Eksponensiële bewegende gemiddelde afgeleide

Ek het 'n deurlopende waarde waarvoor id graag 'n eksponensiële bewegende gemiddelde te bereken. Normaalweg id gebruik net die standaard formule hiervoor: waar S n die nuwe gemiddelde, Alpha is die alfa, Y is die monster, en S N-1 is die vorige gemiddelde. Ongelukkig, as gevolg van verskeie kwessies Ek het nie 'n konsekwente monster tyd. Ek kan weet ek kan proe op die meeste, sê, een keer per millisekonde, maar as gevolg van faktore buite my beheer, kan ek nie in staat wees om 'n monster te neem vir 'n paar millisekondes op 'n slag. A waarskynlik meer algemeen geval, egter, is dat ek eenvoudig monster 'n bietjie vroeg of laat: in plaas van monsterneming by 0, 1 en 2 ms. Ek proe by 0, 0.9 en 2.1 Me. Ek het verwag dat, ongeag van vertragings, sal my monsterfrekwensie ver, ver bo die Nyquist limiet, en dus ek hoef nie bekommerd oor aliasing. Ek reken dat ek kan gaan met hierdie in 'n min of meer redelike wyse deur wisselende die alfa toepaslik, gebaseer op die lengte van die tyd sedert die laaste voorbeeld. Deel van my redenasie dat dit sal werk, is dat die EMO interpolates lineêr tussen die vorige data punt en die huidige een. As ons kyk na die berekening van 'n EMO van die volgende lys van monsters met tussenposes t: 0,1,2,3,4. Ons moet dieselfde resultaat te kry as wat ons gebruik interval 2t, waar die insette geword 0,2,4, reg As die EMO het aanvaar dat, by t 2 ter waarde het 2 sedert t 0. wat dieselfde is as die interval t berekening berekening op 0,2,2,4,4, wat sy nie doen sou wees. Of beteken dit sin maak glad Kan iemand my vertel hoe om wissel die alfa gepas Dui asseblief jou werk. Maw wys my die wiskunde wat bewys dat jou metode regtig doen die regte ding. gevra 21 Junie 09 by 13:05 Jy shouldn39t dieselfde EMO vir verskillende insette te kry. Dink aan EMO as 'n filter, monsterneming by 2t is gelykstaande aan af steekproefneming, en die filter gaan na 'n ander uitset gee. Dit vir my duidelik sedert 0,2,4 bevat hoër frekwensie komponente as 0,1,2,3,4. Tensy die vraag is, hoe kan ek die filter verander op die vlieg te maak dit dieselfde uitset gee. Dalk mis ek iets uitvoering Free Space 21 Junie 09 by 15:52 Maar die insette is nie verskillende, it39s net minder dikwels getoets. 0,2,4 met tussenposes 2t is soos 0, 2, 4 met tussenposes t, waar die blyk dat die monster geïgnoreer uitvoering maak Curt Sampson 21 Junie 09 om 23:45 Dit antwoord op grond van my goeie begrip van lae-pass filters (eksponensiële bewegende gemiddelde is regtig net 'n enkel-paal laagdeurlaatfilter), maar my vaag begrip van wat jy soek. Ek dink die volgende is wat jy wil hê: Eerstens, kan jy jou vergelyking 'n bietjie (lyk meer ingewikkeld, maar sy makliker in kode) te vereenvoudig. Im gaan Y gebruik vir produksie en X vir insette (in plaas van S vir uitvoer en Y vir insette, soos jy gedoen het). Tweedens, die waarde van alfa hier is gelyk aan 1-e - Deltat / TLU waar Deltat is die tyd tussen monsters, en TLU is die tydkonstante van die laaglaatfilter. Ek sê gelyke in aanhalingstekens, want dit werk goed wanneer Deltat / TLU is klein in vergelyking met 1, en alfa 1-e - Deltat / TLU asymp Deltat / TLU. (Maar nie te klein: youll loop in quantizing kwessies, en tensy jy terugval op 'n eksotiese tegnieke wat jy gewoonlik nodig om 'n ekstra N stukkies resolusie in jou toestand veranderlike S, waar N - Teken 2 (alfa).) Vir groter waardes van Deltat / TLU die filter effek begin om te verdwyn, totdat jy die punt waar Alpha is naby aan 1 en julle basies net die toeken van die insette om die uitset. Dit moet behoorlik werk met wisselende waardes van Deltat (die variasie van Deltat is nie baie belangrik solank Alpha is klein, anders sal jy hardloop in 'n paar eerder vreemd Nyquist kwessies / aliasing / ens), en as jy is besig om op 'n verwerker waar vermenigvuldiging is goedkoper as afdeling, of vaste punt kwessies is belangrik, precalculate omega 1 / TLU, en oorweeg probeer om die formule vir Alpha benader. As jy