Friday 3 November 2017

Jma Bevegelig Gjennomsnittsformelen


Ideelt sett vil du at et filtrert signal skal være både jevnt og lagløst. Lag forårsaker forsinkelser i handlingene dine, og økende forsinkelse i indikatorene resulterer vanligvis i lavere fortjeneste. Med andre ord, får senere det som er igjen på bordet etter festet har allerede begynt. Det er derfor investorer, banker og institusjoner over hele verden ber om Jurik Research Moving Average JMA. Du kan søke det på samme måte som du ville et annet populært bevegelige gjennomsnitt. JMAs forbedrede tid og glatthet vil forbløffe deg. Den tunge grå linjen i diagrammet simulerer prisaktivitet som begynner i et lavt handelsområde, og deretter går det til et høyere handelsområde. Siden ingen liker å vente på sidelinjen, vil en perfekt støyreduksjonsfilter grønn linje bevege seg jevnt langs midten av det første handelsområdet og deretter hoppe til sentrum av det nye handelsområdet nesten umiddelbart. FAQs på JMA Hva er teorien bak JMA Hvorfor har JMA en PHASE-parameter Gjør JMA prognose en tidsserie Vil tidligere JMA-verdier, allerede plott ed, endre når nye data kommer fram Kan jeg forbedre andre indikatorer ved hjelp av JMA Har JMA noen spesiell garanti Hvordan sammenligner JMA med andre filtre. GENERELLE TEMAER PÅ JURIK VERKTØY Kan verktøyene plotte mange kurver på hver av mange diagrammer Kan verktøyene behandle hvilken som helst type av data Kan verktøyene fungere i sanntid Er algoritmen avslørt eller svart-boks Do Jurik-verktøy trenger å se på fremtiden for en tidsserie Gir verktøyene like verdier på alle plattformer TradeStation, Multicharts Do Jurik s-verktøy kommer med en garantere Hvor mange installasjonspassord får jeg. Hva er Theory Behind JMA. PART 1 PRICE GAPS. Smoothing tidsserie data, for eksempel daglige aksjekurser, for å fjerne uønsket støy vil uunngåelig produsere en grafindikator som beveger seg langsommere enn originalen tidsserier Denne tregheten vil føre til at plottet går litt bak den opprinnelige serien. For eksempel vil et 31 dagers enkeltflytende gjennomsnitt forsinke pristidsserien med 15 dager. Lag er veldig uønsket fordi en tradin G-systemet ved hjelp av denne informasjonen vil ha sin handel forsinket. Senere handler kan mange ganger være verre enn ingen handler i det hele tatt, ettersom du kan kjøpe eller selge på feil side av markedssyklusen. Mange forsøk ble derfor gjort for å minimere lag, hver med deres egne feil. Konkurranseforsinkelse uten å forenkle forutsetninger, for eksempel at data består av overordnede sykluser, daglige prisendringer som har en Gauss-distribusjon, alle priser er like viktige, osv. er ikke en triviell oppgave. Til slutt måtte JMA basere seg på det samme teknologi som militæret bruker til å spore bevegelige gjenstander i luften, bruker ikke noe mer enn deres støyende radar. JMA ser prisets tidsserier som et støyende bilde av et bevegelige mål den underliggende glatte prisen, og prøver å estimere plasseringen av det virkelige målet, jevn pris. Den proprietære matematikk er endret for å ta hensyn til de spesielle egenskapene til en finansiell tidsserie. Resultatet er en silkemykke kurve som ikke gir noen antagelser om at dataene har noen syklus Dermed kan JMA slå på en krone dersom markedsflytemålet bestemmer seg for å vende retning eller gap opp med noe beløp. Ingen prisgap er for stor. PART 2 ALLE ELSE. Etter flere års forskning har vi Jurik Research bestemt at Perfekt støyreduksjonsfilter for økonomiske data har følgende krav. Minste lag mellom signal og pris, ellers handler utløserne sent. Minimum overskridelse, ellers gir signal falske prisnivåer. Minimum underskudd, ellers er tiden tapt og venter på konvergens etter prisgap. Maksimum glatthet, bortsett fra i øyeblikket når prisen går til et nytt nivå. Når de måles opp til disse fire kravene, utfører alle populære filtre unntatt JMA dårlig. Her er et sammendrag av de mest populære filtre. Vektet Flytende Gjennomsnitt - Ikke responsivt på hull. Eksponensiell Flytende Gjennomsnittlig - Overdriven underskudd støyende. Adaptive