Beregn Eksponentiell Moving Average Java

Jeg har i hovedsak en rekke verdier som dette: Ovennevnte array er forenklet, jeg samler 1 verdi per millisekund i min ekte kode og jeg må behandle utdataene på en algoritme som jeg skrev for å finne nærmeste topp før et tidspunkt. Min logikk feiler fordi i mitt eksempel over, er 0.36 den virkelige toppen, men min algoritme vil se bakover og se det aller siste nummeret 0,25 som toppen, da det er en reduksjon til 0,24 før den. Målet er å ta disse verdiene og bruke en algoritme til dem som vil glatte dem ut litt, slik at jeg har mer lineære verdier. (dvs.: Jeg synes at resultatene mine skal være svingete, ikke sjokkerende) Jeg har blitt fortalt å bruke et eksponentielt glidende gjennomsnittsfilter til mine verdier. Hvordan kan jeg gjøre dette? Det er veldig vanskelig for meg å lese matematiske ligninger, jeg har mye bedre med kode. Hvordan behandler jeg verdier i mitt utvalg, og bruker en eksponentiell glidende gjennomsnittlig beregning til selv dem ut spurt 8. februar kl 20:27 For å beregne et eksponentielt glidende gjennomsnitt. du trenger å holde noen stat rundt og du trenger en tuning parameter. Dette krever en liten klasse (forutsatt at du bruker Java 5 eller nyere): Instantiate med decay-parameteren du vil ha (kanskje ta tuning skal være mellom 0 og 1) og bruk deretter gjennomsnittlig () for å filtrere. Når du leser en side om matematisk tilbakevending, trenger du bare å vite når du gjør det til kode, at matematikere liker å skrive indekser i arrays og sekvenser med abonnementer. (De har også et par andre notater, noe som ikke hjelper.) EMA er imidlertid ganske enkel, da du bare trenger å huske en gammel verdi, ingen kompliserte tilstandsarrayer kreves. svarte 8. februar kl 12:42 TKKocheran: Ganske mye. Det er ikke bra når ting kan være enkle (Hvis du starter med en ny sekvens, får du en ny gjennomsnittlig.) Vær oppmerksom på at de første betingelsene i gjennomsnittssekvensen vil hoppe rundt litt på grunn av grenseeffekter, men du får de med andre bevegelige gjennomsnitt også. En god fordel er imidlertid at du kan pakke den bevegelige gjennomsnittlige logikken inn i avvergeren og eksperimentere uten å forstyrre resten av programmet for mye. ndash Donal Fellows 9 Feb 12 kl 0:06 Jeg har det vanskelig å forstå dine spørsmål, men jeg vil prøve å svare uansett. 1) Hvis algoritmen din fant 0,25 i stedet for 0,36, så er det feil. Det er feil fordi det forutsetter en monotonisk økning eller reduksjon (det går alltid opp eller går alltid ned). Med mindre du gjennomsnittlig ALLE dataene dine, er datapunktene dine --- som du presenterer dem --- ikke-lineære. Hvis du virkelig vil finne den maksimale verdien mellom to poeng i tid, skar du matrisen din fra tmin til tmax og finn maksimalt for den subarrayen. 2) Nå er begrepet bevegelige gjennomsnitt veldig enkle: forestill deg at jeg har følgende liste: 1.4, 1.5, 1.4, 1.5, 1.5. Jeg kan glatte det ut ved å ta gjennomsnittet av to tall: 1,45, 1,45, 1,45, 1,5. Legg merke til at første nummer er gjennomsnittet på 1,5 og 1,4 (andre og første tall) den andre (nye listen) er gjennomsnittet på 1,4 og 1,5 (tredje og andre gamle liste) den tredje (nye listen) gjennomsnittet på 1,5 og 1,4 (fjerde og tredje), og så videre. Jeg kunne ha gjort det perioden tre eller fire, eller n. Legg merke til hvordan dataene er mye jevnere. En god måte å se glidende gjennomsnitt på jobben er å gå til Google Finance, velg en aksje (prøv Tesla Motors ganske flyktig (TSLA)) og klikk på technicals nederst i diagrammet. Velg Moving Average med en gitt periode, og eksponentiell glidende gjennomsnitt for å sammenligne forskjellene sine. Eksponentielt glidende gjennomsnitt er bare en annen utbygging av dette, men veier de eldre dataene mindre enn de nye dataene, dette er en måte å forvirre utjevningen mot baksiden. Vennligst les Wikipedia-oppføringen. Så dette er mer en kommentar enn et svar, men den lille kommentarboksen var bare for liten. Lykke til. Hvis du har problemer med matematikken, kan du gå med et enkelt bevegelige gjennomsnitt i stedet for eksponentiell. Så utgangen du får, vil være de siste x-vilkårene delt med x. Ikke testet pseudokode: Vær oppmerksom på at du må håndtere start - og slutten av dataene, siden du klart ikke kan bruke de siste 5 vilkårene når du er på ditt andre datapunkt. Det er også mer effektive måter å beregne dette glidende gjennomsnittet (sum sum - eldste nyeste), men dette er å få konseptet av hva som skjer over. besvart 8. februar kl 20: 41. Eksponensiell Flytende Gjennomsnitt Det eksponentielle Flytende Gjennomsnitt Det eksponentielle Flytende Gjennomsnitt avviger fra et enkelt Flytende Gjennomsnitt både etter beregningsmetode og på den måten at prisene vektes. Det eksponentielle flytende gjennomsnittet (forkortet til initialene EMA) er effektivt et vektet glidende