MetaTrader 4 - Indikatorer Flytende gjennomsnitt, MA-indikator for MetaTrader 4 Den bevegelige gjennomsnittlige tekniske indikatoren viser gjennomsnittlig instrumentprisverdi for en bestemt tidsperiode. Når man beregner glidende gjennomsnitt, utregner man instrumentprisen for denne tidsperioden. Etter hvert som prisen endres, øker eller øker det glidende gjennomsnittet. Det er fire forskjellige typer bevegelige gjennomsnitt: Enkelt (også referert til som aritmetisk), eksponentiell, glatt og lineærvektet. Flytte gjennomsnitt kan beregnes for et sekvensielt datasett, inkludert åpnings - og sluttpriser, høyeste og laveste priser, handelsvolum eller andre indikatorer. Det er ofte tilfellet når dobbeltflyttende gjennomsnitt blir brukt. Det eneste der flytende gjennomsnitt av forskjellige typer avviger vesentlig fra hverandre, er når vektkoeffisienter, som tilordnes de nyeste dataene, er forskjellige. I tilfelle vi snakker om enkle glidende gjennomsnitt, er alle priser for den aktuelle tidsperioden likeverdige. Eksponentielle og lineære vektede flytteverdier legger til mer verdi til de siste prisene. Den vanligste måten å tolke prisgjennomsnittet på er å sammenligne dynamikken med prishandlingen. Når instrumentprisen stiger over det bevegelige gjennomsnittet, vises et kjøpesignal, hvis prisen faller under det bevegelige gjennomsnittet, er det et salgssignal. Dette handelssystemet, som er basert på det bevegelige gjennomsnittet, er ikke utformet for å gi inngang til markedet rett i sitt laveste punkt, og dens utgang rett på toppen. Det gjør det mulig å handle i henhold til følgende trend: Å kjøpe snart etter at prisene når bunnen, og å selge snart etter at prisene har nådd sin topp. Simple Moving Average (SMA) Enkelt, med andre ord beregnes aritmetisk glidende gjennomsnitt ved å oppsummere prisene på instrumentlukking over et bestemt antall enkeltperioder (for eksempel 12 timer). Denne verdien er så delt med antall slike perioder. SMA SUM (CLOSE, N) N Hvor: N er antall beregningsperioder. Eksponentiell flytende gjennomsnitt (EMA) Eksponentielt glatt glidende gjennomsnitt beregnes ved å legge det glidende gjennomsnittet av en viss andel av gjeldende sluttkurs til forrige verdi. Med eksponensielt glattede glidende gjennomsnitt, er de siste prisene mer verdifulle. P-prosent eksponensielt glidende gjennomsnitt vil se ut: Hvor: Lukk (i) prisen på den nåværende perioden lukkingen EMA (i-1) Eksponentielt Flytende Gjennomsnittlig for forrige periodes lukning P Andelen av å bruke prisverdien. Smoothed Moving Average (SMMA) Den første verdien av dette glatte glidende gjennomsnittet beregnes som det enkle glidende gjennomsnittet (SMA): SUM1 SUM (CLOSE, N) Det andre og følgende glidende gjennomsnitt beregnes i henhold til denne formelen: Hvor: SUM1 er summen av sluttkurs for N-perioder SMMA1 er det glattede glidende gjennomsnittet på den første linjen SMMA (i) er det glattede glidende gjennomsnittet for den nåværende linjen (unntatt den første) CLOSE (i) er den nåværende sluttkursen N er utjevningsperiode. Lineærvektet Flytende Gjennomsnitt (LWMA) Ved vektet glidende gjennomsnitt er de nyeste dataene av mer verdi enn mer tidlige data. Vektet glidende gjennomsnitt beregnes ved å multiplisere hver av sluttkursene i den vurderte serien, med en bestemt vektkoeffisient. LWMA SUM (Lukk (i) I, N) SUM (jeg, N) Hvor: SUM (jeg, N) er summen av vektkoeffisientene. Flytte gjennomsnitt kan også brukes på indikatorer. Det er her tolkningen av indikatorens glidende gjennomsnitt er i likhet med tolkningen av prisgennomsnittet: hvis indikatoren