regtig wil weet hoe om die formule alfa 1-e - Deltat / TLU lei dan kyk sy differensiaalvergelyking bron: wat, wanneer X is 'n eenheid stap funksie, het die oplossing Y 1 - e t / TLU. Vir klein waardes van Deltat, kan die afgeleide benader word deur DeltaY / Deltat, opbrengs Y TLU DeltaY / Deltat X DeltaY (XY) (Deltat / TLU) alfa (XY) en die ekstrapolasie van alfa 1-e - Deltat / TLU kom uit probeer om aan te pas tot die gedrag met die eenheid stap funksie geval. Kan jy uitbrei oor die quottrying aan te pas om die behaviorquot deel ek verstaan ​​jou kontinue-tyd oplossing Y 1 - exp (-t47) en sy veralgemening 'n afgeskaal stap funksie met grootte x en aanvanklike toestand y (0). maar I39m nie sien hoe hierdie idees saam te stel om jou resultaat te bereik. uitvoering maak Rhys Ulerich 4 Mei 13 aan 22:34 Dit is nie 'n volledige antwoord nie, maar kan die begin van een. Sy sover ek het met hierdie in 'n uur of so van speel Im plaas dit as 'n voorbeeld van wat Im op soek na, en miskien 'n inspirasie vir ander werk aan die probleem. Ek begin met S 0. wat is die gemiddelde as gevolg van die vorige gemiddelde s -1 en die monster Y 0 geneem by t 0. (T 1 - t 0) is my voorbeeld interval en Alpha is ingestel op alles wat geskik is vir daardie monster interval en die tydperk waaroor ek wil gemiddeld. Ek het gesien hoe wat gebeur as ek die monster by t 1 mis en plaas moet klaarkom met die monster Y 2 geneem by t 2. Wel, kan ons begin deur die uitbreiding van die vergelyking om te sien wat sou gebeur het as ons Y 1 gehad het: Ek sien dat die reeks lyk oneindig verleng hierdie manier, want ons kan vervang die S N in die regterkant onbepaald: Ok , sodat sy nie regtig 'n polinoom (dom my), maar as ons die aanvanklike termyn vermenigvuldig met een, sien ons dan 'n patroon: Hm: sy 'n eksponensiële reeks. Quelle verrassing Verbeel uit te kom van die vergelyking vir 'n eksponensiële bewegende gemiddelde Dus in elk geval, ek het hierdie x 0 x 1 x 2 x 3. ding aan die gang, en Im seker Im ruik e of 'n natuurlike logaritme skop hier rond, maar ek kan nie onthou waar ek was op pad langs voordat ek tyd uitgehardloop het. Enige antwoord op hierdie vraag, of enige bewys van korrektheid van so 'n antwoord, hoogs afhanklik van die data jy meet. As jou monsters is geneem by t 0 0ms. t 1 0.9ms en t 2 2.1ms. maar jou keuse van Alpha is gebaseer op 1-me-intervalle, en dus wat jy wil 'n plaaslik aangepas Alpha N. die bewys van die korrektheid van die keuse sou beteken om te weet die monster waardes by t1ms en t2ms. Dit lei tot die vraag: Kan jy jou data interpoleer resonably om sane raaiskote oor wat tussenin waardes kon gewees het, of jy kan selfs interpoleer die gemiddelde self As nie een van hierdie is moontlik, dan is sover ek dit sien, die logiese keuse van 'n in-tussen waarde Y (t) is die mees onlangs bereken gemiddelde. maw Y (t) asymp S N waar n maxmial sodanig dat T N LTT. Hierdie keuse het 'n eenvoudige gevolg: Laat Alpha alleen, maak nie saak wat die tydsverskil was. As, Aan die ander kant, is dit moontlik om jou waardes interpoleer, dan sal dit jou averagable konstante-interval monsters gee. Laastens, as sy selfs moontlik om die gemiddelde self interpoleer, wat sou die vraag betekenisloos maak. antwoord 21 Junie 09 by 15:08 balpha 9830 25.7k 9679 9 9679 84 9679 115 Ek sou dink ek kan my data interpoleer: gegee dat I39m monsterneming dit op diskrete intervalle, I39m doen al so met 'n standaard EMO In elk geval, aanvaar dat ek nodig het 'n quotproofquot wat wys dit werk, asook 'n standaard EMO, wat ook sal 'n verkeerde gevolg produseer indien die waardes nie redelik vlot verander tussen monster tydperke. â € Curt Sampson 21 Junie 09 by 15:21 Maar that39s wat I39m gesê: As jy die EMO oorweeg 'n interpolasie van jou waardes, you39re gedoen as jy alfa laat soos dit is (omdat die inbring van die mees onlangse gemiddelde as Y die gemiddelde doesn39t verander) . As jy sê dat jy iets wat sowel quotworks as 'n standaard EMAquot nodig - what39s fout met die