Moving Averages - ikke vårs basert på forklare forutsetninger om markedsaktivitet d. Regresjonslinje - ikke reagerer på hull i overdreven overskygging. FFT-filtre - lett forvrengt av ikke-Gaussisk støy i datavinduet er vanligvis for liten til nøyaktig å bestemme ekte sykluser. FIR-filtre - har et lag kjent som gruppetidsforsinkelse. det med mindre du vil kutte noen hjørner. Se Band-Pass-filtre. Band-Pass-filtre - ingen lag bare i midten av frekvensbåndet har en tendens til å oscillere og overskride de aktuelle prisene. Maksimal Entropy-filtre - lett forvrengt av ikke-Gaussisk støy i data vinduet er vanligvis for lite til å nøyaktig bestemme sanne sykluser. Polynomialfiltre - ikke reagerer på hull i overdreven overskyting. I kontrast integrerer JMA informasjonsteori og adaptiv ikke-lineær filtrering på en unik måte. Ved å kombinere en vurdering av informasjonsinnholdet om gangen serien med kraften til adaptiv, ikke-lineær transformasjon, presser resultatet den teoretiske konvolutten på økonomisk tidsseriefiltrering nesten like langt som mulig. Mer og vi er opp mot Heisenburg s Uncer tynn prinsipp noe som ingen har overvinnet, eller noen gang vil. Så langt vi vet, er JMA det beste. Vi inviterer noen til å vise oss ellers. For mer komparativ analyse av feilene i populære filtre, last ned vår rapport Utviklingen av bevegelige gjennomsnitt fra vår Special Reports avdeling. Se vår sammenligning mot andre populære filtre. Hvorfor har JMA en FASE parameter. Det er to måter å redusere støy i en tidsserie ved hjelp av JMA Ved å øke LENGTH parameteren vil JMA bevege seg langsommere og dermed redusere støy på bekostning av ekstra lag. Alternativt kan du endre mengden av treghet som finnes i JMA. Inerti er som fysisk masse, jo mer du har, desto vanskeligere er det å snu retning. Så et filter med mye tröghet vil kreve mer tid for å reversere retningen og derved redusere støy på bekostning av overshooting under reverseringer i tidsserier. Alle sterke støyfiltre har lag og overshoot, og JMA er ikke noe unntak. JMAs justerbare parametere PH ASE og LENGTH gir deg mulighet til å velge den optimale avstanden mellom lag og overskudd. Dette gir deg muligheten til å finjustere ulike tekniske indikatorer. For eksempel viser diagrammet til høyre en rask JMA-linjeovergang over en tregere JMA-linje. rask JMA-linje slår på en krone når markedet vender tilbake, det var satt til å ha ingen inerti. I motsetning til dette var den langsomme JMA satt til å ha stor inerti, og derved redusere sin evne til å vende under markedsomvendelser. Dette arrangementet fører til at den raskere linjen krysses over den langsommere linjen så raskt som mulig, og derved produsere lavforsinkelsesovergangssignaler. Det er klart at brukerkontrollen av filterets tröghet gir betydelig kraft over filtre som mangler denne kapasiteten. JMA forutsier en tidsserier. Det forutsier ikke fremtiden for JMA reduserer støy stort sett på samme måte som et eksponentielt glidende gjennomsnitt, men mange ganger bedre. Vil tidligere JMA-verdier, allerede plottet, endres etter hvert som nye data kommer. Nei For et punkt på et JMA-plott, er det bare historisk og d nåværende data brukes i formelen Som følge av at nye prisdata kommer til senere tidsluker, påvirkes disse verdiene av JMA som allerede er plottet, og ALDRI endres. Vurder også saken når den nyeste linjen på et diagram oppdateres i sanntid Når hvert nytt kryss kommer fram Siden sluttkursen på den siste linjen vil sannsynligvis endres, blir JMA automatisk revurdert for å gjenspeile den nye sluttkursen. Men historiske verdier av JMA på alle tidligere barer forblir upåvirket og endres ikke. En kan opprett imponerende ser indikatorer på historiske data når det analyserer både fortid og fremtidige verdier rundt hvert datapunkt som blir behandlet. En hvilken som helst formel som trenger å se fremtidige verdier i en tidsserie, kan ikke brukes i real world trading. Dette skyldes at ved beregning av dagens verdi av indikator, fremtidige verdier finnes ikke Alle Jurik-indikatorer bruker bare nåværende og tidligere