Adaptive Moving Average Parameters

Kaufman039s Adaptiver Moving Average (KAMA) Kaufman039s Adaptiver Moving Average (KAMA) Einleitung Entwickelt von Perry Kaufman, Kaufman039s Der adaptive Moving Average (KAMA) ist ein gleitender Durchschnitt, der für Marktlärm oder Volatilität verantwortlich ist. KAMA wird die Preise genau verfolgen, wenn die Preisschwankungen relativ klein sind und der Lärm gering ist. KAMA wird sich anpassen, wenn die Preisschwankungen sich verbreitern und die Preise aus größerer Entfernung folgen. Mit diesem Trendfolger können Sie den Gesamttrend, Zeitumkehrpunkte und Filterpreisbewegungen identifizieren. Berechnung Es sind mehrere Schritte erforderlich, um Kaufman039s Adaptive Moving Average zu berechnen. Let039s ersten Start mit den Einstellungen von Perry Kaufman empfohlen, die KAMA (10,2,30) sind. 10 ist die Anzahl der Perioden für das Efficiency Ratio (ER). 2 ist die Anzahl der Perioden für die schnellste EMA-Konstante. 30 ist die Anzahl der Perioden für die langsamste EMA-Konstante. Vor der Berechnung von KAMA müssen wir das Efficiency Ratio (ER) und die Smoothing Constant (SC) berechnen. Das Brechen der Formel in Bissgrßen-Nuggets macht es leichter, die Methodik hinter dem Indikator zu verstehen. Beachten Sie, dass ABS für Absolutwert steht. Efficiency Ratio (ER) Die ER ist grundsätzlich die an die tägliche Volatilität angepasste Preisänderung. In statistischer Hinsicht zeigt das Efficiency Ratio die fraktale Effizienz von Preisänderungen an. ER schwankt zwischen 1 und 0, aber diese Extreme sind die Ausnahme, nicht die Norm. ER wäre 1, wenn die Preise verschoben 10 aufeinander folgenden Perioden oder nach 10 aufeinander folgenden Perioden. ER wäre null, wenn der Kurs über die 10 Perioden unverändert bleibt. Glättungskonstante (SC) Die Glättungskonstante verwendet den ER und zwei Glättungskonstanten, die auf einem exponentiellen gleitenden Durchschnitt basieren. Wie Sie vielleicht bemerkt haben, verwendet die Glättungskonstante die Glättungskonstanten für einen exponentiellen gleitenden Durchschnitt in ihrer Formel. (2/301) die Glättungskonstante für ein 30-Perioden-EMA ist. Der schnellste SC ist die Glättungskonstante für kürzere EMA (2-Perioden). Der langsamste SC ist die Glättungskonstante für die langsamste EMA (30 Perioden). Beachten Sie, dass die 2 am Ende die Gleichung quadrieren soll. Mit dem Efficiency Ratio (ER) und Smoothing Constant (SC) können wir nun den Kaufman039s Adaptive Moving Average (KAMA) berechnen. Da wir einen Anfangswert benötigen, um die Berechnung zu starten, ist die erste KAMA nur ein einfacher gleitender Durchschnitt. Die folgenden Berechnungen basieren auf der nachstehenden Formel. Berechnungsbeispiel / Diagramm Die folgenden Bilder zeigen einen Screenshot aus einer Excel-Tabelle zur Berechnung von KAMA und dem entsprechenden QQQ-Diagramm. Verwendung und Signale Chartisten können KAMA wie alle anderen Trend folgenden Indikator, wie einen gleitenden Durchschnitt verwenden. Chartisten können nach Preiskreuzen, Richtungsänderungen und gefilterten Signalen suchen. Zuerst zeigt ein Kreuz über oder unter KAMA Richtungsänderungen der Preise an. Wie bei jedem gleitenden Durchschnitt, wird ein einfaches Crossover-System erzeugen viele Signale und viele whipsaws. Chartisten können Whipsaws reduzieren, indem sie einen Preis - oder Zeitfilter auf die Crossover anwenden. Man könnte Preis verlangen, das Kreuz für eine festgelegte Anzahl von Tagen zu halten, oder erfordern das Kreuz, das die KAMA um einen festgelegten Prozentsatz übersteigt. Zweitens