Oleh Michael R Bryant. Indikator teknis adalah salah satu elemen fundamental dari Indikator Perdagangan yang sistematis, seperti moving averages atau stochastics, dapat dipandang sebagai transformasi dari seri input biasanya, harga atau volume yang dirancang untuk menonjolkan aspek tertentu dari pasar, seperti Sebagai tren dan siklisitas Sementara metode perdagangan fundamental yang paling sistematis, banyak pedagang menghindari indikator yang paling umum, seperti rata-rata pergerakan sederhana dan indikator kekuatan relatif RSI, dengan keyakinan bahwa pasar telah menyesuaikan penggunaannya, mengurangi keefektifannya. Cara untuk mengimbangi efek efisiensi pasar terhadap kelangsungan indikator teknis adalah dengan memodifikasinya dengan cara yang berarti. Misalnya, indikator VIDYA Chande dan Kroll 1 adalah rata-rata pergerakan eksponensial dimana faktor pemulusan bergantung pada volatilitas pasar, jadi Bahwa jarak pandang balik yang efektif berkurang saat volatilitas meningkat. Pada artikel ini, saya akan mengembangkan perpanjangan adaptasi Ive melihat-kembali pendekatan dan menunjukkan bagaimana menerapkannya ke berbagai indikator dengan hanya beberapa baris tambahan kode Indikator yang dihasilkan memberikan fleksibilitas yang lebih besar daripada indikator sebelumnya dan mungkin lebih konsisten dengan tampilan statistik pasar. Mengadaptasi Look - Back Length. Mengingat pasar terus berubah, masuk akal untuk mencoba beradaptasi dengan perubahan sebanyak mungkin. Sebagian besar indikator teknis pada awalnya dikembangkan dengan panjang tampilan balik yang tetap misalnya, jumlah bar dalam rata-rata pergerakan sederhana. Sejumlah penulis telah mengusulkan untuk menyesuaikan panjang tampilan belakang dengan volatilitas pasar. Untuk indikator Variable Index Dynamic Average VIDYA, misalnya, Chande dan Kroll menggunakan beberapa metrik yang berbeda, termasuk indeks volatilitas berdasarkan standar deviasi harga yang dinormalisasi di mana Nilai indeks yang lebih tinggi menghasilkan panjang lihat belakang yang lebih rendah. Gagasannya adalah bahwa selama periode volatilitas yang lebih tinggi, rata-rata pergerakan harus lebih responsif. E ke pasar sedangkan selama periode volatilitas lebih rendah, moving average periode yang lebih lama lebih sesuai dengan perilaku pasar. Kaufman mengambil pendekatan yang agak berbeda 2 Gagasan di balik Userfman Adaptive Moving Average KAMA adalah bahwa selama periode volatilitas tinggi, Anda kembali cenderung mengalami cambuk saat pasar bergoyang maju-mundur, mengakibatkan kerugian berulang-ulang. Untuk menghindarinya, dia menggunakan periode yang lebih lama untuk rata-rata pergerakan selama periode aksi harga berombak sehingga rata-rata akan kurang responsif terhadap harga. Volatilitas pasar, yang mengakibatkan pembalikan yang lebih sedikit Selama pergerakan pasar, periode pergerakan rata-rata menurun sehingga perdagangan bisa bereaksi lebih cepat terhadap perubahan arah. Untuk mengukur choppiness, Kaufman menggunakan rasio efisiensi yang disebut ER, yang mengukur Nilai absolut dari perubahan harga selama periode lihat-balik dibagi dengan jumlah nilai absolut dari perubahan harga bar-to-bar selama periode yang sama Jika, misalnya, Perubahan harga bersih adalah nol - harga sama pada akhir periode sejak awal - maka ER akan menjadi nol Dalam kasus ini, pasar sangat tidak efisien karena dapat bergerak banyak dari Bar ke bar, tapi tidak ke mana-mana Jika, di