gjennomsnitt. Med EMA er vektingen slik at de siste dagene prisene blir gitt mer vekt enn eldre priser. Teorien bak dette er at nyere priser anses å være viktigere enn eldre priser, særlig ettersom et langsiktig enkelt gjennomsnitt (for eksempel en 200 dag) legger like vekt på prisdata som er over 6 måneder gamle, og kan tenkes av som litt utdatert. Beregning av EMA er litt mer kompleks enn Simple Moving Average, men har fordelen at en stor datapost som dekker alle sluttkursene de siste 200 dagene (eller men mange dager blir vurdert) ikke beholdes . Alt du trenger er EMA for forrige dag og dagens sluttkurs for å beregne det nye eksponentielle flytende gjennomsnittet. Beregning av eksponenten I utgangspunktet må en eksponent beregnes for EMA. For å starte, ta antall dager EMA du vil beregne og legg til ett til antall dager du vurderer (for eksempel for et 200 dagers glidende gjennomsnitt, legg til en for å få 201 som en del av beregningen). Nå ring dette Days1. Så, for å få eksponenten, bare ta nummeret 2 og del det av Days1. Eksempelvis vil eksponenten for et 200 dagers glidende gjennomsnitt være: 2 201. Som tilsvarer 0,01 Full beregning hvis eksponentiell flytende gjennomsnittlig Når vi har fått eksponenten, er alt vi trenger nå to biter av informasjon for å gjøre det mulig for oss å utføre full beregning . Den første er Yesterdays Eksponentiell Moving Average. Vel antar vi allerede vet dette som vi ville ha beregnet det i går. Men hvis du ikke allerede er klar over dagens EMA, kan du begynne med å beregne Simple Moving Average for i går, og bruke dette i stedet for EMA for den første beregningen (dvs. beregning i dag) av EMA. Så i morgen kan du bruke EMA du har beregnet i dag, og så videre. Den andre informasjonen vi trenger er dagens sluttkurs. La oss anta at vi ønsker å beregne dagens 200 dagers eksponentielle flytende gjennomsnitt for en aksje eller aksje som har en tidligere dag EMA på 120 pence (eller cent) og en nåværende dags sluttkurs på 136 pence. Den fullstendige beregningen er alltid som følger: Eksponentiell flytende gjennomsnitt i dag (dagens dager avsluttende pris x Eksponent) (tidligere dager EMA x (1-eksponent)) Med dagens eksempeleksempler ovenfor vil dagens 200 dagers EMA være: (136 x 0,01 ) (120 x (1- 0,01)) Som tilsvarer en EMA for i dag 120,16.EMA 8211 Hvordan beregnes det Beregning av eksponentielt flytende gjennomsnitt - En opplæring eksponensiell flytende gjennomsnittlig (EMA for short) er en av de mest brukte indikatorene i teknisk analyse i dag. Men hvordan beregner du det selv, ved hjelp av et papir og en penn eller 8211 foretrukket 8211 et regnearksprogram etter eget valg. Lets finne ut i denne forklaringen av EMA beregning. Beregning av eksponentiell flytende gjennomsnitt (EMA) gjøres selvsagt automatisk av de fleste handels - og teknisk analyse programvare der ute i dag. Slik beregner du det manuelt, som også legger til forståelsen av hvordan det fungerer. I dette eksemplet skal vi beregne EMA for en aksjekurs. Vi ønsker en 22-dagers EMA som er en vanlig nok tidsramme for en lang EMA. Formelen for beregning av EMA er som følger: EMA-pris (t) k EMA (y) (1 8211 k) t i dag, i går, N antall dager i EMA, k 2 (N1) Bruk følgende trinn for å beregne en 22 dag EMA: 1) Start med å beregne k for gitt tidsramme. 2 (22 1) 0,0869 2) Legg sluttkursene for de første 22 dagene sammen og del dem med 22. 3) Du er nå klar til å begynne å få den første EMA dagen ved å ta de følgende dagene (dag 23) av k. deretter multipliser de tidligere dagene, flytte gjennomsnittet med (1-k) og legg til de to. 4) Gjør trinn 3 om og om igjen for hver dag som følger for å få hele spekteret av EMA. Dette kan selvsagt settes inn i Excel eller en annen regnearkprogramvare for å gjøre prosessen med å beregne EMA halvautomatisk. For å gi deg en algoritmisk oversikt over hvordan dette kan oppnås, se nedenfor. float todaysPrice, float numberOfDays, float EMAY i går) float k 2 (numberOfDays 1) return todaysPrice k EMAYesterday (1 8211 k) Denne metoden vil typisk bli kalt fra en loop gjennom dataene dine, ser noe slik ut: foreach (DailyRecord sdr i DataRecords) ring EMA beregningen ema CalculateEMA (sdr. Close, numberOfDays, yesterdayEMA) sett den beregnede ema i en array memaSeries. Items. Add (sdr. TradingDate, ema) sørg for at yesterdayEMA blir fylt med EMA vi brukte denne gangen rundt igårEMA ema Merk at dette er psuedo-koden. Du vil vanligvis trenge å sende igår CLOSE verdien som går igår, til i gårEMA er beregnet fra dagens EMA. Det skjer bare etter at løkken har gått flere dager enn antall dager du har beregnet din EMA for. For en 22 dagers EMA, er den eneste på 23-tiden i løkken, og deretter at det går til igårEMA ema. Dette er ikke så farlig, siden du trenger data fra minst 100 handelsdager for en 22 dagers EMA for å være gyldig. Relaterte innlegg