können Chartisten die Richtung von KAMA verwenden, um den Gesamttrend für eine Sicherheit zu definieren. Dies kann eine Parameteranpassung erfordern, um die Anzeige weiter zu glätten. Chartisten können den mittleren Parameter ändern, der die schnellste EMA-Konstante ist, um KAMA zu glätten und nach Richtungsänderungen zu suchen. Der Trend ist nach unten, solange KAMA fällt und schmieden unteren Tiefs. Die Tendenz steigt, solange KAMA steigt und höhere Höhen schmiedet. Das Kroger-Beispiel unten zeigt KAMA (10,5,30) mit einem steilen Aufwärtstrend von Dezember bis März und einem weniger steilen Aufwärtstrend von Mai bis August. Und schließlich können Chartisten Signale und Techniken kombinieren. Chartisten können eine längerfristige KAMA verwenden, um den größeren Trend und eine kurzfristige KAMA für Handelssignale zu definieren. Beispielsweise könnte KAMA (10, 5, 30) als Trendfilter verwendet werden und im Anstieg als bullisch angesehen werden. Sobald bullish, könnte Chartisten dann bullish Kreuze suchen, wenn der Preis bewegt sich über KAMA (10,2,30). Das folgende Beispiel zeigt MMM mit einem steigenden langfristigen KAMA und bullischen Kreuzen im Dezember, Januar und Februar. Langfristige KAMA sank im April und es gab bearish Kreuze im Mai, Juni und Juli. SharpCharts KAMA kann als Indikator-Overlay in der SharpCharts-Workbench gefunden werden. Die Standardeinstellungen werden automatisch in der Parameterbox angezeigt, sobald sie ausgewählt sind, und die Chartisten können diese Parameter entsprechend ihren analytischen Bedürfnissen ändern. Der erste Parameter ist für das Effizienzverhältnis und die Chartisten sollten davon absehen, diese Zahl zu erhöhen. Stattdessen können Chartisten es verringern, um die Empfindlichkeit zu erhöhen. Chartisten, die KAMA für eine längerfristige Trendanalyse glätten möchten, können den mittleren Parameter schrittweise erhöhen. Obwohl der Unterschied nur 3 ist, ist KAMA (10,5,30) deutlich glatter als KAMA (10,2,30). Weitere Studie Der Autor bietet detaillierte Informationen zu Indikatoren, Programmen, Algorithmen und Systemen, einschließlich Einzelheiten über KAMA und andere gleitende Durchschnittssysteme. Handelssysteme und Methoden Perry Kaufmanby Michael R. Bryant Technische Indikatoren sind eines der fundamentalen Elemente des systematischen Handels. Indikatoren wie gleitende Durchschnitte oder Stochastik können als Transformationen der Eingangsreihe (typischerweise Preis oder Volumen) betrachtet werden, die einen besonderen Aspekt des Marktes, wie etwa seinen Trend oder seine Zyklizität, betonen. Während die meisten systematischen Trading-Methoden, viele Händler vermeiden die häufigsten Indikatoren, wie einfache gleitende Durchschnitte und die relative Stärke Indikator (RSI), in der Überzeugung, dass der Markt an ihre Verwendung angepasst hat, wodurch ihre Wirksamkeit. Eine Möglichkeit, die Auswirkungen der Markteffizienz auf die Lebensfähigkeit der technischen Indikatoren zu kompensieren, besteht darin, sie in einer bedeutenden Weise zu modifizieren. Beispielsweise ist der Chande - und Krolls-VIDYA-Indikator 1 ein exponentieller gleitender Durchschnitt, bei dem der Glättungsfaktor von der Marktvolatilität abhängt, so daß die effektive Rückblicklänge verringert wird, wenn die Volatilität zunimmt. In diesem Artikel, Ill entwickeln eine Erweiterung des adaptiven Look-Back-Ansatz und zeigen, wie man es auf eine Vielzahl von Indikatoren mit nur ein paar zusätzliche Zeilen Code. Die daraus resultierenden Indikatoren bieten eine größere Vielseitigkeit als frühere