Moving Average Linear Filter

Range Rata Rata Rata Sejati (ATR) Rata-rata True Range diperkenalkan oleh J. Welles Wilder dalam bukunya 1978 New Concepts In Technical Trading Systems. ATR dijelaskan secara lebih rinci pada Average True Range. Wilder mengembangkan Tragat Volatilitas berikut mengikuti rentang rata-rata yang sebenarnya, yang kemudian berkembang menjadi Rata-rata True Range Trailing Stops. Tapi ini memiliki dua kelemahan utama: Berhenti bergerak ke bawah selama tren naik jika Rata-rata True Range melebar. Saya tidak nyaman dengan ini: berhenti seharusnya hanya bergerak ke arah tren. Mekanisme Stop-and-Reverse mengasumsikan bahwa Anda beralih ke posisi pendek saat berhenti dari posisi yang panjang, dan sebaliknya. Terlalu sering, pedagang dihentikan lebih awal saat mengikuti tren dan ingin masuk kembali ke arah yang sama seperti perdagangan sebelumnya. Rata-rata True Range Bands membahas kedua kelemahan ini. Berhenti hanya bergerak ke arah tren dan jangan berasumsi bahwa tren telah berbalik saat harga melewati level stop. Sinyal digunakan untuk keluar: Keluar dari posisi panjang saat harga turun di bawah Bandwidth True Range Rata-rata yang lebih rendah. Keluar dari posisi pendek saat harga melintasi di atas rata-rata True Range Band atas. Sementara tidak konvensional, pita dapat digunakan untuk memberi sinyal masukan saat digunakan bersamaan dengan filter tren. Salib dari band lawan juga bisa dijadikan sinyal untuk melindungi keuntungan Anda. Indeks RJ CRB Commodities Index pada akhir 2008 tren turun ditampilkan dengan Rata-rata True Range Bands (21 hari, 3xATR, Closing Price) dan moving average eksponensial 63 hari digunakan sebagai filter tren. Arahkan kursor ke grafik untuk menampilkan sinyal perdagangan. Pergilah singkat saat harga mendekati di bawah rata-rata pergerakan eksponensial 63 hari dan pita bawah Keluar X saat harga ditutup di atas band atas. S short short ketika harga ditutup di bawah band bawah Exit X saat harga tutup di atas band atas Go short S ketika Harga ditutup di bawah band bawah Exit X ketika harga ditutup di atas upper band Tidak ada posisi long yang diambil saat harga berada di bawah moving average eksponensial 63 hari, atau posisi short ketika berada di atas moving average eksponensial 63 hari. Ada dua pilihan yang tersedia: Closing Price: ATR Bands diplot di sekitar harga penutupan. HighLow: Band diplot sehubungan dengan harga tinggi dan rendah, seperti Chandelier Exits. Waktu default ATR adalah 21 hari, dengan kelipatan diatur pada standar 3 x ATR. Rentang normal adalah 2, untuk jangka pendek sangat pendek, sampai 5 untuk perdagangan jangka panjang. Kelipatan di bawah 3 cenderung rawan. Lihat Indikator Panel untuk petunjuk tentang cara membuat indikator. Indikator True Range True Range dihitung sebagai yang lebih besar dari: Tinggi untuk periode kurang Rendah untuk periode tersebut. Tinggi untuk periode kurang Close untuk periode sebelumnya. Tutup untuk periode sebelumnya dan Low untuk periode berjalan. Pada dasarnya, Close untuk periode sebelumnya diganti dengan arus rendah, jika lebih rendah, atau untuk arus tinggi, jika lebih tinggi. Rata-rata True Range biasanya merupakan rata-rata pergerakan eksponensial 14 hari True Range. Pengguna harus berhati-hati, saat menetapkan jangka waktu untuk indikator Welles Wilders, bahwa ia tidak menggunakan standar rata-rata eksponensial moving average. Lihat Kami merekomendasikan agar pengguna mencoba periode waktu yang lebih singkat saat menggunakan salah satu indikator di atas. Misalnya, jika Anda melacak siklus 30 hari, Anda biasanya akan memilih Periode Waktu Indikator 15 hari. Dengan ATR, sesuaikan jangka waktu sebagai berikut: Periode waktu ATR (n 1) 2 (15 1) 2 8 hariPanduan Ilmuwan dan Insinyur untuk Pengolahan Sinyal Digital Oleh Steven W. Smith, Ph. D. Bab 6: Konvolusi Mari merangkum cara memahami bagaimana sistem mengubah sinyal masukan menjadi sinyal keluaran. Pertama, sinyal input dapat didekomposisi menjadi satu set impuls, yang masing-masing dapat dilihat sebagai fungsi delta skala dan bergeser. Kedua, output yang dihasilkan dari masing-masing impuls adalah versi skala respons bergeser dan bergeser. Ketiga, sinyal keluaran keseluruhan dapat ditemukan dengan menambahkan respons impuls skala dan pergeseran ini. Dengan kata lain, jika kita mengetahui respon impuls sistem, maka kita bisa menghitung berapa output yang akan dihasilkan untuk setiap kemungkinan sinyal masukan. Ini berarti kita