stiger over det glidende gjennomsnittet, betyr det at den stigende indikatorbevegelsen sannsynligvis vil fortsette: hvis indikatoren faller under det glidende gjennomsnittet, vil dette betyr at det er sannsynlig å fortsette å gå nedover. Her er typene av bevegelige gjennomsnitt på diagrammet: Gjennomsnittlig flytende gjennomsnittlig (SMA) eksponentiell flytende gjennomsnittlig (EMA) glatt flytende gjennomsnittlig (SMMA) Lineærvektet flytende gjennomsnittlig (LWMA) Utforsking av eksponentielt vektet Flytende Gjennomsnittlig volatilitet er det vanligste risikobilledet , men det kommer i flere smaker. I en tidligere artikkel viste vi hvordan du kan beregne enkel historisk volatilitet. (For å lese denne artikkelen, se Bruke volatilitet for å måle fremtidig risiko.) Vi brukte Googles faktiske aksjekursdata for å beregne den daglige volatiliteten basert på 30 dagers lagerdata. I denne artikkelen vil vi forbedre den enkle volatiliteten og diskutere eksponentielt vektet glidende gjennomsnitt (EWMA). Historisk Vs. Implisitt volatilitet Først kan vi sette denne metriske inn i litt perspektiv. Det er to brede tilnærminger: historisk og underforstått (eller implisitt) volatilitet. Den historiske tilnærmingen antar at fortid er prolog, vi måler historie i håp om at det er forutsigbart. Implisitt volatilitet, derimot, ignorerer historien den løser for volatiliteten underforstått av markedsprisene. Det håper at markedet vet best, og at markedsprisen inneholder, selv om det implisitt er, et konsensusoverslag over volatiliteten. Hvis du fokuserer på bare de tre historiske tilnærmingene (til venstre over), har de to trinn til felles: Beregn serien av periodisk avkastning Bruk en vektingsplan Først må vi beregne periodisk avkastning. Det er vanligvis en serie av daglige avkastninger der hver retur er uttrykt i kontinuerlig sammensatte vilkår. For hver dag tar vi den naturlige loggen av forholdet mellom aksjekursene (det vil si prisen i dag fordelt på pris i går, og så videre). Dette gir en rekke daglige avkastninger, fra deg til deg i-m. avhengig av hvor mange dager (m dager) vi måler. Det får oss til det andre trinnet: Det er her de tre tilnærmingene er forskjellige. I den forrige artikkelen (Bruke volatilitet for å måle fremtidig risiko) viste vi at det med noen akseptable forenklinger er den enkle variansen gjennomsnittet av kvadreret retur: Legg merke til at dette beløper hver periodisk avkastning, og deler deretter den totale av antall dager eller observasjoner (m). Så, det er egentlig bare et gjennomsnitt av den kvadratiske periodiske avkastningen. Sett på en annen måte, hver kvadret retur blir gitt like vekt. Så hvis alfa (a) er en vektningsfaktor (spesifikt en 1m), ser en enkel varians slik ut: EWMA forbedrer seg på enkel variasjon Svakheten i denne tilnærmingen er at alle avkastningene tjener samme vekt. Yesterdays (veldig nylig) avkastning har ingen større innflytelse på variansen enn de siste månedene tilbake. Dette problemet er løst ved å bruke det eksponentielt vektede glidende gjennomsnittet (EWMA), der nyere avkastning har større vekt på variansen. Det eksponentielt vektede glidende gjennomsnittet (EWMA) introduserer lambda. som kalles utjevningsparameteren. Lambda må være mindre enn en. Under denne betingelsen, i stedet for likevekter, vektlegges hver kvadret retur med en multiplikator på følgende måte: Risikostyringsfirmaet RiskMetrics TM har for eksempel en tendens til å bruke en lambda på 0,94 eller 94. I dette tilfellet er den første ( siste) kvadratiske periodiske avkastningen er vektet av (1-0.94) (.94) 