sisi lain, pasar bergerak dengan mantap dalam satu arah naik atau turun, sehingga setiap langkah memberi kontribusi terhadap perubahan harga bersih, ER akan menjadi 1 Dalam hal ini Kasusnya, pasar sangat efisien karena semua pergerakan harga bar berkontribusi terhadap tren. Secara umum, ER akan berada di antara 0 dan 1.A Pandangan Berbeda dari Panjang Lihat-Adaptif Adaptif. Meskipun banyak metrik yang berbeda dapat - dan memiliki Telah - digunakan untuk menyesuaikan jarak pandang, rasio efisiensi menangkap aspek fundamental dari aksi pasar yaitu, perbedaan antara perilaku tren dan siklik Nilai ER yang tinggi menyiratkan pasar yang sangat tren, yang berarti pergerakan siklis yang sangat sedikit, dan nilai rendah ER menyiratkan sedikit tren dan karena itu lebih banyak gerakan siklik Nt kecuali dalam kasus pergerakan kecil sama sekali. Ini cenderung mendukung pendekatan Kaufman. Namun, keputusannya untuk menggunakan panjang tampilan kembali yang lebih lama di pasar berombak didasarkan pada 1 asumsi bahwa kita menyesuaikan kembali panjang gerakan kembali. Rata-rata, dan 2 gagasan bahwa rata-rata bergerak digunakan untuk memicu masuk atau keluar perdagangan. Sudut pandang alternatif adalah yang didukung oleh John Ehlers melalui karyanya mengenai penerapan metode pemrosesan sinyal ke perdagangan 3 Pandangannya lebih sesuai dengan usaha mencoba Untuk lebih dekat memodelkan bagian dari pasar bunga misalnya komponen tren atau komponen siklus Dari sudut pandang itu, rata-rata bergerak di pasar yang berombak harus menggunakan jarak pandang kembali yang lebih pendek untuk menangkap frekuensi yang lebih akurat dengan lebih akurat yang ditunjukkan oleh Choppiness, sedangkan di pasar yang sangat tren, panjang back-back yang lebih lama lebih konsisten dengan pergerakan pasar. Sudut pandang ketiga adalah yang akan saya adopsi di sini yaitu, yang lebih bersifat statistik Pertama, jangan sumbang apapun Ng lebih dari benar-benar diperlukan tentang indikator yang dimaksud dan bagaimana penggunaannya Biasanya, jangan asumsikan indikator yang dimaksud adalah rata-rata bergerak, dan jangan menganggapnya sesuai dengan harga Mungkin, misalnya, menjadi RSI volatilitas atau rata-rata pergerakan stochastic volume Indikator ini dapat digunakan bersamaan dengan indikator lain sebagai bagian dari peraturan yang lebih besar untuk masuk atau keluar, bukan dengan sendirinya. Dengan pandangan yang lebih berorientasi statistik ini, tujuannya adalah untuk Membuat peraturan perdagangan yang memiliki keabsahan statistik, yang berarti mereka sesuai dengan tindakan harga dengan baik tanpa terlalu tepat Kita tidak mengasumsikan kita tahu bagaimana pasar bekerja dengan cukup baik untuk membuat keputusan spesifik mengenai apakah panjang tampilan kembali harus meningkat atau menurun dengan sesuatu seperti Rasio efisiensi Sebaliknya, kita memiliki beberapa alasan untuk percaya bahwa rasio efisiensi mungkin memiliki relevansi dan oleh karena itu kita ingin memasukkannya sebagai variabel, namun kita membiarkannya ke pasar untuk memberi tahu kita apakah dan bagaimana f Uji statistiknya digunakan untuk memberi tahu kami jika strategi perdagangan yang berisi indikator tersebut valid secara statistik atau jika terlalu fit, tidak valid karena sesuai dengan noise daripada sinyal pasar. Lebih banyak Adaptif Adaptif Look-Back. Dengan pembahasan sebelumnya, panjang look-back adaptif yang dikembangkan di sini akan didasarkan pada