oorspronklike Tensy jy meer inligting oor die data you39re meet, sal 'n plaaslike aanpassings aan alfa op sy beste arbitrêre wees. â € balpha 9830 21 Junie 09 by 15:31 Ek sal die alfa waarde uitlos, en die ontbrekende data in te vul. Aangesien jy nie weet wat gebeur tydens die tyd wanneer jy monster kan nie, kan jy die monsters te vul met 0'e, of in besit wees van die vorige waarde stabiele en gebruik daardie waardes vir die EMO. Of 'n paar agtertoe interpolasie wanneer jy 'n nuwe monster, vul in die ontbrekende waardes, en recompute die EMO. Wat ek probeer by te kry is jy 'n inset xn wat gate het. Daar is geen manier om die waarheid te sê jy mis data te kry. Sodat jy kan 'n bevel in die hande nul gebruik, of sit dit aan nul, of 'n soort van interpolasie tussen xn en xnM. waar m die aantal vermiste monsters en N die begin van die gaping. Moontlik selfs met behulp van waardes voor n. antwoord 21 Junie 09 by 13:35 Van spandeer 'n uur of so mucking oor 'n bietjie met die wiskunde vir hierdie, ek dink dat net die verandering van die alfa eintlik die behoorlike interpolasie tussen die twee punte wat jy praat oor sal gee my nie, maar in 'n baie makliker manier. Verder dink ek dat wisselende die alfa sal ook properply hanteer monsters geneem tussen die standaard monsterneming tussenposes. Met ander woorde, I39m op soek na wat jy beskryf, maar probeer om wiskunde te gebruik om uit te vind die eenvoudige manier om dit te doen. â € Curt Sampson 21 Junie 09 by 14:07 Ek don39t dink daar is so 'n dier as quotproper interpolationquot. Jy don39t net weet wat gebeur het in die tyd wat jy is nie monsterneming. Goeie en slegte interpolasie impliseer 'n bietjie kennis van wat jy gemis het, omdat jy nodig het om te meet teen daardie om te oordeel of 'n interpolasie is goed of sleg. Alhoewel dit gesê, kan jy beperkings plaas, dit wil sê met 'n maksimum versnelling, spoed, ens Ek dink as jy nie weet hoe om die vermiste datamodel, dan sal jy net 'n model van die vermiste data, dan pas die EMO algoritme met geen verandering, eerder as die verandering van alfa. Net my 2c :) â € Free Space 21 Junie 09 by 14:17 Dit is presies wat ek besig was om te in my wysig om die vraag 15 minute gelede: quotYou eenvoudig don39t weet wat gebeur het in die tyd wat jy is nie steekproefneming, quot maar that39s ware selfs as jy proe aan elke aangewese interval. So my Nyquist nadenke: so lank as wat jy weet die golf vorm doesn39t verandering aanwysings meer as elke paar monsters, die werklike voorbeeld interval shouldn39t saak, en moet in staat wees om te wissel. Die EMO vergelyking lyk vir my presies te bereken asof die golfvorm lineêr verander van die laaste monster waarde tot die huidige een. â € Curt Sampson 21 Junie 09 by 14:26 Ek don39t dink dit is heeltemal waar nie. Nyquist39s stelling vereis vereis ten minste 2 voorbeelde per tydperk in staat wees om die sein uniek identifiseer. As jy don39t dit te doen, kry jy aliasing. Dit sou dieselfde wees as voorbeeld as FS1 vir 'n tyd, dan fs2, dan terug na FS1 wees, en jy aliasing in die data wanneer jy monster met fs2 as fs2 is onder die Nyquist limiet. Ek moet ook erken dat ek nie verstaan ​​wat jy bedoel met quotwaveform veranderinge lineêr van verlede monster huidige onequot. Kan jy asseblief verduidelik Cheers, Steve. â € Free Space 21 Junie 09 by 14:36 ​​Dit is soortgelyk aan 'n oop probleem op my todo lys. Ek het 'n skema uitgewerk tot 'n mate, maar het nie 'n wiskundige werk om hierdie voorstel nog terug. Dateer opsomming amp: wil graag die smoothing faktor (alfa) onafhanklik van die vergoeding faktor (wat ek verwys as beta hier) te hou. Jasons uitstekende antwoord hier reeds aanvaar werk baie goed vir my. As jy ook die tyd sedert die laaste monster geneem is (in afgeronde veelvoude van jou konstante monsterneming tyd - so 7,8 ms sedert verlede monster sal wees 8 eenhede) kan meet, kan dit gebruik word om die glad verskeie kere toe te pas. Pas die formule 8 keer in hierdie geval. Jy het effektief gemaak