Implementasi rata-rata tertimbang-tertimbang

Implementasi rata-rata tertimbang-tertimbang

Apa-adalah-strategi trading forex yang baik
Bagan saya-forex
Options-trading-seminar-vancouver


Ringkasan strategi pelatihan-eksekutif Option-trading-with-technical-analysis Perpajakan-pada-stock-options-canada Option-trading-icicidirect Tutorial-trading-forex-bahasa-indonesia Stock-options-when-you-leave-a-company

Saya mencoba untuk menghitung rata-rata bergerak sinyal. Nilai sinyal (ganda) diperbarui pada waktu yang acak. Saya mencari cara yang efisien untuk menghitung rata-rata tertimbang waktunya di atas jendela waktu, secara real time. Saya bisa melakukannya sendiri, tapi ini lebih menantang dari yang saya duga. Sebagian besar sumber yang saya temukan di internet menghitung rata-rata sinyal periodik bergerak, namun pembaruan ranjau pada waktu yang acak. Apakah ada yang tahu sumber daya yang baik untuk itu Caranya adalah sebagai berikut: Anda mendapatkan update secara acak melalui update void (int time, float value). Namun Anda juga perlu juga melacak saat update jatuh dari jendela waktu, jadi Anda mengatur alarm yang memanggil pada waktu N yang menghapus pembaruan sebelumnya dari yang pernah dipertimbangkan lagi dalam perhitungan. Jika ini terjadi secara real-time Anda dapat meminta sistem operasi untuk melakukan panggilan ke metode void dropoffoldestupdate (int time) untuk dipanggil pada saat N Jika ini adalah simulasi, Anda tidak dapat memperoleh bantuan dari sistem operasi dan Anda perlu Lakukan secara manual Dalam simulasi Anda akan memanggil metode dengan waktu yang diberikan sebagai argumen (yang tidak berkorelasi dengan real time). Namun, asumsi yang masuk akal adalah bahwa panggilan dijamin sedemikian rupa sehingga argumen waktu meningkat. Dalam kasus ini, Anda perlu mengatur daftar nilai waktu alarm yang diurutkan, dan untuk setiap pembaruan dan baca panggilan, Anda harus memeriksa apakah argumen waktu lebih besar daripada daftar alarm. Meskipun lebih besar Anda melakukan pemrosesan terkait alarm (nonaktifkan pembaruan yang paling lama), lepaskan kepala dan periksa lagi sampai semua alarm sebelum waktu tertentu diproses. Lalu lakukan update call. Sejauh ini saya menduga sudah jelas apa yang akan Anda lakukan untuk perhitungan sebenarnya, tapi saya akan menjelaskannya untuk berjaga-jaga. Saya asumsikan Anda memiliki metode float read (int time) yang Anda gunakan untuk membaca nilainya. Tujuannya agar panggilan ini seefisien mungkin. Jadi, Anda tidak menghitung rata-rata bergerak setiap kali metode baca dipanggil. Sebagai gantinya Anda melakukan precompute nilai pada update terakhir atau alarm terakhir, dan tweak nilai ini oleh beberapa operasi floating point untuk memperhitungkan berlalunya waktu sejak update terakhir. (I. sejumlah operasi konstan kecuali mungkin memproses daftar alarm yang tertumpuk). Semoga ini jelas - ini harus menjadi algoritma yang cukup sederhana dan cukup efisien. Optimalisasi lebih lanjut. Salah satu masalah yang tersisa adalah jika sejumlah besar pembaruan terjadi di jendela waktu, maka ada waktu yang lama dimana tidak ada pembacaan atau pembaruan, dan kemudian pembacaan atau pembaruan muncul. Dalam kasus ini, algoritma di atas akan tidak efisien secara bertahap memperbarui nilai untuk setiap pembaruan