rasio efisiensi ER dan akan menggunakan parameter untuk menentukan hubungan antara ER dan panjang tampilan belakang. Secara khusus, pertimbangkan persamaan berikut ini. ER persegi ER - 2 ER - 1 2 1 - TrendParam 0 5.di mana VER adalah rasio efisiensi variabel, dan TrendParam adalah parameter tren, yang dapat mengambil nilai positif atau negatif dan yang menentukan apakah panjang tampilan kembali akan meningkat atau menurun dengan kenaikan ER. Ini pada dasarnya hanyalah cara untuk membalikkan rasio ER tergantung pada parameter tren Seperti ditunjukkan di bawah ini, daripada menskalakan konstanta pemulusan oleh ER, seperti yang dilakukan Chande dan Kroll dan Kaufman, kita menggunakan VER With p Nilai ositif TrendParam, VER bervariasi secara positif dengan ER, sedangkan dengan nilai negatif TrendParam, VER bervariasi secara negatif dengan ER Dengan TrendParam sama dengan nol, VER sama dengan 1 untuk semua nilai ER. Alun-alun tersebut diambil untuk mengukur nilai penggunaan yang lebih baik. Sebagai pengganda, seperti yang dijelaskan selanjutnya. Untuk menghitung panjang look-back adaptif dengan menggunakan persamaan ini, kita mengalikan nilai asli dari konstanta pemulusan, Alpha, yang sesuai dengan panjang tampilan awal, oleh VER. VAlpha Alpha VER. in Yang mana VAlpha adalah konstanta perataan adaptif, dan Alpha adalah nilai asli dari konstanta pemulusan. Hubungan antara konstanta pemulusan dan panjang tampilan belakang sama dengan rata-rata pergerakan eksponensial yang terjadi. Di mana N adalah tampilan balik Panjang, dan Alpha adalah konstanta smoothing Persamaan ini juga dapat ditulis untuk N dalam hal Alpha sebagai. Panjang latar belakang adaptif karenanya. ADAPTIVE MA. Adaptive Moving Average.05 08 00 11 15 15 AM oleh Jason K Hutson Disini S an Indikator yang menyesuaikan kecepatan rata-rata bergerak untuk menangkap pasar yang bergerak cepat, namun melambat di pasar dengan tren miring sehingga mengurangi whipsaws. Untuk menggabungkan kelebihan rata-rata bergerak yang lebih lambat dan lebih cepat, Perry Kaufman, teknisi pasar, Manajer uang dan penulis, mengembangkan rata-rata pergerakan rata-rata AMA bergerak cepat rata-rata bergerak, dengan menggunakan lebih sedikit hari dalam perhitungan mereka, lebih sensitif terhadap fluktuasi pasar dan akan memperingatkan trader untuk mengalami perubahan tren lebih cepat daripada rata-rata pergerakan yang lebih lambat. Namun, rata-rata pergerakan yang lebih cepat menjadi terlalu tinggi. Sensitif selama pasar bergerak menyamping dan sering memiliki pedagang membeli masuk dan keluar dari fluktuasi pasar atau kebisingan ketika ada sedikit keuntungan yang harus dilakukan. Rata-rata bergerak yang lambat menyaring kebisingan itu, namun memiliki lag yang sering membuat trader keluar dari Jumlah keuntungan yang signifikan saat pasar mulai tren. AMA menyesuaikan panjang rata-rata pergerakannya sehingga lebih cepat, menggunakan lebih sedikit hari, untuk menghitung moving aver-nya. Usia ketika pasar bergerak dengan cepat, mengubah arah, atau keluar dari rentang perdagangan Namun melambat, menggunakan lebih banyak hari, ketika pasar bergerak volatile dan bergerak ke samping Oleh karena itu, seharusnya menghasilkan sinyal jual beli yang lebih sedikit dan lebih menguntungkan. Dalam menghitung AMA, Kaufman pertama kali menggunakan arah harga dan volatilitas untuk menghasilkan rasio efisiensi ER ER melakukan pendekatan 1 ketika pasar bergerak naik atau