0 6. Den neste kvadrerade retur er bare et lambda-flertall av den tidligere vekten i dette tilfellet 6 multiplisert med 94 5,64. Og den tredje forrige dagens vekt er lik (1-0,94) (0,94) 2 5,30. Det er betydningen av eksponensiell i EWMA: hver vekt er en konstant multiplikator (dvs. lambda, som må være mindre enn en) av den tidligere dagens vekt. Dette sikrer en variasjon som er vektet eller forspent mot nyere data. (For å lære mer, sjekk ut Excel-regnearket for Googles volatilitet.) Forskjellen mellom bare volatilitet og EWMA for Google er vist nedenfor. Enkel volatilitet veier effektivt hver periodisk avkastning med 0,196 som vist i kolonne O (vi hadde to års daglig aksjekursdata. Det er 509 daglige avkastninger og 1509 0,196). Men merk at kolonne P tildeler en vekt på 6, deretter 5,64, deretter 5,3 og så videre. Det er den eneste forskjellen mellom enkel varians og EWMA. Husk: Etter at vi summerer hele serien (i kolonne Q) har vi variansen, som er kvadratet av standardavviket. Hvis vi vil ha volatilitet, må vi huske å ta kvadratroten av den variansen. Hva er forskjellen i den daglige volatiliteten mellom variansen og EWMA i Googles tilfelle. Det er signifikant: Den enkle variansen ga oss en daglig volatilitet på 2,4, men EWMA ga en daglig volatilitet på bare 1,4 (se regnearket for detaljer). Tilsynelatende avviklet Googles volatilitet mer nylig, derfor kan en enkel varianse være kunstig høy. Dagens variasjon er en funksjon av Pior Days Variance Du vil legge merke til at vi trengte å beregne en lang rekke eksponentielt avtagende vekter. Vi vil ikke gjøre matematikken her, men en av EWMAs beste egenskaper er at hele serien reduserer til en rekursiv formel: Rekursiv betyr at dagens variansreferanser (dvs. er en funksjon av tidligere dager varians). Du kan også finne denne formelen i regnearket, og det gir nøyaktig samme resultat som longhandberegningen. Det står: Dagens varians (under EWMA) er lik ydersidens varians (veid av lambda) pluss yderdagskvadret retur (veid av en minus lambda). Legg merke til hvordan vi bare legger til to begreper sammen: Yesterdays weighted variance og yesterdays weighted, squared return. Likevel er lambda vår utjevningsparameter. En høyere lambda (for eksempel som RiskMetrics 94) indikerer tregere forfall i serien - relativt sett vil vi ha flere datapunkter i serien, og de kommer til å falle av sakte. På den annen side, hvis vi reduserer lambda, indikerer vi høyere forfall: vikene faller av raskere, og som et direkte resultat av det raske forfallet blir færre datapunkter benyttet. (I regnearket er lambda en inngang, slik at du kan eksperimentere med følsomheten). Sammendrag Volatilitet er den øyeblikkelige standardavviket for en aksje og den vanligste risikometrisk. Det er også kvadratroten av variansen. Vi kan måle variansen historisk eller implisitt (implisitt volatilitet). Når man måler historisk, er den enkleste metoden enkel varians. Men svakheten med enkel varians er alle returene får samme vekt. Så vi står overfor en klassisk avvei: vi vil alltid ha mer data, men jo flere data vi har jo mer vår beregning er fortynnet av fjernt (mindre relevant) data. Det eksponentielt vektede glidende gjennomsnittet (EWMA) forbedres på enkel varians ved å tildele vekt til periodisk retur. Ved å gjøre dette kan vi begge bruke en stor utvalgsstørrelse, men gi også større vekt til nyere avkastninger. (For å se en filmopplæring om dette emnet, besøk Bionic Turtle.) Artikkel 50 er en forhandlings - og oppgjørsklausul i EU-traktaten som skisserer trinnene som skal tas for ethvert land som. Et