tidsseriedata i beregningene. Dette gjør at alle Jurik-indikatorer kan fungere i sanntid c onditions. Can jeg forbedre andre indikatorer ved hjelp av JMA. Yes Vi erstatter typisk mest bevegelige gjennomsnittlige beregninger i klassiske tekniske indikatorer med JMA Dette gir jevnere og mer rettidige resultater For eksempel ved å bare sette inn JMA i standard DMI teknisk indikator, produserte vi DMX indikatoren , som kommer fri med bestillingen din av JMA. JMA har noen spesiell garanti. Hvis du viser oss en ikke-proprietær algoritme for et glidende gjennomsnitt som når det er kodet for å kjøre i enten TradeStation, Matlab eller Excel VBA, fungerer det bedre enn vår flytte gjennomsnittet i korte, mellomstore og lange tidsrammer av en tilfeldig spasertur, vil vi refundere din kjøpte brukerlisens for JMA. Hva vi mener med bedre er at det må være i gjennomsnitt jevnere uten større gjennomsnittlig lag enn vår, ikke større gjennomsnittlig overskridelse og ikke større gjennomsnittlig underskudd enn vår. Hva vi mener med korte, mellomstore og lange tidsrammer er at sammenligningene må inneholde tre separate JMA-lengder 7 kort, 35 medium, 175 lange Hva vi mea n ved en tilfeldig spasertur er en tidsserie som er produsert av en kumulativ summe av 5000 null-gjennomsnittlige Cauchy-fordelte tilfeldige tall. Denne begrensede garantien er bra for bare den første måneden da du har kjøpt en brukerlisens for JMA fra oss eller en av våre verdensomspennende distributører. Hvordan sammenligner JMA med andre filtre. Kalman-filteret ligner på JMA fordi begge er kraftige algoritmer som brukes til å estimere at det er et støyende dynamisk system når alt du trenger å jobbe med er støyende datamålinger. Kalman-filteret skaper glatt prognoser for tidsserien, og denne metoden er ikke helt hensiktsmessig for finansielle tidsserier da markedene er tilbøyelige til å produsere voldsomme gyrasjoner og prisgap, atferd som ikke er typisk for jevnt operative dynamiske systemer. Derfor slipper Kalman filterutjevning ofte bak eller overskrider markedsprisen tidsserier JMA sporer markedspriser nøye og jevnt, tilpasser seg hull og unngår uønskede overskudd. Se diagram nedenfor for en exa mple. Et filter som er beskrevet i populære magasiner, er Kaufmann-glidende gjennomsnitt. Det er et eksponentielt glidende gjennomsnitt, hvis hastighet varierer i henhold til prisaktivitetseffektivitet. Med andre ord, når prishandlingen er i en klar trend med liten retracement, øker Kaufmann-filteret opp og når Handlingen er overbelastet, filteret sakter seg Se diagram over Selv om den adaptive naturen bidrar til å overvinne noe av lagene som er typiske for eksponentielle glidende gjennomsnitt, ligger det fortsatt betydelig bak JMA Lag er et grunnleggende problem for alle handelsmenn. Husk at hvert lag av lag kan Forsink dine handler og nekte deg profitt. Et annet glidende gjennomsnitt som er beskrevet i populære magasiner, er Chande s VIDYA Variable Index Dynamic Average. Indeksen som brukes oftest inne i VIDYA for å styre sin hastighet, er prisvolatilitet. Etter hvert som kortsiktig volatilitet øker, er VIDYAs eksponentielle glidende gjennomsnitt designet for å bevege seg raskere, og ettersom volatiliteten minker, reduserer VIDYA. På overflaten er det fornuftig. Dessverre har dette designet en obvi ous feil Selv om sidelengs overbelastning skal bli grundig utjevnet uavhengig av volatiliteten, ville en svært volatil overbelastning bli nøye sporet ikke utjevnet av VIDYA. VIDYA kan derfor mislykkes i å fjerne uønsket lyd. For eksempel sammenligner kartet JMA med VIDYA, begge satt til å spore en nedadgående trend like bra Men i løpet av den påfølgende overbelastning, unngår VIDYA ikke å jevne ut prispistene mens JMA lykkes glidende gjennom chatter. I en annen sammenligning hvor både VIDYA og Jurik s JMA ble satt til å ha samme glatthet, se i diagrammet som VIDYA legger seg bak Som nevnt tidligere, kan sen timing enkelt stjele bort fortjenesten din i enhver handel. To andre populære indikatorer er T3 og TEMA. De er glatte og har lite lag T3 er bedre