yang jatuh. Ini tidak perlu karena kami hanya peduli dengan pembaruan terakhir di luar jendela waktu sehingga jika ada cara untuk secara efisien menurunkan semua pembaruan lama, ini akan membantu. Untuk melakukan ini, kita dapat memodifikasi algoritma untuk melakukan pencarian biner dari update untuk menemukan update terbaru sebelum jendela waktu. Jika ada sedikit pembaruan yang perlu dijatuhkan maka seseorang dapat secara bertahap memperbarui nilainya untuk setiap pembaruan yang terjatuh. Tapi jika ada banyak update yang perlu dijatuhkan maka seseorang bisa menghitung ulang nilainya dari nol setelah mengundurkan diri dari update lama. Lampiran pada Perhitungan Incremental: Saya harus menjelaskan apa yang saya maksud dengan perhitungan tambahan di atas dalam kalimat yang men-tweak nilai ini oleh beberapa operasi floating point untuk memperhitungkan berlalunya waktu sejak update terakhir. Perhitungan awal non-inkremental: kemudian iterate over relevantupdates dalam rangka peningkatan waktu: movingaverage (sum lastupdate timesincelastupdate) windowlength. Sekarang jika tepat satu update jatuh dari jendela tapi tidak ada update baru tiba, sesuaikan jumlah sebagai: (perhatikan itu adalah priorupdate yang memiliki cap waktu dimodifikasi untuk memulai jendela terakhir dimulai). Dan jika tepat satu update masuk ke jendela tapi tidak ada update baru yang jatuh, sesuaikan jumlah sebagai: Seperti yang seharusnya jelas, ini adalah sketsa kasar tapi mudah-mudahan ini menunjukkan bagaimana Anda dapat mempertahankan rata-rata operasi O (1) per update. Atas dasar amortisasi. Tapi perhatikan optimasi lebih lanjut di paragraf sebelumnya. Perhatikan juga masalah stabilitas yang disinggung dalam jawaban yang lebih tua, yang berarti bahwa kesalahan floating point dapat menumpuk lebih dari sejumlah besar operasi inkremental semacam itu sehingga ada perbedaan dari hasil komputasi penuh yang signifikan terhadap aplikasi. Jika perkiraannya baik-baik saja dan ada waktu minimum di antara sampel, Anda bisa mencoba super-sampling. Miliki sebuah array yang mewakili interval waktu jarak merata yang lebih pendek dari minimum, dan setiap periode menyimpan sampel terbaru yang diterima. Semakin pendek jeda, semakin mendekati rata-rata nilai sebenarnya. Periode seharusnya tidak lebih dari setengah minimum atau ada kemungkinan kehilangan sampel. Jawab 15 Des 11 18:12 at 11:12 menjawab 15 Des 11 22:38 Terima kasih atas jawabannya. Salah satu perbaikan yang akan dibutuhkan untuk benar-benar mengutip nilai rata-rata dari total rata-rata jadi kami tidak meluangkan waktu. Juga, ini mungkin titik kecil, tapi tidakkah lebih efisien menggunakan deque atau daftar untuk menyimpan nilainya, karena kita berasumsi bahwa pembaruan akan sesuai dengan urutan yang benar. Penyisipan akan lebih cepat dari pada peta. Ndash Arthur 16 Des 11 at 8:55 Ya, Anda bisa menyimpan nilai penjumlahan. Kurangi nilai sampel yang Anda hapus, tambahkan nilai sampel yang Anda sisipkan. Juga, ya, contoh dequeltpairltample, Dategtgt mungkin lebih efisien. Saya memilih peta untuk mudah dibaca, dan kemudahan memohon peta :: upperbound. Seperti biasa, tulis kode yang benar dulu, lalu profil dan ukur perubahan inkremental. Ndash Rob 16 Desember 11 pukul 15:00 Catatan: Rupanya ini bukan cara untuk mendekati