turun, dan mendekati nol saat berada dalam pola sidik jari Kaufman kemudian menghitung dua dari apa yang dia sebut, merapikan Konstanta, menggunakan moving average yang cepat dan lambat Dia menggabungkan dua konstanta smoothing dengan ER untuk sampai pada AMA yang menyesuaikan dengan tren pasar, kemudian menghasilkan sinyal beli dan jual. Diangkat dari Adaptive Moving Averages oleh Bruce Faber, Technical Analysis Dari STOCKS COMMODITIES, Volume 13, Number 6 Rumus matematis lengkap yang digunakan, dan data spreadsheet excel, tersedia di Adaptive Moving Average oleh Bruce Faber. Penulis Staf Menikmati trendlines, support dan resistance, moving averages, RSI, MACD, ADX, Bollinger bands, parabolic SAR, formasi grafik, dan analisis volume. Peringkat 1 Komentar Sulit untuk menentukan apakah informasi ini bermanfaat atau tidak kapan Anda harus membayar untuk melihatnya terlebih dahulu, dan ini setelah saya sudah membayar biaya hanya untuk melihat apakah ada informasi yang bisa saya gunakan tidak masuk akal, ya Kecuali, jika saya berada di situs web Anda. Kaufman Rasio Efisiensi ER pertama kali dipresentasikan oleh Perry Kaufman dalam bukunya 1995 Smarter Trading Hal ini dihitung dengan membagi perubahan harga dalam suatu periode dengan jumlah mutlak dari pergerakan harga yang terjadi untuk mencapai perubahan tersebut Rentang yang dihasilkan berkisar Antara 0 dan 1 dengan nilai yang lebih tinggi mewakili pasar yang lebih efisien atau tren. ER sebenarnya sangat mirip dengan CMO Momentum Chandle Momentum yang dipresentasikan oleh Tushar S Chande di The New Technical Trader 1994 Perbedaannya adalah CMO masuk ke dalam Ccount untuk arah pasar tapi jika Anda mengambil CMO mutlak dan bagi dengan 100 Anda mendapatkan Rasio Efisiensi. Ukuran kekuatan tren bisa sangat berguna karena beberapa strategi bekerja paling baik di pasar yang sedang tren dan beberapa di pasar terikat juga berbeda. Panjang rata-rata bergerak akan berkinerja lebih baik tergantung tipe pasarnya saat itu. Kaufman awalnya menginginkan Rasio Efisiensi untuk digunakan dalam Adaptive Moving Average KAMA-nya. Namun, di samping KAMA, sebagai bagian dari Technical Indicator Fight for Supremacy, kami akan mengujinya. Sebagai komponen dalam Variable Moving Average dan Indicator Weighted Moving Average. Cara Menghitung Efisiensi Ratio. ER Arah Volatilitas. Arah ABS Close Close n. Volatilitas n ABS Close Close 1.n Rasio rasio efisiensi. Berikut adalah contoh dari Sebuah 3 periode ER. Efficiency Ratio Excel File. I telah mengumpulkan Lembar Kerja Excel yang berisi Rasio Efisiensi Kaufman dan membuatnya tersedia untuk download GRATIS Ini berisi versi dasar d Memunculkan contoh di atas dan yang mewah yang secara otomatis akan menyesuaikan dengan panjang yang Anda tentukan Temukan di link berikut di dekat bagian bawah halaman di bawah Download Indikator Efisiensi Efisiensi Hasil ER. Test. Sebagai bagian dari Indikator Teknis Berjuang untuk Supremasi Kami Telah diuji akan menguji Rasio Efisiensi sebagai komponen dalam beberapa indikator teknis. Rasio Efisiensi Variabel Moving Average ER-VMA Selesai Hasil. Rasio Efisiensi Rata-rata Bergerak Rata-rata Hasil ER-AMA Selesai. Rasio Efisiensi Log Normal Bergerak Rata-rata Bergerak ER-LAMA. Efficiency Ratio Weighted Moving Average ER-WMA. We juga akan menguji ER sebagai filter, hanya melakukan perdagangan bila mengindikasikan trend yang kuat. Contoh Rasio Efisiensi.
No comments:
Post a Comment