første bud på et konkursfirma039s eiendeler fra en interessert kjøper valgt av konkursselskapet. Fra et basseng av tilbudsgivere. Beta er et mål for volatiliteten, eller systematisk risiko, av en sikkerhet eller en portefølje i forhold til markedet som helhet. En type skatt belastet kapitalgevinster pådratt av enkeltpersoner og selskaper. Kapitalgevinst er fortjenesten som en investor. En ordre om å kjøpe en sikkerhet til eller under en spesifisert pris. En kjøpsgrenseordre tillater handelsmenn og investorer å spesifisere. En IRS-regelen (Internal Revenue Service) som tillater straffefri uttak fra en IRA-konto. Regelen krever at. Hvordan beregne EMA i Excel Lær hvordan du beregner eksponentielt glidende gjennomsnitt i Excel og VBA, og få et gratis nettkoblet regneark. Regnearket henter lagerdata fra Yahoo Finance, beregner EMA (over ditt valgte tidsvindu) og plotter resultatene. Nedlastingskoblingen er nederst. VBA kan bli vist og redigert it8217s helt gratis. Men først disover hvorfor EMA er viktig for tekniske handelsfolk og markedsanalytikere. Historiske aksjekursdiagrammer er ofte forurenset med mye høyfrekvent støy. Dette skjuler ofte store trender. Flytte gjennomsnitt bidrar til å utjevne disse mindre svingningene, noe som gir deg større innsikt i den generelle markedsretningen. Det eksponentielle glidende gjennomsnittet legger større vekt på nyere data. Jo større tidsperiode, desto lavere er viktigheten av de nyeste dataene. EMA er definert av denne ligningen. I dag8217s pris (multiplisert med vekt) og i går8217s EMA (multiplisert med 1 vekt) Du må starte EMA-beregningen med en innledende EMA (EMA 0). Dette er vanligvis et enkelt bevegelige gjennomsnitt av lengden T. Tabellen ovenfor gir for eksempel EMA til Microsoft mellom 1. januar 2013 og 14. januar 2014. Tekniske forhandlere bruker ofte krysset over to bevegelige gjennomsnitt 8211 ett med kort tidsskala og en annen med en lang tidsskala 8211 for å generere buysell signaler. Ofte brukes 12 og 26-dagers glidende gjennomsnitt. Når det kortere bevegelige gjennomsnittet stiger over det lengre bevegelige gjennomsnittet, er markedet trendende, dette er et kjøpesignal. Men når kortere bevegelige gjennomsnitt faller under det lange glidende gjennomsnittet faller markedet, dette er et salgssignal. Let8217s lærer først hvordan man beregner EMA ved hjelp av regnearkfunksjoner. Etter det oppdager vi8217ll hvordan du bruker VBA til å beregne EMA (og automatisk plottdiagrammer) Beregn EMA i Excel med regnearkfunksjoner Trinn 1. Let8217s sier at vi vil beregne 12-dagers EMA for Exxon Mobil8217s aksjekurs. Vi trenger først å få historisk aksjekurs 8211, du kan gjøre det med denne massaprisen quote downloader. Steg 2 . Beregn det enkle gjennomsnittet av de første 12 prisene med Excel8217s Gjennomsnittlig () - funksjon. I screengrab nedenfor, i celle C16 har vi formelen AVERAGE (B5: B16) der B5: B16 inneholder de første 12 nærtrinnene, trinn 3. Litt under cellen som ble brukt i trinn 2, skriv inn EMA-formelen over Der har du det You8217ve har beregnet en viktig teknisk indikator, EMA, i et regneark. Beregn EMA med VBA Nå let8217s mekaniserer beregningene med VBA, inkludert automatisk opprettelse av tomter. Jeg vant8217t viser deg hele VBA her (it8217s er tilgjengelig i regnearket nedenfor), men vi diskuterer den mest kritiske koden. Trinn 1. Last ned historiske aksjekurser for ticker fra Yahoo Finance (ved hjelp av CSV-filer), og last dem inn i Excel eller bruk VBA i dette regnearket for å få historiske sitater rett inn i Excel. Dataene dine kan se slik ut: Trinn 