ini. Meninggalkannya di sini untuk referensi tentang apa yang salah dengan pendekatan ini. Periksa komentarnya. UPDATED - berdasarkan komentar Olis. Tidak yakin tentang ketidakstabilan yang dia bicarakan sekalipun. Gunakan peta waktu kedatangan yang ditentukan terhadap nilai. Saat kedatangan sebuah nilai menambahkan waktu kedatangan ke peta yang diurutkan beserta nilainya dan memperbarui moving average. Peringatan ini pseudo-code: disana Tidak sepenuhnya fleshed keluar tapi Anda mendapatkan ide. Hal yang perlu diperhatikan. Seperti yang saya katakan di atas adalah kode pseudo. Anda harus memilih peta yang sesuai. Jangan menghapus pasangan saat Anda melakukan iterasi karena Anda akan membuat iterator tidak valid dan harus dimulai lagi. Lihat komentar Olis di bawah ini juga. Menjawab 15 Des 11 jam 12:22 Pekerjaan ini tidak berhasil: tidak memperhitungkan berapa proporsi panjang jendela setiap nilai. Selain itu, pendekatan penambahan dan penguraian ini hanya stabil untuk tipe integer, bukan pelampung. Ndash Oliver Charlesworth 15 Des 12 12 OliCharlesworth - maaf saya melewatkan beberapa poin penting dalam deskripsi (double and time-weighted). Saya akan update Terima kasih. Ndash Dennis Dec 15 11 at 12:33 Waktu-bobot adalah masalah lain. Tapi bukan itu yang saya bicarakan. Saya mengacu pada fakta bahwa ketika nilai baru pertama kali memasuki jendela waktu, kontribusinya terhadap rata-rata sangat minim. Kontribusinya terus meningkat sampai nilai baru masuk. 11 11 Pada dasarnya saya memiliki sejumlah nilai seperti ini: Array di atas disederhanakan, saya mengumpulkan 1 nilai per milidetik dalam kode sebenarnya dan saya perlu mengolah output pada algoritma yang saya tulis untuk menemukan Puncak terdekat sebelum titik waktu. Logika saya gagal karena dalam contoh saya di atas, 0,36 adalah puncak sebenarnya, tapi algoritme saya akan terlihat mundur dan melihat angka terakhir 0,25 sebagai puncaknya, karena ada penurunan menjadi 0,24 sebelum itu. Tujuannya adalah untuk mengambil nilai-nilai ini dan menerapkan algoritma kepada mereka yang akan menghaluskannya sedikit sehingga saya memiliki nilai linier yang lebih banyak. (Yaitu: Id seperti hasil saya melengkung, tidak bergerigi) Saya telah diberitahu untuk menerapkan filter rata-rata bergerak eksponensial ke nilai-nilai saya. Bagaimana saya bisa melakukan ini Sangat sulit bagi saya untuk membaca persamaan matematis, saya jauh lebih baik dengan kode. Bagaimana cara memproses nilai dalam array saya, menerapkan perhitungan rata-rata bergerak eksponensial bahkan sampai mereka bertanya pada 8 Februari pukul 20:27 untuk menghitung rata-rata pergerakan eksponensial. Anda perlu menyimpan beberapa keadaan di sekitar dan Anda memerlukan parameter tuning. Ini memerlukan kelas kecil (dengan asumsi Anda menggunakan Java 5 atau yang lebih baru): Instantiate dengan parameter peluruhan yang Anda inginkan (mungkin mengambil tuning harus antara 0 dan 1) dan kemudian gunakan rata-rata () untuk memfilter. Saat membaca sebuah halaman tentang beberapa kekambuhan mathmatical, semua yang Anda benar-benar perlu ketahui saat mengubahnya menjadi kode adalah matematikawan suka menulis indeks menjadi array dan urutan dengan subskrip. (Ada beberapa notasi lain juga, yang tidak membantu). Namun, EMA cukup sederhana karena