av de to. T3 kan imidlertid ikke utsett et alvorlig overshoot problem, som vist i diagrammet nedenfor. Avhengig av søknaden din, vil du kanskje ikke ha en indikator som viser et prisnivå det virkelige markedet aldri oppnådde, som Dette kan utilsiktet påbegynne uønskede handler. Her er to kommentarer funnet på relevante internetfora. T3-indikatoren er veldig bra, og jeg har sunget rosene sine før, på denne listen. Jeg har imidlertid hatt muligheten til å utlede noen alternative markedsmålinger, og jeg glatt dem De blir ganske dårlig opptrådt i tider Når T3 blir jevnt, blir T3 ustabil og overshoots dårlig, mens JMA seiler rett gjennom dem - Allan Kaminsky allank xmission. Min egen oppfatning av JMA er i tråd med hva andre har skrevet jeg har brukt en god tid visuelt sammenligne JMA med TEMA Jeg ville ikke tenke nå om å bruke TEMA i stedet for JMA Steven Buss sbuss pacbell. En artikkel i jan 2000-utgaven av TASC beskriver et bevegelige gjennomsnittsnivå designet på 1950-tallet for å ha lavt lag. Den oppfinner, Robert Brown, designet den Modified Moving Average MMA for å redusere forsinkelsen i estimerende varebeholdninger. I sin formel estimerte lineær regresjon kurven s nåværende momentum, som igjen brukes til å estimere vertikal forsinkelse Formelen trekker deretter estimert lag fra det bevegelige gjennomsnittet for å få lave forsinkelsesresultater. Denne teknikken fungerer OK på veloppdragen, jevnt overgangende prisdiagrammer, men så igjen gjør også de fleste andre avanserte filtre Problemet er at det virkelige markedet er alt annet enn veloppdragen. Et sant mål for kondisjon er hvor godt et filter fungerer på ekte finansdata, en egenskap som kan måles med vårt veletablerte batteri av benchmarktester. Disse testene viser at MMA overshoots prisdiagrammer, som illustrert nedenfor. Til sammenligning kan brukeren sett en parameter i JMA for å justere mengden overskygging, selv helt eliminere det. Valget er ditt Husk at det siste du vil ha er en indikator som viser et prisnivå det virkelige markedet aldri oppnådde, da dette kan utilsiktet starte uønskede handler. Med MMA, du har ikke noe valg og må sette opp med overshoot om du liker det eller ikke. Se diagrammet nedenfor. Juli 2000-utgaven av TASC inneholdt en artikkel av John Ehlers som beskriver en Mod ified Optimal Elliptical Filter forkortet her som MEF Dette er et ypperlig eksempel på klassisk signalanalyse Tabellen nedenfor sammenlikner MEF til JMA hvis parametere JMA lengde 7, fase 50 ble satt til å gjøre JMA tilnærmet MEF som mulig. Sammenligningen avslører disse fordelene når du bruker JMA. JMA reagerer på ekstreme pris svinger raskere Følgelig vil eventuelle terskelverdier som brukes til å utløse signaler, bli utført tidligere av JMA. JMA har nesten ingen overskudd, noe som gjør at signallinjen lettere kan følge prishandling rett etter stor prisbevegelse. JMA glir gjennom små markedsbevegelser Dette tillater deg å fokusere på reell pris handling og ikke liten markedsaktivitet som ikke har noen reell konsekvens. En favoritt metode blant ingeniører for utjevning av tidsseriedata er å passe datapunktene med en polynomisk eq, en parabolisk eller kubisk spline En effektiv konstruksjon av denne typen er en klasse kjent som Savitzy-Golay-filtre. Tabellen nedenfor sammenligner JMA med en kubisk spline 3. rekkefølge Savitzy-Golay-fil ter, hvis parameterinnstillinger ble valgt øverst, gjør det så nær JMA som mulig. Legg merke til hvor glatt JMA glir gjennom områder med handelsstopp. I kontrast er SG-filteret ganske tynt. JMA er nok en gang vinneren. En annen teknikk pleide å redusere forsinkelse i et bevegelig gjennomsnittlig filter er å legge til noe momentum av signalet til filteret. Dette reduserer lag, men med to straffer får mer støy og mer overskudd til prispivotpunkter. For å kompensere for støy kan man bruke et symmetrisk vektet FIR-filter, som er jevnere enn et enkelt bevegelige gjennomsnitt, hvis vekter kan være 1-2-3-4-3-2-1 og deretter justere disse vekter for å legge til noe lagreduserende momentum. Effektiviteten av denne