigare perioder. Det vill säga, på en trendmarknad bör du använda ett snabbt glidande medelvärde (beräknat på ett smalt fönster), och på en icke-trend marknad, ett långsamt glidande medelvärde (beräknat på ett brett fönster). Dessutom bör det specifika värdet på fönsterbredden erhållas automatiskt baserat på värdet på effektivitetsfaktorn [1] [2] :

${\textit {snabbaste}}={\frac {2}{f+1}}$

${\textit {slowest}}={\frac {2}{s+1}}$

${\textit {smooth}}_{t,n,f,s}={\textit {EfficiencyRatio}}_{t,n}\cdot ({\textit {snabbast}}-{\textit {långsammast )))+{\textit {långsammast)),$

var är de klassiska utjämningskoefficienterna för ett exponentiellt utjämnat glidande medelvärde, och är en varierande utjämningskonstant beräknad för tillfället , med hjälp av ett periodstorleksfönster för att bygga effektivitetskoefficienten , tar perioder som en snabb utjämningskoefficient och perioder som en långsam utjämningskoefficient . ${\textit {snabbast}},{\textit {långsammast}}$ ${smooth}_{t,n,f,s}$ $t$ ${\textit {EfficiencyRatio}}_{t,n}$ $n$ ${\textit {snabbaste}},f$ ${\textit {långsammast}},s$

För en mer effektiv effekt av den föränderliga utjämningskonstanten (SSC) i mycket bullriga marknadsområden med en svag trendkomponent, rekommenderar Kaufman att du använder den kvadratiska SSC som en dynamisk utjämningsfaktor i formlerna för exponentiellt utjämnade glidande medelvärden:

$c_{t,n,f,s}={\textit {smooth}}_{t,n,f,s}^{2}=({\textit {EfficiencyRatio}}_{t,n} \cdot ({\textit {snabbast}}-{\textit {långsammast}})+{\textit {långsammast}})^{2}.$

Adaptivt glidande medelvärde

Den slutliga formeln för det adaptiva glidande medelvärdet kommer att se ut så här [1] [2] :

${\textit {AMA}}_{t,n,f,s}=c_{t,n,f,s}\cdot {\textit {stäng}}_{t}+(1-c_{ t,n,f,s})\cdot {\textit {AMA}}_{t-1},$

var är värdena för det adaptiva glidande medelvärdet vid tidpunkten och (nuvarande och tidigare värden), är andra potensen av den föränderliga utjämningskonstanten, är slutkursen för den aktuella perioden . ${\textit {AMA}}_{t,n,f,s},{\textit {AMA}}_{t-1,n,f,s}$ $t$ $t-1$ ${\displaystyle c_{t,n,f,s))$ ${\textit {stäng}}_{t}$ $t$

Ursprungliga parametervärden

Kaufman använde [1] som ursprungliga parametrar :

$n=10$ (för beräkningsfönstret för effektivitetsfaktor),
$f=2$ (för ett snabbt glidande medelvärde),
$s=30$ (för ett långsamt glidande medelvärde).

När vi ersätter de angivna parametrarna i formlerna får vi (med den ursprungliga avrundningen):

${\textit {riktning}}_{t,10}=|{\textit {stäng}}_{t}-{\textit {close}}_{t-9}|$

${\textit {volatility}}_{t,10}=\sum _{i=0}^{9}|{\textit {stäng}}_{ti}-{\textit {stäng}}_ {ti-1}|$

${\textit {EfficiencyRatio}}_{t,10}={\frac ({\textit {riktning}}_{t,10}}{{\textit {volatility}}_{t,10}} }={\frac {{\textit {stäng}}_{t}-{\textit {stäng}}_{t-9}}{\sum _{i=0}^{9}|{\textit { stäng}}_{ti}-{\textit {stäng}}_{ti-1}|}}$