glad bevooroordeeld meer in die rigting van die huidige waarde. Om 'n beter glad te kry, moet ons die alfa aanpas, terwyl die toepassing van die formule 8 keer in die vorige geval. Wat sal hierdie smoothing benadering mis Dit het reeds gemis 7 monsters in die voorbeeld hierbo Dit is benader in stap 1 met 'n plat heraansoek van die huidige waarde 'n bykomende 7 keer as ons 'n benadering faktor beta wat aangewend sal word saam met alfa definieer (soos alphabeta in plaas van net alfa), sal ons die veronderstelling dat die 7 gemis monsters is glad verandering tussen die vorige en huidige monster waardes. antwoord 21 Junie 09 by 13:35 Ek het dink oor hierdie, maar 'n bietjie van mucking oor die wiskunde het my tot die punt waar ek glo dat, eerder as om die toepassing van die formule agt keer met die monster waarde, kan ek 'n berekening te doen van 'n nuwe alfa wat my sal toelaat om die formule een keer aansoek doen, en gee my dieselfde resultaat. Verder sou dit outomaties te gaan met die probleem van monsters verreken uit presiese voorbeeld keer. â € Curt Sampson 21 Junie 09 by 13:47 Die enkele aansoek in orde is. Wat ek is nie seker oor nog is hoe goed is die aanpassing van die 7 ontbrekende waardes. As die voortdurende beweging oor die 8 millisekondes maak die waarde beweging 'n baie, kan die benaderings nogal uit die werklikheid. Maar, dan as jy monsterneming by 1ms (hoogste resolusie uitgesluit die vertraagde monsters) het jy reeds die beweging uitgepluis binne 1ms is nie relevant. Is hierdie redenasie werk vir jou (ek is nog steeds probeer om myself te oortuig). â € nik 21 Junie 09 by 14:08 Reg. Dit is die faktor beta van my beskrywing. 'N beta faktor sal bereken word op grond van die verskil interval en die huidige en vorige monsters. Die nuwe Alpha sal wees (alphabeta), maar dit sal slegs gebruik word vir daardie monster. Terwyl jy blyk te wees 39moving39 die alfa in die formule, ek is geneig om die rigting van konstante alfa (glad faktor) en 'n onafhanklik bereken beta (a tuning faktor) wat vergoed vir monsters nou net gemis. â € nik 21 Junie 09 by 15: 236. Afgeleide van die eksponensiële funksie Die afgeleide van e x is merkwaardig. Die uitdrukking vir die afgeleide is dieselfde as die uitdrukking dat ons met dié begin is, e x Wat beteken dit Dit beteken dat die helling is dieselfde as die funksiewaarde (y - waarde) vir alle punte op die grafiek. Voorbeeld: Kom ons neem die voorbeeld toe x 2. Op hierdie punt, die y - waarde is e 2 asymp 7.39. Sedert die afgeleide van e x is e x. dan is die helling van die raaklyn by x 2 is ook e 2 asymp 7.39. Ons kan sien dat dit waar is op die grafiek: Kom nou sien of dit waar is op 'n ander waardes van x. Ons kan sien dat by x 4, die y - waarde is 54,6 en die helling van die raaklyn (in rooi) is ook 54,6. Op x 5, die y - waarde is 148,4, soos die waarde van die afgeleide en die helling van die raaklyn (in groen). Ander formules vir Afgeleides van eksponensiële funksies as jy is 'n funksie van x. kan ons die afgeleide van 'n uitdrukking in die vorm e u verkry: As ons 'n eksponensiële funksie met 'n paar basis b. Ons het die volgende afgeleide: Hierdie formules afgelei vanuit grondbeginsels konsepte. Sien die hoofstuk oor eksponensiale en logaritmiese funksies as jy 'n opknappingskursus op eksponensiële funksies moet voor die aanvang van hierdie afdeling. Voorbeeld 1 Bepaal die afgeleide van y 10 3 x. Voorbeeld 2 Die 8220MACD Approach8221 tot afgeleide (tempo van verandering) Beraming Hierdie bladsy beskryf die 8220MACD approach8221 vir filter om afgeleides (tempo van verandering van veranderlikes met verloop van tyd), en tweede afgeleides sowel skat. Dit is deel van die afdeling oor filter wat deel is van 'n Gids tot Fout opsporing en diagnose .. 