tilnærmingen er vist i figuren under rødt linje Selv om FIR-filteret sporer pris tett, ligger det fortsatt bak JMA og viser større overskudd. I tillegg har FIR-filteret jevnhet og må redesignes for hver annen ønsket glatthet. Til sammenligning bruker brukeren bare trenger å endre en jevnhetsparameter for JMA for å få ønsket effekt. Ikke bare produserer JMA bedre prisdiagrammer, men det kan også forbedre andre klassiske indikatorer. For eksempel, se på den klassiske MACD-indikatoren, som er en sammenligning av to bevegelige gjennomsnittsverdier Konvergensen beveger seg nærmere og divergensen beveger seg fra hverandre, og gir signaler om at en markedsendring skifter retning. Det er kritisk at du har så lite forsinkelse som mulig med disse signalene, eller dine handler vil være sent. Til sammenligning har en MACD skapt med JMA betydelig mindre lagre enn en MACD ved hjelp av eksponentielle bevegelige gjennomsnitt. For å illustrere denne påstanden er figuren nedenfor et hypotetisk prisdiagram forenklet for å forbedre de viktigste problemene. Vi ser like store barer i en stigende trend, avbrutt av et plutselig nedadgående gap. De to fargete linjene er eksponentielle glidende gjennomsnitt som utgjør en MACD Merk at crossover oppstår lenge etter gapet, og forårsaker en handelsstrategi å vente og handle sent, om i det hele tatt. Hvis du forsøkte å øke hastigheten på tidspunktet for denne indikatoren ved å gjøre de bevegelige gjennomsnittene raskere, vil linjene bli lydere og mer ekte. Dette har en tendens til å skape falske utløsere og dårlige handler. På den annen side viser diagrammet nedenfor at den blå JMA justerer seg raskt til det nye prisnivået, som tillater tidligere overganger og tidligere utpekning av en uptrend pågår Nå kan du gå inn i markedet tidligere og ri en større del av trenden. I motsetning til det eksponentielle glidende gjennomsnittet har JMA en ekstra parameter PHASE som lar brukeren justere omfanget av overskridelse I diagrammet ovenfor ble JMA-gule linje tillatt å overskride mer enn det blå. Dette gir ideelle kryssoverganger. En av de vanskeligste funksjonene til å designe i et utjevningsfilter er et adaptivt svar på prisgap uten å overskride det nye prisnivået Dette gjelder spesielt for filterdesign som bruker filterets egen fart som en måte å redusere lag på. Følgende diagram sammenligner overskridelse av JMA og Hull-bevegelsen gjennomsnittlig HMA Parameterinnstillingene for de to filtrene ble satt slik at deres jevnlige ytelse var nesten identisk. Et annet designproblem er om filteret kan beholde samme tilsynelatende jevnhet under reverseringer som under trender Tabellen nedenfor viser hvordan JMA beholder nær konstant glatthet gjennom hele syklusen, mens HMA oscillerer ved reverseringer. Dette vil utgjøre problemer for strategier som utløser handler basert på om filteret beveger seg opp eller ned. I det siste er det tilfelle når prisforskjellene opp og deretter trekkes tilbake i en nedadgående trend. Dette er spesielt vanskelig å spore i øyeblikket av retrett Heldigvis har adaptive filtre en mye enklere tid som indikerer når en reversering oppstod enn faste filtre, som vist i tabellen under. Selvfølgelig finnes det bedre filtre enn JMA, mest brukt av militæret, men hvis Du er i bransjen med å spore gode handler og ikke fiendefly, JMA er det beste rimelige støyreduksjonsfilteret tilgjengelig for økonomisk markedsdata Vi garanterer det. Gjennomsnittlige gjennomsnitt utjevner støyen av prisdatastrømmer på bekostning av forsinkelse. I gamle dager kan du få fart, på bekostning av redusert utjevning. I gamle dager kan du bare få utjevning på bekostning av lag. Tenk hvor mange timer du har kastet bort, og prøv å få gjennomsnittene dine rask og jevn. Husk hvor irriterende det er å se økende hastighet, forårsaker økt støy. Husk hvordan du ønsket for lavt lagring og lavt lydnivå. Trent på å finne ut hvordan du ha din kake og spis den. Ikke fortvil, nå har ting blitt forandret, du kan ha kaken din og du kan spise den. Presisjon Lagless gjennomsnitt i forhold til andre avanserte