Glidande medelvärde överföringsfunktionen

Exponentiellt rörligt medelvärde - EMA BREAKING DOWN Exponentiell rörlig genomsnitts - EMA De 12 och 26-dagars EMA-erna är de mest populära kortsiktiga medelvärdena, och de används för att skapa indikatorer som den rörliga genomsnittliga konvergensdivergensen (MACD) och den procentuella prisoscillatorn (PPO). I allmänhet används 50- och 200-dagars EMA som signaler för långsiktiga trender. Handlare som anställer teknisk analys hittar glidande medelvärden som är mycket användbara och insiktsfulla när de tillämpas korrekt men skapar kaos när de används felaktigt eller felaktigt tolkas. Alla glidande medelvärden som vanligtvis används i teknisk analys är av sin natur slående indikatorer. Följaktligen bör slutsatserna från att tillämpa ett glidande medelvärde till ett visst marknadsdiagram vara att bekräfta en marknadsrörelse eller att indikera dess styrka. Mycket ofta, då en rörlig genomsnittlig indikatorlinje har förändrats för att återspegla ett betydande drag på marknaden har den optimala marknaden för marknadsinträde redan passerat. En EMA tjänar till att lindra detta dilemma till viss del. Eftersom EMA-beräkningen lägger mer vikt på de senaste uppgifterna, kramar prisåtgärden lite snävare och reagerar därför snabbare. Detta är önskvärt när en EMA används för att härleda en handelsinmatningssignal. Tolkning av EMA Liksom alla glidande medelindikatorer är de mycket bättre lämpade för trending marknader. När marknaden är i en stark och hållbar uptrend. EMA-indikatorlinjen visar också en uptrend och vice versa för en nedåtgående trend. En vaksam näringsidkare kommer inte bara att uppmärksamma EMA-linjens riktning utan också förhållandet mellan förändringshastigheten från en stapel till en annan. När prisåtgärden för en stark uppåtriktning börjar prata och vända, kommer EMA: s förändringshastighet från en stapel till nästa att minska till dess att indikatorlinjen plattas och förändringshastigheten är noll. På grund av den försvagande effekten, vid denna punkt, eller till och med några få barer innan, bör prisåtgärden redan ha reverserat. Det följer således att observera en konsekvent minskning i förändringshastigheten hos EMA kan själv användas som en indikator som ytterligare kan motverka det dilemma som orsakas av den släpande effekten av rörliga medelvärden. Vanliga användningar av EMA-EMA används ofta i kombination med andra indikatorer för att bekräfta betydande marknadsrörelser och att mäta deras giltighet. För näringsidkare som handlar intradag och snabba marknader är EMA mer tillämplig. Ofta använder handlare EMA för att bestämma en handelsförskjutning. Till exempel, om en EMA på ett dagligt diagram visar en stark uppåtgående trend, kan en intraday-handelsstrategi vara att endast handla från långsidan på en intradagskarta. Ett lättanvänt digitalt filter Det exponentiella rörliga genomsnittet (EMA) är en typ av oändligt impulsrespons (IIR) filter som kan användas i många inbyggda DSP-applikationer. Det kräver bara en liten mängd RAM och datorkraft. Vad är en filterfilter finns i både analoga och digitala former och finns för att ta bort specifika frekvenser från en signal. Ett vanligt analogfilter är lågpass-RC-filtret som visas nedan. Analoga filter kännetecknas av deras frekvensrespons, det är hur mycket frekvenserna dämpas (magnitudrespons) och skiftas (fasrespons). Frekvensresponsen kan analyseras med en Laplace-transform som definierar en överföringsfunktion i S-domänen. För ovanstående krets ges överföringsfunktionen av: För R är lika med ett kilo-ohm och C är lika med en mikrofarad visas magnitudsvaret nedan. Observera att x-axeln är logaritmisk (varje kryssmark är 10 gånger större än den sista). Y-axeln är i decibel (vilken är en logaritmisk funktion av utgången). Avstängningsfrekvensen för detta filter är 1000 rad eller 160 Hz. Detta är punkten där mindre än hälften av effekten vid en given frekvens överförs från ingången till filtrets utgång. Analoga filter måste användas i inbyggda mönster när man samplar en signal med en analog-digital-omvandlare (ADC). ADC registrerar bara frekvenser som är upp till hälften av samplingsfrekvensen. Om exempelvis ADC förvärvar 320 prover per sekund placeras filtret ovan (med en avkänningsfrekvens på 160 Hz) mellan signalen och ADC-ingången för att förhindra aliasing (vilket är ett fenomen där högre frekvenser uppträder i den samplade signalen som lägre frekvenser). Digitala filter Digitala filter dämpar frekvenser i programvara istället för att använda analoga komponenter. Deras genomförande innefattar provtagning av de analoga signalerna med en ADC och sedan tillämpning av en programvaralgoritm. Två gemensamma designmetoder för digital filtrering är FIR-filter och