tahu segalanya tentang sistem. Tidak ada lagi yang bisa dipelajari tentang karakteristik sistem linier. (Namun, di bab selanjutnya kita akan menunjukkan bahwa informasi ini dapat diwakili dalam berbagai bentuk). Respons impuls lewat nama yang berbeda dalam beberapa aplikasi. Jika sistem yang sedang dipertimbangkan adalah filter. Respon impuls disebut sebagai saringan kernel. Kernel konvolusi Atau hanya, kernel. Dalam pengolahan citra, respon impuls disebut fungsi titik penyebaran. Sementara istilah ini digunakan dengan cara yang sedikit berbeda, semua berarti sama, sinyal yang dihasilkan oleh sistem saat input adalah fungsi delta. Konvolusi adalah operasi matematika formal, sama seperti perkalian, penambahan, dan integrasi. Penambahan mengambil dua angka dan menghasilkan angka ketiga. Sementara konvolusi mengambil dua sinyal dan menghasilkan sinyal ketiga. Konvolusi digunakan dalam matematika berbagai bidang, seperti probabilitas dan statistik. Dalam sistem linear, konvolusi digunakan untuk menggambarkan hubungan antara tiga sinyal yang diminati: sinyal input, respon impuls, dan sinyal keluaran. Gambar 6-2 menunjukkan notasi ketika konvolusi digunakan dengan sistem linier. Sinyal masukan, x n, memasuki sistem linier dengan respon impuls, h n, menghasilkan sinyal keluaran, y n. Dalam bentuk persamaan: x n h n y n. Dinyatakan dalam kata-kata, sinyal input yang diputar dengan respons impuls sama dengan sinyal output. Sama seperti penambahan diwakili oleh plus,, dan perkalian oleh salib, kali, konvolusi diwakili oleh bintang,. Sangat disayangkan bahwa sebagian besar bahasa pemrograman juga menggunakan bintang untuk menunjukkan perkalian. Bintang dalam program komputer berarti perkalian, sementara bintang dalam sebuah persamaan berarti konvolusi. Gambar 6-3 menunjukkan konvolusi yang digunakan untuk penyaringan low-pass dan high-pass. Contoh sinyal masukan adalah jumlah dua komponen: tiga siklus gelombang sinus (mewakili frekuensi tinggi), ditambah jalan yang perlahan naik (terdiri dari frekuensi rendah). Dalam (a), respon impuls untuk filter low-pass adalah lengkungan yang mulus, sehingga hanya bentuk gelombang jalan yang perlahan berubah yang dilewatkan ke output. Demikian pula, filter high-pass, (b), hanya memungkinkan sinusoid yang berubah dengan cepat untuk dilewati. Gambar 6-4 mengilustrasikan dua contoh tambahan bagaimana konvolusi digunakan untuk memproses sinyal. Atenuator pembalik, (a), membalik sinyal ke atas-ke-bawah, dan mengurangi amplitudonya. Turunan diskrit (juga disebut perbedaan pertama), ditunjukkan pada (b), menghasilkan sinyal keluaran yang terkait dengan kemiringan sinyal input. Perhatikan panjang sinyal pada Gambar. 6-3 dan 6-4. Sinyal input adalah 81 sampel panjang, sementara masing-masing respon impuls terdiri dari 31 sampel. Pada sebagian besar aplikasi DSP, sinyal inputnya berukuran ratusan, ribuan, atau bahkan jutaan sampel. Respon impuls biasanya jauh lebih pendek, katakanlah, beberapa poin ke beberapa ratus poin. Matematika di balik konvolusi tidak membatasi berapa lama sinyal ini berada. Namun, ia menentukan panjang sinyal output. Panjang sinyal output sama dengan panjang sinyal input, ditambah panjang respon impuls, minus satu. Untuk sinyal pada Gambar. 6-3 dan 6-4, masing-masing sinyal output adalah: 81 31 - 1 111 sampel panjang. Sinyal input berjalan dari sampel 0 sampai 80, respon impuls dari sampel 0 sampai 30, dan sinyal keluaran dari sampel 0 sampai 110. Sekarang kita sampai pada matematika yang rinci tentang konvolusi. Seperti yang digunakan dalam Digital Signal Processing, konvolusi dapat dipahami dengan dua cara yang terpisah. Yang pertama terlihat pada konvolusi dari sudut pandang sinyal input. Ini melibatkan analisis bagaimana setiap sampel dalam sinyal input berkontribusi pada banyak titik pada sinyal output. Cara kedua melihat konvolusi dari sudut pandang sinyal output. Ini mengkaji bagaimana setiap sampel pada sinyal output menerima informasi dari banyak titik pada sinyal input. Ingatlah bahwa kedua perspektif ini berbeda cara berpikir tentang operasi matematis yang sama. Sudut pandang pertama penting karena memberikan pemahaman konseptual tentang bagaimana konvolusi berkaitan dengan DSP. Sudut pandang kedua menggambarkan matematika konvolusi. Ini menggambarkan salah satu tugas paling sulit yang akan Anda hadapi di DSP: membuat pemahaman konseptual Anda sesuai dengan campur aduk matematika yang digunakan untuk mengkomunikasikan gagasan.