filtreringsmodeller. Av de grunnleggende bransjens standard gjennomsnitt filtreres det veide glidende gjennomsnittet er raskere enn eksponentiell, men gir ikke god utjevning, i motsetning har eksponensialet utmerket utjevning, men store mengder forsinkelser Lag. Moderne høyteknologiske filtre, selv om de forbedrer seg på de gamle grunnmodellene, har iboende svakheter. Noen av whi ch observeres i Jurik JMA-filteret, og det verste av disse svakhetene er overshoot. Jurik forskning åpenbart innrømmer å ha minimal overshoot som har en tendens til å indikere en form for prediktiv algoritme som fungerer sin kode Husk at filtre er ment å observere hva som skjer nå og i fortiden. Å forutse hva som vil skje neste er en ulovlig funksjon i verktøysettet Precision Trading Systems, dataene blir jevnet og avstengt bare. Eller du kan si at trender følges nøyaktig i stedet for å fortelle hvilken vei du skal gå neste, som det er saken med disse ulovlige typen filteralgoritmer. Precision Lagless gjennomsnittet forsøker IKKE å forutse neste prisverdi. Hull-gjennomsnittet hevdes av mange for å være så raskt og jevnt som JMA ved Jurik-forskning, det har god fart og lavt lag . Problemet med formelen brukt i Hull-gjennomsnittet er at det er veldig forenklet og fører til prisforvridninger som har dårlig nøyaktighet forårsaket av vekting for tungt x 2 på de nyeste dataene Floor Length 2 og th men å trekke ut de gamle dataene, noe som fører til alvorlige overshooting problemer som i noen tilfeller er mange standardavvik unna de faktiske verdiene. Precision Lagless gjennomsnittet har null overshoot. Diagrammet nedenfor viser den enorme hastighetsforskjellen på en 30 periode PLA og 30 periode Hull gjennomsnittlig PLA var fire barer foran Hull-gjennomsnittet på begge store vendepunkter angitt på 5-minutters diagrammet for FT-SE100 Future. Det er en 14 forskjell i Lag. Hvis du handlet gjennomsnittene på vendepunktene for å gå kort på sluttpris i dette eksempelet var PLA signalering på 3 977 5 og Hull var en liten stund senere på 3 937, omtrent 40 5 poeng eller i pengeproblemer 405 per kontrakt. Det lange signalet på PLA var på 3936 sammenlignet med Hull s 3.956 5, hvilket er en kostnadsbesparelse på 205 pr kontrakt med PLA-signalet. Er det en fugl Er det et fly Nei det er det Precision Lagless Average. Filters som VIDAYA-gjennomsnittet av Tuscar Chande, som bruker volatilitet til å endre lengdene deres, har en annen type o f-formel som endrer lengden, men denne prosessen utføres ikke med noen logikk. Selv om de kan fungere veldig bra noen ganger, kan dette også føre til et filter som kan lide både lag og overshooting. The tidsserie gjennomsnitt som faktisk er et veldig raskt gjennomsnitt , kan godt bli omdøpt til overshooting-gjennomsnittet. Dette unøyaktigheten gjør det ubrukelig for enhver seriøs vurdering av data for handelsbruk. Kalman-filteret legger ofte bak eller overskrider prisarrayer på grunn av sin overgitte algoritmer. Andre filterfaktorer i prismoment å prøve å forutsi hva som vil skje i neste prisintervall, og dette er også en feilaktig strategi, da de overskrider når høye momentumlesninger reverserer, etterlater filteret høyt og tørt og miles unna den faktiske prisaktiviteten. Precision Lagless-gjennomsnittet bruker ren og enkel logikk for å bestemme sin neste utdataverdi. Mange utmerkede matematikere har forsøkt og mislyktes med å lage lagfrie gjennomsnitt, og generelt er årsaken deres ekstreme matematikk intellekt er ikke støttet av høy grad av Commonsense logikk Precision Lagless gjennomsnittlig PLA er konstruert av rent logiske grunnalgoritmer, som undersøker mange forskjellige verdier som lagres i arrayer og velger hvilken verdi som skal sendes til output. PLA s overlegen hastighet, utjevning og nøyaktighet gjør det er et utmerket handelsverktøy for aksjer, futures, forex, obligasjoner etc. And som med alle produkter utviklet av Precision Trading-systemer, er det underliggende temaet det samme. Skrevet for handelsmenn, BY A TRADER. PLA Lengde 14 og 50 på E-Mini Nasdaq framtid.

No comments:

Post a Comment