'n Oorsig oor die MACD (dubbele filter verskil) te benader Die sentrale idee is om 'n swaar gefiltreer waarde van 'n liggies gefiltreer waarde aftrek, soos getoon in die volgende blokdiagram. (A skalering faktor moet toegepas word, nie hier getoon.) In hierdie diagram, die filters is eksponensiële filters. met tyd konstantes Dit. Die uiterste geval met 0 (geen lig filter enigsins) is ook ingesluit, soos bespreek in 'n spesiale afdeling later. Dit wil sê, net trek 'n swaar gefiltreer waarde van die huidige waarde. Dit is intuïtief beroep: rofweg gesproke, die lig gefiltreer waarde by benadering 'n onlangse waarde, en die swaar gefiltreer waarde by benadering 'n ouer waarde. Afgeleides is die verskil tussen 'n onlangse waarde en 'n ou waarde, na te deel deur 'n skaalfaktor wat 'n tyd interval. Die oorspronklike 8220MACD8221 afkorting staan ​​vir 8220Moving Gemiddeld Konvergensie Divergence8221. Dit terminologie beskryf 'n spesifieke berekening gebruik word vir tendens analise vir beleggings. In daardie geval, die hart van die berekening behels eksponensiële filters met 12 weke en 26 weke tyd konstantes. Daardie spesifieke MACD berekening gooi ook in 'n ander 9 weke eksponensiële filter in reeks om die afgeleide raming nog meer filtreer, en ook in staat stel skatting van die tweede afgeleide. Hier gebruik ons ​​die terminologie 8220MACD approach8221 om die idee van die neem van die verskil van twee filter uitgange 'n afgeleide skat beteken. Dit 8220moving average8221 deel van die MACD afkorting misbruik die ARMA 8220moving average8221 terminologie. want daar is geen insette geskiedenis wat gebruik word - net die huidige insette. Dit benaming het voortgegaan om die ongelukkige praktyk (in voorraad analise en 'n paar ander plekke) van 'n beroep 'n eksponensiële filter n 8220exponentially geweeg beweeg average8221 (EWMA of EMO), selfs al is dit nie 'n bewegende gemiddelde gebruik van tradisionele tydreekse taal. Effekte van die tydkonstante vir eksponensiële filters in 'n MACD benadering By die gebruik van eksponensiële filters met 'n vaste monster tydsinterval, is die tydskaal wat gebaseer is op die monster tyd. Om te skakel na die tyd afgeleide, verdeel die opbrengs deur die monsterneming interval tyd. Waarom MACD skat die tyd afgeleide Jy kan die verduideliking van hierdie benadering te slaan en net gebruik die resultate hierbo. Die analise wat volg is vir die deurlopende tyd (analoog) ekwivalent van hierdie digitale filters. Ons doen 'n paar 8220hand waving8221 dat die filter uitsette vir die analoog en digitale eerste orde lags is dieselfde by die monsterneming keer, wanneer die digitale 8220smoothing8221 konstante ( 'n getal tussen 0 en 1) is ingestel op grond van die tydkonstante. Dit word in die afdeling oor die eksponensiële filter. Deur te kyk na die voortdurende tyd ekwivalent, kan ons Laplace transforms, wat waarskynlik meer algemeen bekend is as die Z-transforms van diskrete tydstelsels te gebruik. Die ekwivalent van die MACD diagram hierbo kan dan deur die volgende blokdiagram, waar die eksponensiële filters vervang deur die ooreenstemmende eerste-orde lags: Ons kan dan skryf die wins G (s) van hierdie stelsel as Dit is die MACD berekening is die ekwivalent van dieselfde twee filters in reeks, in serie met 'n onderskeidende faktor. Die wins term vir die algehele blok is die verskil van die tyd konstantes. In blokdiagram vorm, dit is: Die spesiale geval van 'n enkel-filter in die spesiale geval van 0, die eerste blok in die ekwivalent diagram hierbo het geen dinamika - net 'n wins van 1, wat geïgnoreer kan word nie. Toe die afgeleide raming net gefiltreerde deur die enkele filter met tydkonstante en wins. Dit is die gevolg van die eenvoudigste beramer - wanneer jy net 'n gefilterde waarde van die invoerwaarde aftrek. In blokdiagram vorm, die implementering is net: 'n benadering vir lae frekwensies Die vorige formule vir die MACD gewin kan herskryf word as: Vir laer frekwensies, s benaderings nul, sodat die s kwadraat termyn kan verwaarloos as 'n benadering. Na wegdoen daardie kwartaal, die blokdiagram van die stelsel is ongeveer Dit is, ons het 'n eerste-orde filter (lag) in serie met 'n onderskeidende faktor met 'n wins. Die eerste orde filter het 'n tydkonstante gelykstaande aan die som van die oorspronklike tyd konstantes. Die wins term vir die algehele blok is die verskil van die tyd konstantes. MACD vir die beraming van die tweede afgeleide Die volle MACD berekening behels 3 eksponensiële filters. Die afgeleide raming hierbo beskryf, wanneer geplot op 'n grafiek, is die 8220MACD line8221 genoem. 