Indikatoren und können mit einer statistischen Sicht der Märkte konsistent sein. Anpassen der Look-Back-Länge Da sich die Märkte ständig verändern, ist es sinnvoll, sich möglichst an die Veränderungen anzupassen. Die meisten technischen Indikatoren wurden ursprünglich mit einer festen Rückblicklänge entwickelt, zum Beispiel die Anzahl der Stäbe in einem einfachen gleitenden Durchschnitt. Eine Reihe von Autoren haben vorgeschlagen, die Rückblicklänge an die Marktvolatilität anzupassen. Für die Variable Index Dynamic Average (VIDYA) Indikator zum Beispiel verwendet Chande und Kroll mehrere verschiedene Metriken, einschließlich eines Volatilitätsindex auf der Grundlage einer normalisierten Standardabweichung des Preises, bei dem höhere Werte des Index zu einer niedrigeren effektiven Rückblicklänge führte . Die Idee war, dass in Zeiten höherer Volatilität der gleitende Durchschnitt stärker auf den Markt reagieren sollte, während in Zeiten niedrigerer Volatilität ein längerfristiger gleitender Durchschnitt stärker mit dem Marktverhalten übereinstimmt. Kaufman nahm einen etwas anderen Ansatz. 2 Die Idee hinter seinem Kaufman Adaptive Moving Average (KAMA) war, dass in Zeiten hoher Volatilität Sie eher peitschen-gesägt werden, während der Markt schwingt hin und her, was zu wiederholten Verlusten. Um dies zu vermeiden, verwendete er einen längeren Zeitraum für den gleitenden Durchschnitt während der Perioden der choppy Preis-Aktion, so dass der Durchschnitt weniger als Reaktion auf die Marktvolatilität, was zu weniger Umkehrungen. Während der Trending-Markt-Aktion wurde die Periode des gleitenden Durchschnitts verringert, so dass Trades schneller auf den Richtungswechsel reagieren konnten. Zur Messung der Kaufquote hat Kaufman das so genannte Effizienzverhältnis (ER) verwendet, das den absoluten Wert der Preisveränderung über den Rückblick misst, geteilt durch die Summe der absoluten Werte der Bar-to-Bar-Preisänderungen Den gleichen Zeitraum. Wenn zum Beispiel die Nettoveränderung des Preises Null ist - der Preis ist derselbe am Ende der Periode wie am Anfang - dann ist der ER gleich Null. In diesem Fall ist der Markt völlig ineffizient, da er viel von Bar zu Bar bewegen kann, aber es geht nirgendwo hin. Wenn sich dagegen der Markt stetig in eine Richtung bewegt (entweder nach oben oder nach unten), so dass jede Barrenbewegung zur Nettoveränderung des Preises beiträgt, wird der ER 1 sein. In diesem Fall ist der Markt vollkommen effizient Dass alle Bars Preisbewegungen dazu beitragen, den Trend. Im Allgemeinen liegt der ER zwischen 0 und 1. Eine andere Ansicht von adaptiven Look-Back-Längen Während viele verschiedene Metriken für die Anpassung von Back-Längen verwendet wurden - und wurden diese verwendet, so erfährt die Effizienzquote einen fundamentalen Aspekt des Marktes Aktion, nämlich die Differenz zwischen Trend-und zyklisches Verhalten. Hohe Werte von ER bedeuten einen stark tendenziellen Markt, was eine sehr geringe zyklische Bewegung bedeutet, und niedrige Werte von ER implizieren einen geringen Trend und daher eine zyklische Bewegung (außer bei kleinen Bewegungen überhaupt). Dies neigt dazu, den Kaufmans-Ansatz zu unterstützen. Allerdings basiert seine Entscheidung, längere Rückblicklängen in choppy-Märkten zu verwenden, auf (1) der Annahme, dass die Rückblicklänge eines gleitenden Durchschnitts angepasst wurde, und (2) der Gedanke, dass der gleitende Durchschnitt verwendet wird, um einen auszulösen Einreise oder Ausreise. Ein alternativer Standpunkt ist derjenige, der von John Ehlers durch