Anda hanya perlu mengingat satu nilai lama tanpa susunan negara yang rumit. Jawab Feb 8 12 jam 20:42 TKKocheran: Cukup banyak. Tidak masalah jika hal-hal sederhana (Jika dimulai dengan urutan baru, dapatkan rata-rata baru.) Perhatikan bahwa beberapa istilah pertama dalam urutan rata-rata akan melompat sedikit karena efek batas, namun Anda mendapatkan yang memiliki rata-rata bergerak lainnya. terlalu. Namun, keuntungan yang bagus adalah Anda dapat membungkus logika rata-rata bergerak ke rata-rata dan bereksperimen tanpa mengganggu keseluruhan program Anda. Ndash Donal Fellows Feb 9 12 at 0:06 Saya mengalami kesulitan untuk memahami pertanyaan Anda, tapi saya akan mencoba menjawabnya juga. 1) Jika algoritma Anda menemukan 0,25 bukan 0,36, maka itu salah. Ini salah karena mengasumsikan kenaikan atau penurunan monotonik (yang selalu naik atau selalu turun). Kecuali Anda rata-rata SEMUA data Anda, poin data Anda --- seperti yang Anda sampaikan - tidak bersifat nonlinier. Jika Anda benar-benar ingin menemukan nilai maksimum antara dua titik dalam waktu, maka iris array Anda dari tmin ke tmax dan temukan maks dari subarray itu. 2) Sekarang, konsep moving averages sangat sederhana: bayangkan bahwa saya memiliki daftar berikut: 1.4, 1.5, 1.4, 1.5, 1.5. Saya bisa menghaluskannya dengan mengambil rata-rata dua angka: 1.45, 1.45, 1.45, 1.5. Perhatikan bahwa angka pertama adalah rata-rata 1,5 dan 1,4 (angka kedua dan pertama) yang kedua (daftar baru) adalah rata-rata 1,4 dan 1,5 (daftar ketiga dan kedua) yang ketiga (daftar baru) rata-rata 1,5 dan 1,4 (Keempat dan ketiga), dan seterusnya. Saya bisa membuatnya periode tiga atau empat, atau n. Perhatikan bagaimana datanya jauh lebih mulus. Cara yang baik untuk melihat rata-rata bergerak di tempat kerja adalah pergi ke Google Finance, pilih saham (coba Tesla Motors cukup mudah menguap (TSLA)) dan klik pada teknikal di bagian bawah bagan. Pilih Moving Average dengan periode tertentu, dan moving average eksponensial untuk membandingkan perbedaannya. Rata-rata pergerakan eksponensial hanyalah penjabaran lain dari ini, namun bobot data yang lebih tua kurang dari data baru ini adalah cara untuk meratakan perataan ke arah belakang. Silahkan baca entri Wikipedia. Jadi, ini lebih merupakan komentar daripada sebuah jawaban, tapi kotak komentar kecil itu hanya untuk mungil. Semoga berhasil. Jika Anda mengalami masalah dengan matematika, Anda bisa pergi dengan rata-rata bergerak sederhana daripada eksponensial. Jadi output yang Anda dapatkan akan menjadi x terakhir yang dibagi dengan x. Pseudocode yang tidak teruji: Perhatikan bahwa Anda perlu menangani bagian awal dan akhir data karena dengan jelas Anda tidak dapat menghitung rata-rata 5 persyaratan saat Anda berada di data 2 Anda. Juga, ada cara yang lebih efisien untuk menghitung rata-rata bergerak ini (jumlah sum - tertua terbaru), namun ini adalah untuk mendapatkan konsep tentang apa yang terjadi. Jawab 8 Februari 12 di 20: 41Apakah mungkin menerapkan rata-rata bergerak di C tanpa memerlukan jendela sampel, saya telah menemukan bahwa saya dapat mengoptimalkan sedikit, dengan memilih ukuran jendela yang merupakan kekuatan dua untuk memungkinkan perpindahan bit Alih-alih membagi, tapi tidak membutuhkan penyangga akan menyenangkan. Apakah ada cara untuk