'N Bykomende filter genoem die 8220signal filter8221 dan verder die MACD uitset (met 'n 9-week tydkonstante vir die tipiese MACD berekening) filters. Die uitset van die sein filter staan ​​bekend as die 8220signal8221. A aftrek (MACD - sein) staan ​​bekend as die 8220histogram8221, nie, want dit is 'n werklike histogram in normale waarskynlikheid gebruik, maar waarskynlik omdat dit gewoonlik gestip met tralies. Die 8220histogram8221 is 'n skatting van die tweede afgeleide, met bykomende wins en tydkonstante van die sein filter. Die 8220histogram8221 skat die tweede afgeleide, omdat, soos vroeër aangedui, af te trek 'n gefilterde veranderlike uit die veranderlike genereer 'n skatting van die tyd afgeleide. Die insette van die sein filter is reeds die eerste afgeleide, sodat die 8220histogram8221 skat die afgeleide van daardie, die tweede afgeleide kry. Daar is reeds genoeg filter in plek wat dit neem net die een addisionele 8220signal8221 filter om die tweede afgeleide skat. Die Wikipedia-artikel oor MACD gee 'n goeie visualisering van die berekeninge vir aandele prys analise, met 'n voorbeeld grafiek. In 8220technical voorraad analysis8221, 8220velocity8221 beteken afgeleide, en 8220acceleration8221 beteken tweede afgeleide. Voordele en nadele van die 8220MACD approach8221 Die voordele is eenvoud, minimale berekening, en 'n minimale data stoor. Die twee eksponensiële filters is maklik om te implementeer en wyd beskikbaar in bestaande stelsels. Eksponensiële filters het 'n minimale geheue vereiste vir data - net die vorige uitset, en die vinnigste berekening (met die aanvaarding vaste tyd monsterneming grootte). Die MACD benadering neem baie minder berekening as 'n volle kleinstekwadrate filter. Hoewel die spesiale geval van die Savitzky-Golay filter is vergelykbaar vir sy eenvoud en computational moeite. Die resultate is baie glad verandering uitsette, swaar uitgesak sodat daar geen oorskiet in die afgeleide raming. Een nadeel is die ekstra lag in vergelyking met, sê, 'n kleinste kwadrate filter. Ook, kan 'n paar ongemaklike met die feit dat dit 'n oneindige impulsrespons (IIR) filter wees. As gevolg hiervan, na aanleiding van 'n stap verandering, die teken van die afgeleide raming sal dieselfde bly in wese vir ewig as dit verval tot nul. In die werklike wêreld, sal die insette voortdurend veranderende, so dit is onwaarskynlik dat 'n probleem te wees nie. Eksponensiële filters is IIR filters, maar is swaar in beheer stelsels. Kopiereg 2010 - 2013, Greg StanleyExponential Filter Hierdie bladsy beskryf eksponensiële filter, die eenvoudigste en mees gewilde filter. Dit is deel van die artikel filter wat deel is van 'n Gids tot Fout opsporing en diagnose .. Oorsig, tydkonstante, en analoog gelykstaande Die eenvoudigste filter is die eksponensiële filter. Dit het net een stem parameter (behalwe die voorbeeld interval). Dit vereis dat die berging van slegs een veranderlike - die vorige uitset. Dit is 'n IIR (outoregressiewe) filter - die gevolge van 'n inset verandering verval eksponensieel tot die grense van uitstallings of rekenaar rekenkundige wegsteek nie. In verskeie dissiplines, is die gebruik van hierdie filter ook verwys na as 8220exponential smoothing8221. In sommige dissiplines soos belegging analise, is die eksponensiële filter genoem 'n 8220Exponentially Geweegde Moving Average8221 (EWMA), of net 8220Exponential Moving Average8221 (EMA). Dit misbruik die tradisionele ARMA 8220moving average8221 terminologie van tydreeksanalise, want daar is geen insette geskiedenis wat gebruik word - net die huidige insette. Dit is die diskrete tyd ekwivalent van die 8220first orde