${\textit {snabbast}}={\frac {2}{2+1}}={\frac {2}{3}}=0,6667$

${\textit {slowest}}={\frac {2}{30+1}}={\frac {2}{31}}=0,06452$

${\textit {smooth}}_{t,10,2,30}={\textit {EfficiencyRatio}}_{t,10}\cdot ({\textit {snabbast}}-{\textit {långsammast }})+{\textit {slowest}}={\textit {EfficiencyRatio}}_{t,10}\cdot 0.6021+0.0645$

$c_{t,10,2,30}={\textit {smooth}}_{t,10,2,30}^{2}=({\textit {EfficiencyRatio}}_{t,10} \cdot 0,6021+0,0645)^{2}$

${\textit {AMA}}_{t,10,2,30}=c_{t,10,2,30}\cdot {\textit {stäng}}_{t}+(1-c_{ t,10,2,30})\cdot {\textit {AMA}}_{t-1,10,2,30}.$

Handelsstrategier

Handelsstrategier baserade på Kaufmans adaptiva glidande medelvärde är gemensamma för alla trendindikatorer [1] :

Öppna en lång position (stäng en kort position) när prisdiagrammet korsar AMA-diagrammet nerifrån och upp.
Stäng en lång position (öppna en kort position) när prisdiagrammet korsar AMA-diagrammet uppifrån och ned.

Det är viktigt att notera att AMA ändrar riktningen för sin rörelse exakt vid skärningspunkten för dess diagram med prisdiagrammet, det vill säga för handel räcker det att jämföra de nuvarande och tidigare värdena för indikatorn [ 2] :

Öppna en lång position (stäng en kort position) när det aktuella värdet på AMA har blivit större än dess tidigare värde.
Stäng en lång position (öppna en kort position) när det aktuella AMA-värdet är mindre än dess tidigare värde.

Filtrering

Trots den dynamiska justeringen av det adaptiva glidande medelvärdet till marknadens volatilitet, trodde Kaufman att hans indikator gav för många falska signaler [1] . Därför föreslog jag en ytterligare filtreringsteknik baserad på uppskattningen av standardavvikelsen för den adaptiva glidande medelvärdesskillnaden på intilliggande perioder [1] [2] .

För att göra detta tas förändringen i AMA mellan perioder som den slumpmässiga variabeln som studeras:

$\Delta _{i}={\textit {AMA}}_{i}-{\textit {AMA}}_{i-1}.$

Sedan beräknas standardavvikelsen för denna förändring:

$\sigma _{t}={\sqrt ({\frac {1}{d))\sum _{i=0}^{d-1}\left(\Delta _{ti}-{\ stapel {\Delta _{t))}\right)^{2))},$

var är standardavvikelsen för förändringar i angränsande perioder - , är den matematiska förväntan för perioderna. ${\displaystyle \sigma _{t))$ $AMA$ $\Delta _{i}$ ${\bar {\Delta }}_{t}={\frac {1}{d}}\sum _{i=0}^{d-1}\Delta _{ti}$ $\Delta _{i}$ $d$

Bråkdelen av den resulterande standardavvikelsen används som ett filter:

${\textit {filter}}_{t}=K\cdot \sigma _{t},$

där är filtervärdet baserat på standardavvikelsen för indikatorrörelser, är en procentuell koefficient. ${\textit {filter}}$ $K$

Numeriska värden för filtret

Ofta, som perioden d för filtret, tas samma antal perioder som för att konstruera effektivitetskoefficienten [1] [2] :

$d=n=10.$

När det gäller procentkoefficienten för filtret - , rekommenderade Kaufman att använda olika värden, till exempel för terminer och på valutamarknaden , använd värden på cirka 10% ( ), och på aktiemarknaden - upp till 100% ( ) . $K$ $K=0.1$ $K=1$

Handelsstrategier med hjälp av filter

När du använder ett adaptivt glidande medelvärde med ett filter rekommenderar analytiker att du följer följande strategi [1] [2] :