IIR-filter. FIR-filter Finite Impulse Response (FIR) - filtret använder ett ändligt antal prover för att generera utmatningen. Ett enkelt glidande medelvärde är ett exempel på ett lågpass FIR-filter. Högre frekvenser dämpas eftersom medelvärdet släpper ut signalen. Filtret är begränsat eftersom filtrets utmatning bestäms av ett ändligt antal ingångsprover. Som ett exempel lägger ett 12-punkts glidande medelfilter upp de 12 senaste proverna och delar sedan med 12. Utsignalen från IIR-filter bestäms av (upp till) ett oändligt antal ingångsprover. IIR-filter Infinite Impulse Response (IIR) - filter är en typ av digitalt filter där utdata är inifinetelyin-teorin, vilket påverkas av en ingång. Det exponentiella rörliga medlet är ett exempel på ett lågpass IIR-filter. Exponentiellt rörligt medelfilter Ett exponentiellt rörligt medelvärde (EMA) applicerar exponentiella vikter till varje prov för att beräkna ett medelvärde. Även om detta verkar komplicerat är den ekvationella i digitalfiltreringsparlansen som skillnadsekvationen för att beräkna utmatningen enkel. I ekvationen nedan är y utgången x är ingången och alfa är en konstant som ställer in cutoff-frekvensen. För att analysera hur detta filter påverkar utmatningens frekvens används Z-domänöverföringsfunktionen. Storlekssvaret visas nedan för alfa lika med 0,5. Y-axeln visas återigen i decibel. X-axeln är logaritmisk från 0,001 till pi. Den verkliga frekvensen kartor till x-axeln med noll är likspänningen och pi är lika med hälften av samplingsfrekvensen. Eventuella frekvenser som är större än hälften av samplingsfrekvensen kommer att aliaseras. Som nämnts kan ett analogt filter säkerställa praktiskt taget alla frekvenser i den digitala signalen är under hälften av samplingsfrekvensen. EMA-filtret är fördelaktigt i inbyggda mönster av två skäl. Först är det enkelt att justera cutoff-frekvensen. Att sänka värdet på alfa kommer att sänka filterets skärningsfrekvens som illustreras genom att jämföra ovanstående alfa 0,5-plot till nedanstående plot där alfa 0,1. För det andra är EMA lätt att koda och kräver endast en liten mängd datorkraft och minne. Kodsimplementeringen av filtret använder skillnadsekvationen. Det finns två multiplicera operationer och en tilläggsoperation för varje outputthis ignorerar de operationer som krävs för avrundning av fast punktmatematik. Endast det senaste provet måste lagras i RAM. Detta är väsentligt mindre än att använda ett enkelt glidande medelfilter med N-punkter som kräver N-multiplicerings - och additionoperationer såväl som N-prov som ska lagras i RAM. Följande kod implementerar EMA-filtret med hjälp av 32-bitars fixpunktmatematik. Koden nedan är ett exempel på hur man använder ovanstående funktion. Slutsats Filter, både analoga och digitala, är en viktig del av inbyggda mönster. De tillåter utvecklare att bli av med oönskade frekvenser vid analys av sensorinmatning. För att digitala filter ska vara användbara måste analoga filter ta bort alla frekvenser över hälften av samplingsfrekvensen. Digital IIR-filter kan vara kraftfulla verktyg i inbyggd design där resurser är begränsade. Det exponentiella glidande medlet (EMA) är ett exempel på ett sådant filter som fungerar bra i inbäddade konstruktioner på grund av de låga minnes - och datorkraftkraven. Räkneverkets genomsnittliga svar Svarfrekvensen hos ett LTI-system är impulsens DTFT svaret, Impulssvaret för ett L-provrörande medelvärde är Eftersom det glidande medelfiltret är FIR, minskar frekvenssvaret till den ändliga summan. Vi kan använda den mycket användbara identiteten för att skriva frekvensresponsen som där vi har låt oss minus jomega. N 0 och M L minus 1. Vi kan vara intresserade av storleken på denna funktion för att bestämma vilka frekvenser som går igenom filtret obetydligt och vilka dämpas. Nedan är en plot av storleken på denna funktion för L 4 (röd), 8 (grön) och 16 (blå). Den horisontella axeln sträcker sig från noll till pi radianer per prov. Observera att frekvensresponsen i alla tre fallen har en lowpass-egenskap. En konstant komponent (nollfrekvens) i ingången passerar genom filtret obetydligt. Vissa högre frekvenser, såsom pi 2, elimineras helt av filtret. Men om avsikt var att designa ett lågpassfilter, har vi inte gjort det bra. Några av de högre frekvenserna dämpas endast med en faktor på ca 110 (för 16-punkts glidande medelvärdet) eller 13 (för det fyrapunkts glidande medlet). Vi kan göra mycket bättre än det. Ovanstående plot skapades av följande Matlab-kod: omega 0: pi400: pi H4 (14) (1-exp (-iomega4)) (1-exp (-iomega)) H8 (18) iomega8)) (1-exp (-iomega)) H16 (116) (1-exp (-iomega16)) (1-exp (-iomega)) plot (omega, abs (H4) H16)) axel (0, pi, 0, 1) Kopia kopia 2000- - University of California, Berkeley