lag8221 algemeen gebruik in analoog modellering van kontinue-tyd stelsels. In elektriese stroombane, 'n RC filter (filter met een weerstand en een kapasitor) is 'n eerste-orde lag. Wanneer die klem op die analogie te analoog stroombane, die enkele stem parameter is die 8220time constant8221, gewoonlik geskryf as die kleinletter Griekse letter Tau (). Trouens, die waardes van die diskrete monster tye presies ooreenstem met die ekwivalent deurlopende tydsverloop met dieselfde tyd konstant. Die verhouding tussen die digitale implementering en die tydkonstante word in die onderstaande vergelykings. Eksponensiële filter vergelykings en inisialisering Die eksponensiële filter is 'n geweegde kombinasie van die vorige skatting (uitset) met die nuutste insette data, met die som van die gewigte gelyk aan 1 sodat die uitset ooreenstem met die insette by gestadigde toestande. Na aanleiding van die filter notasie reeds bekendgestel: y (k) ay (k-1) (1-a) x (k) waar x (k) is die rou insette ten tye stap ky (k) is die gefilterde uitset ten tye stap ka is 'n konstante tussen 0 en 1, gewoonlik tussen 0.8 en 0.99. (A-1) of 'n word soms die 8220smoothing constant8221. Vir stelsels met 'n vaste tyd stap T tussen monsters, is die konstante 8220a8221 bereken en gestoor vir die gemak net vir die program ontwikkelaar spesifiseer 'n nuwe waarde van die verlangde tyd konstant. Vir stelsels met monsterneming data op ongereelde tussenposes, moet die eksponensiële funksie hierbo gebruik word met elke keer stap, waar t die tyd sedert die vorige voorbeeld. Die filter uitset is gewoonlik geïnisialiseer die eerste insette te pas. Soos die tydkonstante benaderings 0, 'n gaan na nul, so daar is geen filter 8211 die uitset is gelyk aan die nuwe insette. Soos die tydkonstante kry baie groot, 'n benaderings 1, sodat nuwe insette byna geïgnoreer 8211 baie swaar filter. Die filter vergelyking hierbo kan herrangskik in die volgende voorspeller-corrector ekwivalent: Hierdie vorm maak dit meer duidelik dat die veranderlike skatting (uitset van die filter) word voorspel as onveranderd teenoor die vorige skatting y (k-1) plus 'n regstelling termyn gebaseer op die onverwagte 8220innovation8221 - die verskil tussen die nuwe insette x (k) en die voorspelling y (k-1). Hierdie vorm is ook die gevolg van die afleiding van die eksponensiële filter as 'n eenvoudige spesiale geval van 'n Kalman filter. wat is die optimale oplossing vir 'n skatting probleem met 'n bepaalde stel aannames. Stap reaksie Een manier om te visualiseer die werking van die eksponensiële filter is om sy reaksie verloop van tyd tot 'n stap insette plot. Dit wil sê, wat begin met die filter toevoer en afvoer by 0, is die insetwaarde skielik verander na 1. Die gevolglike waardes word hieronder aangestip: In die bogenoemde plot, is die tyd gedeel deur die filter tydkonstante TLU, sodat jy kan meer maklik voorspel die resultate vir enige tydperk, vir enige waarde van die filter tydkonstante. Na 'n tyd gelyk aan die tydkonstante, die filter uitset styg tot 63,21 van sy finale waarde. Na 'n tyd gelyk aan 2 keer konstantes, die waarde styg tot 86,47 van sy finale waarde. Die uitset na tye gelyk aan 3,4 en 5 keer konstantes is 95,02, 98,17, en 99,33 van die finale waarde, onderskeidelik. Sedert die filter is lineêre, beteken dit dat hierdie persentasies kan gebruik word vir enige grootte van die stapverandering, nie net vir die waarde van 1 wat hier gebruik word. Hoewel die stap reaksie in teorie neem 'n oneindige tyd, uit 'n praktiese oogpunt, dink aan die eksponensiële filter as 98-99 8220done8221 reageer ná 'n tyd gelyk aan 4 tot 5 filter tyd konstantes. Variasies op die eksponensiële filter Daar is 'n variasie van die eksponensiële filter bekend as 'n 8220nonlinear eksponensiële filter8221 Weber, 1980 bedoel om swaar filter geraas binne 'n sekere 8220typical8221 amplitude, maar dan vinniger te reageer op groter veranderinge. Kopiereg 2010 - 2013, Greg Stanley Share this page: Stochastics RSI oor: Oor RSI