2. Det er her vi trenger å utøve noen braincells 8211 vi må implementere EMA-ligningen i VBA. Vi kan bruke R1C1-stil til programmatisk å skrive inn formler i individuelle celler. Undersøk kodestykket nedenfor. Ark (quotDataquot).Range (quotquot forsterker EMAWindow 1) kvoteffektivitet (R-kvadratforsterker EMAWindow - 1 amp QuC-3: RC-3) Quote (quotDataquot).Range (quothquot amp EMAWindow 2 amp quote: hquot amp numRows). FormulaR1C1 quotR0C-3 (2 (EMAWindow 1)) R-1C0 (1- (2 (EMAWindow1))) EMAWindow er en variabel som tilsvarer det ønskede tidsvinduet numRows er det totale antall datapunkter 1 (8220 18221 er fordi Vi antar at de faktiske lagerdataene starter på rad 2) EMA beregnes i kolonne h Forutsatt at EMAWindow 5 og numrows 100 (det vil si det er 99 datapunkter) legger den første linjen en formel i celle h6 som beregner det aritmetiske gjennomsnittet av de første 5 historiske datapunkter Den andre linjen plasserer formler i celler h7: h100 som beregner EMA for de gjenværende 95 datapunktene. Trinn 3 Denne VBA-funksjonen skaper et plott av nært pris og EMA. Angi EMAChart ActiveSheet. ChartObjects. Add (Venstre: Range (quota12quot).Left, Bredde: 500, Topp: Range (quota12quot).Top, Høyde: 300) Med EMAChart. Chart. Parent. Name quotEMA Chartquot Med. SeriesCollection. NewSeries. ChartType xlLine. Values Sheets (quotdataquot).Range (quote2: equot amp numRows).XValues Sheets (quotdataquot).Range (quota2: aquot amp numRows).Format. Line. Weight 1.Name quotPricequot End With With. SeriesCollection. NewSeries. ChartType xlLine. AxisGroup xlPrimary. Values Sheets (quotdataquot).Range (quoth2: hquot amp numRows).Name quotEMAquot. Border. ColorIndex 1.Format. Line. Weight 1 End With. Axes (xlValue, xlPrimary).HasTitle True. Axes xlValue, xlPrimary).AxisTitle. Characters. Text quotPricequot. Axes (xlValue, xlPrimary).MaximumScale WorksheetFunction. Max (Sheets (quotDataquot).Range (quote2: equot amp numRows)).Axes (xlValue, xlPrimary).MinimumScale Int (WorksheetFunction . Min (Sheets (quotDataquot).Range (quote2: equot amp numRows))).Legend. Position xlLegendPositionRight. SetElement (msoElementChartTitleAboveChart).ChartTitle. Text quotClose Pristillegg EMAWindow amp kvote-Day EMAquot End With Få dette regnearket for fullstendig implementering av EMA-kalkulatoren med automatisk nedlasting av historiske data. 14 tanker om ldquo Hvordan å beregne EMA i Excel rdquo Sist gang jeg lastet ned en av dine Excel speadsheets, forårsaket det at antivirusprogrammet min skulle flagge det som en PUP (potensielt uønsket program) i det tilsynelatende var det kode innebygd i nedlastingen som var adware, spyware eller i det minste potensielt skadelig programvare. Det tok bokstavelig talt dager å rydde opp min pc. Hvordan kan jeg forsikre meg om at jeg bare laster ned Excel? Dessverre er det utrolig mye malware. adware og spywar, og du kan ikke være for forsiktig. Hvis det er et spørsmål om kostnad, ville jeg ikke være villig til å betale en rimelig sum, men koden må være PUP-fri. Takk, det er ingen virus, skadelig programvare eller adware i regnearkene mine. I8217ve programmerte dem selv og jeg vet nøyaktig hva som er i dem. There8217 er en direkte nedlastingskobling til en zip-fil nederst på hvert punkt (i mørk blå, fet og understreket). That8217s hva du burde laste ned. Hold musepekeren over koblingen, og du bør se en direkte kobling til zip-filen. Jeg vil bruke min tilgang til live priser for å lage live tech indikatorer (dvs. RSI, MACD etc). Jeg har nettopp innsett for fullstendig nøyaktighet, jeg trenger 250 dagers verdi av data for