Öppna en lång position (stäng en kort position) när . ${\textit {AMA}}_{t}-{\textit {min}}({\textit {AMA}})>{\textit {filter}}_{t}$
Stäng en lång position (öppna en kort position) när . ${\textit {max}}({\textit {AMA}})-{\textit {AMA}}_{t}>{\textit {filter}}_{t}$

I dessa formler - det lägsta värdet för AMA vid pivotpunkten nerifrån och upp, - det maximala värdet för AMA vid pivotpunkten uppifrån och ner, - filtervärdet baserat på standardavvikelsen för indikatorrörelserna. ${\textit {min}}({\textit {AMA}})$ ${\textit {max}}({\textit {AMA}})$ ${\textit {filter}}$

Samband med andra indikatorer

Förutom det faktum att Kaufman Adaptive Moving Average är ett slags glidande medelvärde som använder den exponentiellt utjämnade glidande medelvärdestekniken , är det värt att notera att indikatorn för förändringshastighet faktiskt används för att beräkna effektivitetsförhållandet (för perioden för riktning). och summan av en period för volatilitet ).

Du kan också vara uppmärksam på det faktum att det var Kaufman som var den första att använda uppskattningar baserade på standardavvikelser (här för att bygga ett filter), som senare användes i en eller annan form av många analytiker, särskilt i Bollinger Bands [ 2] .

Anteckningar

↑ 1 2 3 4 5 6 7 8 9 10 11 Perry J. Kaufman Smarter Trading: Improving Performance in Changing Markets - McGraw-Hill, Inc., 1995, 257 sid. — ISBN 0-07-034002-1
↑ 1 2 3 4 5 6 7 8 9 10 11 12 Dynamiska glidande medelvärden. Del 2. Arkivexemplar daterad 7 september 2012 på Wayback Machine // Konstantin Kopyrkin, Modern Trading, nr 5–6, 2001. S. 8–12.
↑ Adaptive Moving Average Artikel Arkiverad 2012-06-04. på KROUFRs hemsida .
↑ Erlikh A. A. Teknisk analys av råvaru- och finansmarknader: En tillämpad guide. - 2:a uppl. - M.: INFRA-M, 1996. - 176 sid. ISBN 5-86225-346-7
↑ Jeffrey Owen Katz, Donna L. McCormick. Encyclopedia of trading strategies - M. Alpina Publisher, 2002. 400 sid. - ISBN 5-94599-028-0

Litteratur

Perry J. Kaufman Smarter Trading: Improving Performance in Changing Markets - McGraw-Hill, Inc. - 1995-257 sid. - ISBN 0-07-034002-1 .

Teknisk analys
Grundläggande koncept	trend Den effektiva marknadshypotesen en spontan promenad Tidsram Dow teori Korrektion trendlinjer Mekaniskt handelssystem mönster Handelsvolym skalpering Glipa Elliott Wave Theory Byt glas handelskanal Ergodicitet
Grafer	Kagi Luffarschack Renko Japanska ljus
Indikatorer	KST Trix Williams %R Adaptivt glidande medelvärde Kaufman Balansvolym Vapenindex Kassaflödesindex Massindex Ackumulerings-/fördelningsindex Relativ styrka Index Råvarukanalindex Negativa och positiva volymindex MACD-indikator Ichimoku-indikator Donchyan kanal Keltner kanal Coppock kurva Enkel rörelse Bollinger band Stig/fall linje Momentum Ultimate oscillator McClellan Oscillator Paraboliskt tid/prissystem Riktningsrörelsesystem glidande medelvärde Stokastisk oscillator Antalet öppna positioner Pris- och volymtrend Japanska ljus
programvara	CQG MetaTrader NetTradeX QUIK TraderStar VolFix.Net Wealth Lab
Analytiker	Edward Davis Jones Richard Donchian Charles Dow Edward Thorpe Ralph Nelson Elliott