mengungkapkan hasil rata-rata bergerak baru hanya sebagai fungsi dari hasil lama dan sampel baru Tentukan contoh rata-rata bergerak, di atas jendela 4 sampel menjadi: Tambahkan sampel baru e: Rata-rata bergerak dapat diimplementasikan secara rekursif. , Tapi untuk kalkulasi rata-rata bergerak yang tepat, Anda harus mengingat sampel masukan tertua dalam jumlah (contohnya dalam contoh Anda). Untuk panjang N rata-rata bergerak yang Anda hitung: di mana yn adalah sinyal output dan xn adalah sinyal input. Pers. (1) dapat ditulis secara rekursif. Jadi Anda harus selalu mengingat sampel xn-N untuk menghitung (2). Seperti yang ditunjukkan oleh Conrad Turner, Anda dapat menggunakan jendela eksponensial (jauh lebih panjang) sebagai gantinya, yang memungkinkan Anda menghitung keluaran hanya dari keluaran lalu dan masukan saat ini: namun ini bukan rata-rata bergerak standar (tanpa bobot) namun secara eksponensial. Rata bergerak tertimbang, di mana sampel lebih jauh di masa lalu mendapatkan bobot yang lebih kecil, tapi (setidaknya secara teori) Anda tidak akan pernah melupakan apapun (bobotnya semakin kecil dan kecil untuk sampel jauh di masa lalu). Saya menerapkan rata-rata bergerak tanpa memori item individual untuk program pelacakan GPS yang saya tulis. Saya mulai dengan 1 sampel dan bagi 1 untuk mendapatkan nilai rata-rata saat ini. Saya kemudian menambahkan sampel anothe dan membagi dengan 2 ke avg saat ini. Ini berlanjut sampai saya mencapai panjang rata-rata. Setiap saat setelah itu, saya menambahkan sampel baru, mendapatkan rata-rata dan menghapus rata-rata dari total. Saya bukan seorang matematikawan tapi ini sepertinya cara yang bagus untuk melakukannya. Kupikir itu akan mengubah perut orang matematika sejati tapi, ternyata itu adalah salah satu cara yang bisa diterima untuk melakukannya. Dan itu bekerja dengan baik. Ingatlah bahwa semakin tinggi panjang Anda semakin lambat, mengikuti apa yang ingin Anda ikuti. Itu mungkin tidak masalah sebagian besar waktu tapi ketika mengikuti satelit, jika Anda lamban, jejaknya bisa jauh dari posisi sebenarnya dan akan terlihat buruk. Anda bisa memiliki celah antara duduk dan titik-titik trailing. Saya memilih panjang 15 update 6 kali per menit untuk mendapatkan smoothing yang memadai dan tidak terlalu jauh dari posisi duduk sebenarnya dengan titik jepret yang merapikan. Jawab 16 16 pada 23:03 menginisialisasi total 0, count0 (setiap kali melihat nilai baru Kemudian satu masukan (scanf), satu menambahkan totalnewValue, satu kenaikan (hitungan), satu rata-rata pembagian (jumlah total) Ini akan menjadi rata-rata bergerak di atas Semua input Untuk menghitung rata-rata hanya di atas 4 masukan terakhir, akan memerlukan 4 variabel input, mungkin menyalin setiap masukan ke inputvariable yang lebih tua, kemudian menghitung rata-rata pergerakan baru. Sebagai jumlah dari 4 variabel input, dibagi 4 (pergeseran kanan 2 akan menjadi Baik jika semua input positif membuat perhitungan rata-rata dijawab 3 Feb 15 at 4:06 Itu benar-benar akan menghitung rata-rata total dan TIDAK rata-rata bergerak. Seiring bertambahnya dampak, setiap sampel masukan baru menjadi sangat kecil ndash Hilmar Feb 3 15 di 13:53 Jawaban Anda 2017 Stack Exchange, Inc
Moving-average-in-excel-for-forecasting
Ile-realnie-moeјna-zarobid ‡ -na-forex