hver aksje i motsetning til 40 jeg har nå. Er det noen steder å få tilgang til historiske data om ting som EMA, Avg Gain, Avg Loss, slik at jeg bare kunne bruke de mer nøyaktige dataene i modellen min I stedet for å bruke 252 dagers data for å få riktig 14 dagers RSI kunne jeg bare få en ekstern hentet verdi for gjennomsnittlig fortjeneste og gjennomsnittlig tap og gå derfra Jeg vil at min modell skal vise resultater fra 200 aksjer i motsetning til noen få. Jeg vil plotte flere EMAer BB RSI på samme diagram og basert på forhold som vil utløse handel. Dette ville fungere for meg som en excel-backtester. Kan du hjelpe meg å plotte flere timeseries på samme diagram med samme datasett. Jeg vet hvordan du bruker de rå dataene til et Excel-regneark, men hvordan bruker du ema-resultatene. Ema i Excel-diagrammer can8217t justeres til bestemte perioder. Takk kliff mendes sier: Hei der Samir, Først takk en million for alt ditt harde arbeid. Utmerket jobb GUD SEG. Jeg ville bare vite om jeg har to ema plottet på diagrammet, kan vi si 20ema og 50ema når de krysser enten opp eller ned, kan ordet KJØP eller SELL vises på kryss over punktet, hjelpe meg sterkt. kliff mendes texas I8217m jobber på et enkelt backtesting regneark that8217ll genererer buy-sell signaler. Gi meg litt tid8230 Flott jobb på diagrammer og forklaringer. Jeg har et spørsmål skjønt. Hvis jeg endrer startdatoen til et år senere og ser på nylige EMA-data, er det merkbart forskjellig enn når jeg bruker den samme EMA-perioden med en tidligere startdato for samme dato for nylig dato. Er det det du forventer. Det gjør det vanskelig å se på publiserte diagrammer med EMAer vist og ikke se det samme diagrammet. Shivashish Sarkar sier: Hei, jeg bruker din EMA kalkulator og jeg setter pris på. Imidlertid har jeg lagt merke til at kalkulatoren ikke kan plotte grafene for alle selskaper (det viser kjøretidsfeil 1004). Kan du vær så snill å lage en oppdatert utgave av kalkulatoren din der nye firmaer vil bli inkludert Legg igjen et svar Avbryt svar Gratulerer med gratis regneark Master kunnskapsbase Siste innlegg Denne repoen gir eksponentielt vektet Flytende gjennomsnittlige algoritmer eller EWMAer for kort, basert på vår kvantifiserende unormal oppførsel snakke . Eksponentielt vektet Flytende Gjennomsnitt Et eksponentielt vektet glidende gjennomsnitt er en måte å kontinuerlig beregne en type gjennomsnitt for en rekke tall, da tallene ankommer. Etter at en verdi i serien er lagt til gjennomsnittet, reduseres vekten i gjennomsnittet eksponentielt over tid. Dette forvirrer gjennomsnittet mot nyere data. EWMAer er nyttige av flere grunner, hovedsakelig deres rimelige beregningsmessige og minnekostnader, samt det faktum at de representerer den siste sentrale tendensen til seriens verdier. EWMA-algoritmen krever en forfallsfaktor, alfa. Jo større alfa, desto mer er gjennomsnittet partisk mot nyere historie. Alfabetet må være mellom 0 og 1, og er vanligvis et ganske lite tall, for eksempel 0,04. Vi vil diskutere valget av alpha senere. Algoritmen virker således, i pseudokode: Multipliser neste nummer i serien med alfa. Multipliser nåverdien av gjennomsnittet med 1 minus alfa. Legg til resultatet av trinn 1 og 2, og lagre det som den nye nåværende verdien av gjennomsnittet. Gjenta for hvert nummer i serien. Det er spesielle saker atferd for hvordan du initialiserer gjeldende verdi, og disse varierer mellom implementeringer. En tilnærming er å starte med den første verdien i serien. En annen er å gjennomsnittlig de første 10 eller så verdiene i serien ved hjelp av et aritmetisk