seine Arbeit zur Anwendung von Signalverarbeitungsmethoden auf den Handel unterstützt wird. 3 Seine Ansicht ist mehr auf der Linie der Versuch, den Teil des Marktes von Interesse (z. B. die Trendkomponente oder die Zykluskomponente) näher zu modellieren. Von diesem Gesichtspunkt aus sollte ein gleitender Durchschnitt in einem abgehackten Markt eine kürzere Rückblicklänge verwenden, um die höhere Häufigkeit, die durch die Choppiness repräsentiert wird, genauer zu erfassen, während in einem stark tendenziellen Markt eine längere Rückblicklänge im Einklang steht Die Marktbewegung. Ein dritter Standpunkt ist der eine Kranke hier anzunehmen, nämlich eine statistischere. Erstens darf nicht mehr als unbedingt nötig an dem fraglichen Indikator und wie es verwendet werden kann. Insbesondere können wir nicht davon ausgehen, dass der betreffende Indikator ein gleitender Durchschnitt ist, und lässt nicht davon ausgehen, dass er auf den Preis angewendet wird. Es könnte zum Beispiel der RSI der Volatilität oder der gleitende Durchschnitt des Stochastikums des Volumens sein. Der Indikator kann in Verbindung mit anderen Indikatoren als Teil einer größeren Regel für Ein-oder Ausfahrt, anstatt von sich selbst verwendet werden. Mit dieser statistisch orientierten Sicht ist es das Ziel, Handelsregeln zu schaffen, die eine statistische Gültigkeit besitzen, was bedeutet, dass sie der Preissituation ohne Überformatung entsprechen. Wir gehen nicht davon aus, dass wir wissen, wie die Märkte gut genug sind, um spezifische Entscheidungen darüber zu treffen, ob die Rückblicklänge mit so etwas wie dem Effizienzverhältnis steigen oder fallen sollte. Vielmehr haben wir Grund zu der Annahme, dass das Effizienzverhältnis Relevanz haben kann und wir es daher als Variable einschließen wollen, aber wir überlassen es dem Markt, uns mitzuteilen, ob und wie es passt. Statistische Tests werden verwendet, um es uns mitzuteilen Wenn die Handelsstrategie, die den Indikator enthält, statistisch gültig ist oder ob seine Überpaßung also ungültig ist, weil er eher dem Rauschen als dem Signal des Marktes entspricht. Ein vielseitigerer Adaptiver Rückblick Angesichts der vorangegangenen Erörterung wird die hier entwickelte adaptive Rückblicklänge auf dem Wirkungsgradverhältnis (ER) basieren und einen Parameter verwenden, um die Beziehung zwischen ER und Rückblicklänge zu bestimmen. Insbesondere gilt die folgende Gleichung: VER Quadrat (ER - (2 ER - 1) / 2 (1 - TrendParam) 0,5) wobei VER das variable Wirkungsgradverhältnis ist und TrendParam der Trendparameter ist Oder negativen Wert und bestimmt, ob die Rückblicklänge mit zunehmendem ER zu - oder abnimmt. Dies ist im Wesentlichen nur eine Möglichkeit, das ER-Verhältnis abhängig vom Trendparameter umzukehren. Wie unten gezeigt, verwenden wir anstatt die Glättungskonstante durch ER zu skalieren, wie es Chande und Kroll und Kaufman im Wesentlichen tun. Bei positiven Werten von TrendParam variiert VER mit ER positiv, während bei negativen Werten von TrendParam VER mit ER negativ schwankt. Wenn TrendParam gleich Null ist, ist VER für alle Werte von ER gleich 1. Das Quadrat wird genommen, um die Werte für die Verwendung als Multiplikator besser zu skalieren, wie nachfolgend erläutert wird. Um die adaptive Rückblicklänge unter Verwendung dieser Gleichung zu berechnen, multiplizieren wir den ursprünglichen Wert der Glättungskonstanten, Alpha, die der ursprünglichen Rückblicklänge entspricht, mit VER: VAlpha Alpha VER, wobei VAlpha die adaptive Glättungskonstante ist Alpha ist der ursprüngliche