voorraad kaarte en tegniese ontleding van RSI gebaseer aanwysers - hoe om die afgeleide Ossillator handel - voorraad kaarte voorbeeld van tegniese ontleding. Beskrywing die afgeleide Ossillator is ontwikkel deur Constance Browns Afgeleide Ossillator en dit is gepubliseer in haar boek quotTechnical Ontleding vir die Trading Professionalquot. Eintlik is die afgeleide Ossillator is 'n gevorderde weergawe van die RSI (relatiewe sterkte-indeks). Dit geld MACD Histogram beginsel om die dubbele stryk RSI - die afgeleide Ossillator is die verskil tussen dubbele stryk RSI en eenvoudige MA toegepas. Tegniese ontleding Afgeleide Ossillator lyk MACD Histogram op die voorraad kaarte - dit word ook gebruik in tegniese ontleding op dieselfde manier as MACD Histogram doen. Eintlik, as jy wil die ontleding van die reëlmatige RSI en jy wil seine op die CROSSOVER van die reëlmatige RSI en sy seine lyn genereer dan Afgeleide Ossillator is die pad om te gaan. Op die grafiek hieronder wat jy kan 'n voorbeeld vir die opwekking van handel seine op 'n aanwyser en sy sein lyn te sien. In die geval van die afgeleide Ossillator die groen lyn op die grafiek hieronder dubbel sal verteenwoordig glad RSI en rooi lyn sal 'n SMA verteenwoordig toegepas op stryk RSI verdubbel. Let daarop dat die grafiek byvoorbeeld nie onder nie Afgeleide Ossillator het - ons wys dit net om meganika agter die afgeleide Ossillator analise te verduidelik. Grafiek 1: Voorbeeld van handel stelsel wat gebaseer is op CROSSOVER van 'n aanduiding en sy sein lyn: Soos hierbo genoem, die afgeleide Ossillator lyk MACD Histogram en dit ontleed as MACD Histogram: Positiewe Afgeleide Ossillator lees is lomp Negatiewe Afgeleide Ossillator lees beskou is beskou lomp. Respek 'n eenvoudige handel stelsel wat gebaseer is op die afgeleide Ossillator tegniese ontleding sal handel seine op die CROSSOVER van afgeleide Ossillator en 0 (nul) sentrum-lyn rondom dit ossilleer genereer: Koop wanneer Afgeleide Ossillators draai positiewe nadat hy onder vriespunt verkoop wanneer Afgeleides Ossillator druppels in negatiewe gebied nadat hy positief. Op die grafiek QQQ voorraad onder julle kan 'n voorbeeld van afgeleide Ossillator en handel seine wat gebaseer is op hierdie aanwyser tegniese ontleding te sien. Grafiek 2: grafiek QQQ voorraad en afgeleide Ossillator met seine voorbeelde. Deur ons scan resultate die afgeleide ossillator iewers in die middel van ander gewilde in ontleding aanwysers tegniese (Klik hier om die telling tafel sien) Formule en berekeninge om die afgeleide Ossillator bereken, moet die RSI eerste bereken word: RSI 100-100 / (1 RS) waar RS (Gemiddeld Winste) / (gemiddelde verliese) waar Gemiddeld Wins en gemiddelde verliese word bereken as die gemiddelde prys verandering vir 'n positiewe en negatiewe prys bars met respek. Vereenvoudig RSI formule lyk soos RSI winste / (Winste Verliese) 100 waar Winste is som van veranderinge van positiewe bars en Verliese is absolute som van veranderinge van negatiewe bars. Die volgende stap sal wees om aansoek te doen 'n eksponensiële bewegende gemiddelde om RSISmoothed RSI EMO (RSI, N1) waar N1 is 'n bar tydperk van EMO In die derde stap EMO toegepas againDouble stryk RSI EMO (Reëlmatige RSI, N2) waar N2 is 'n bar tydperk van EMO Dan Eenvoudige bewegende gemiddelde is van toepassing op die Double stryk RSI as 'n sein lineSignal Line SMA (Double stryk RSI, N3) In die laaste stap die afgeleide Ossillator word bereken as die verskil tussen Double stryk RSI en sy sein LineDerivative Ossillator Double stryk RSI - Sein Line Kopiereg 2004 - 2016 Hoogtepunt Investments Group. Alle regte voorbehou. Hierdie materiaal mag nie gepubliseer word nie, uitgesaai, herskryf of herversprei word nie. Ons bladsye is voortdurend geskandeer. As ons sien dat enige van ons inhoud op ander webwerf gepubliseer word, sal ons eerste optrede wees om hierdie webwerf te Google en Yahoo verslag as 'n spam webwerf. Disclaimer 169 1997-2013 MarketVolume. Alle regte voorbehou. SV1