gjennomsnitt, og deretter begynne den gradvise oppdateringen av gjennomsnittet. Hver metode har fordeler og ulemper. Det kan bidra til å se på det pictorially. Anta at serien har fem tall, og vi velger alfa for å være 0,50 for enkelhet. Heres serien, med tall i nabolaget 300. Nå kan vi ta det bevegelige gjennomsnittet av tallene. Først setter vi gjennomsnittet til verdien av det første nummeret. Deretter multipliserer vi det neste tallet med alfa, multipliserer nåværende verdi med 1-alfa, og legger til dem for å generere en ny verdi. Dette fortsetter til vi er ferdige. Legg merke til hvordan hver av verdiene i serien avtar halvparten hver gang en ny verdi legges til, og toppen av stolpene i den nedre delen av bildet representerer størrelsen på det bevegelige gjennomsnittet. Det er et glatt, eller lavpass, gjennomsnitt av den opprinnelige serien. Vurder et glidende glidende gjennomsnitt i gjennomsnittlig størrelse (ikke et eksponentielt vektet glidende gjennomsnitt) som er gjennomsnittlig over de forrige N-prøvene. Hva er gjennomsnittsalderen for hver prøve Det er N2. Anta nå at du ønsker å bygge en EWMA som har samme gjennomsnittsalder. Formelen for å beregne alfa som kreves for dette er: alpha 2 (N1). Bevis er i boken Production and Operations Analysis av Steven Nahmias. Så hvis du for eksempel har en tidsserie med prøver en gang per sekund, og du vil få det bevegelige gjennomsnittet i løpet av forrige minutt, bør du bruke en alfa på .032786885. Dette er forresten den konstante alfa som brukes til denne repositoriet SimpleEWMA. Dette depotet inneholder to implementeringer av EWMA-algoritmen, med forskjellige egenskaper. Implementeringene alle samsvarer med MovingAverage-grensesnittet, og konstruktøren returnerer den typen. Nåværende implementeringer antar et implisitt tidsintervall på 1,0 mellom hver prøve som er lagt til. Det vil si at tidsforløpet blir behandlet som om det er det samme som ankomst av prøver. Hvis du trenger tidsbasert forfall når prøvene ikke kommer nøyaktig med fastsatte intervaller, vil denne pakken ikke støtte dine behov for tiden. En SimpleEWMA er designet for lav CPU og minneforbruk. Det vil ha forskjellig oppførsel enn VariableEWMA av flere grunner. Det har ingen oppvarmingstid og det bruker et konstant forfall. Disse egenskapene lar det bruke mindre minne. Det vil også oppføre seg annerledes når det er lik null, som antas å bety uninitialized, så hvis en verdi sannsynligvis vil bli null over tid, vil en hvilken som helst ikke-null-verdi skape et skarpt hopp i stedet for en liten forandring. I motsetning til SimpleEWMA støtter dette en egendefinert alder som må lagres, og bruker dermed mer minne. Det har også en oppvarmingstid når du begynner å legge til verdier for det. Det vil rapportere en verdi på 0,0 til du har lagt til det nødvendige antall prøver til det. Det bruker litt minne til å lagre antall prøver som er lagt til det. Som et resultat bruker den litt over to ganger minnet om SimpleEWMA. Se GoDoc generert dokumentasjon her. Vi aksepterer bare trekkforespørsler for mindre reparasjoner eller forbedringer. Dette inkluderer: Små feilrettinger Typoer Dokumentasjon eller kommentarer Vennligst åpne problemer for å diskutere nye funksjoner. Trekkforespørsler om nye funksjoner vil bli avvist, så vi anbefaler å forkaste depotet og gjøre endringer i gaffelen din for brukssaken din. Dette depotet er Copyright (c) 2013 VividCortex, Inc. Alle rettigheter reservert. Det er lisensiert under MIT-lisensen. Vennligst se LISENS-filen for gjeldende lisensvilkår.
No comments:
Post a Comment