Wert der Glättungskonstante. Die Beziehung zwischen der Glättungskonstanten und der Rückkopplungslänge ist dieselbe wie für den exponentiellen gleitenden Durchschnitt, in dem N die Rückkopplungslänge ist, und Alpha ist die Glättungskonstante. Diese Gleichung kann auch für N in Form von Alpha as geschrieben werden. Die adaptive Rückblicklänge ist daher Kaufman Adaptive Moving Average Trading-Strategie (Setup 038 Filter) I. Trading Strategy Entwickler: Perry Kaufman (Kaufman Adaptive Moving Average 8211 KAMA). Quelle: Kaufman, P. J. (1995). Smarter Handel. Verbesserung der Leistungsfähigkeit in den Märkten. New York: McGraw-Hill, Inc. Konzept: Trading-Strategie basierend auf einem adaptiven Rauschfilter. Forschungsziel: Leistungsüberprüfung der Einrichtung und Filter. Spezifikation: Tabelle 1. Ergebnisse: Abbildung 1-2. Trade Setup: Long Trades: Der Adaptive Moving Average (AMA) erscheint. Short Trades: Der Adaptive Moving Average wird heruntergefahren. Hinweis: Die AMA Trendlinie scheint zu stoppen, wenn Märkte keine Richtung haben. Wenn Markttrends, die AMA-Trendlinie aufholt. Trade Entry: Long Trades: Ein Kauf am Schluss wird nach einem bullish Setup gesetzt. Short Trades: Ein Verkauf am Schluss wird nach einem bearish Setup aufgestellt. Trade Exit: Tabelle 1. Portfolio: 42 Futures-Märkte aus vier großen Marktsegmenten (Rohstoffe, Währungen, Zinsen und Aktienindizes). Daten: 32 Jahre seit 1980. Testplattform: MATLAB. II. Empfindlichkeitstest Nach allen 3-D-Diagrammen folgen 2-D-Konturdiagramme für Profitfaktor, Sharpe Ratio, Ulcer Performance Index, CAGR, Maximum Drawdown, Procent Profitable Trades und Avg. Win / Durchschn. Verlustrate. Das abschließende Bild zeigt die Empfindlichkeit der Eigenkapitalkurve. Geprüfte Variablen: ERLength amp FilterIndex (Definitionen: Tabelle 1): Abbildung 1 Portfolio Performance (Eingänge: Tabelle 1 Provisionen amp Slippage: 0). AMA (ERLength) ist der Adaptive Moving Average über einen Zeitraum von ERLength. ERLength ist eine Rückblickperiode des Efficiency Ratio (ER). ERi abs (Directioni / Volatilityi), wobei 8220abs8221 der Absolutwert ist. Direktioni Closei ERLength, Volatilityi (abs (DeltaClosei), ERLength), wobei 82208221 die Summe über einen Zeitraum von ERLength ist, DeltaClosei Closei Closei 1. FastMALength ist eine Periode des schnell bewegten Durchschnitts. SlowMALength ist eine Periode des langsamen gleitenden Durchschnitts. AMAi AMAi 1 ci (Closei AMAi 1), wobei ci (ERi (Fast Slow) Langsam) 2, Fast 2 / (FastMALength 1), Slow 2 / (SlowMAL 1) ist. Wenn AMAi gt AMAi 1 amp AMAi 1 lt AMAi 2 ist, wird MinAMA AMAi 1 (Adaptive Moving Average wird mit einem Pivot bei MinAMA hochgefahren). Short Trades: AMAi lt AMAi 1 amp AMAi 1 gt AMAi 2 dann MaxAMA AMAi 1 (Adaptive Moving Average fällt mit einem Pivot bei MaxAMA ab). Index: i Filteri FilterIndex StdDev (AMAi AMAi 1, N), wobei StdDev die Standardabweichung von Serien über N Perioden ist. N 20 (Voreinstellung). Index: i FilterIndex 0.0, 1.0, Schritt 0.02 N 20 Long Trades: Am AMAi AMT 1 AM (AMAi MinAMA) gt Filteri kaufen. Short Trades: Ein Verkauf am Ende wird gesetzt, wenn AMAi lt AMAi 1 amp (MaxAMA AMAi) gt Filteri. Index: i Stop Loss Exit: ATR (ATRLength) ist der mittlere True Range über einen Zeitraum von ATRLength. ATRStop ist ein Vielfaches von ATR (ATRLength). Long Trades: Ein Verkaufsstopp ist bei Eintritt ATR (ATRLength) ATRStop platziert. Short Trades: Ein Kauf-Stop wird am Eintrag ATR (ATRLength) ATRStop platziert. ATRL Länge 20 ATRStop 6 ERL Länge 2, 100, Schritt 2 FilterIndex 0,0, 1,0, Schritt 0,02