Apakah Rata-rata Bergerak Adaptif Memimpin Untuk Hasil yang Lebih Baik Rata-rata bergerak adalah alat favorit pedagang aktif. Namun, ketika pasar berkonsolidasi, indikator ini menyebabkan banyak perdagangan whipsaw, yang menghasilkan serangkaian kemenangan dan kerugian kecil yang membuat frustrasi. Analis telah menghabiskan waktu puluhan tahun untuk memperbaiki rata-rata bergerak sederhana. Pada artikel ini, kita melihat upaya ini dan menemukan bahwa pencarian mereka telah menghasilkan alat perdagangan yang bermanfaat. (Untuk membaca latar belakang pada rata-rata bergerak sederhana, lihat Simple Moving Averages Membuat Trends Stand Out.) Pro dan Kontra Pergerakan Rata-rata Keuntungan dan kerugian dari rata-rata bergerak dirangkum oleh Robert Edwards dan John Magee dalam edisi pertama Analisis Teknis untuk Tren Saham Ketika mereka mengatakannya dan, pada tahun 1941 kembali kami dengan senang hati membuat penemuan itu (walaupun banyak lainnya berhasil melakukannya sebelumnya) bahwa dengan rata-rata data untuk jumlah hari yang disebutkan dapat menghasilkan semacam garis tren otomatis yang pasti akan menafsirkan perubahan Trend Sepertinya sangat bagus untuk menjadi kenyataan. Sebenarnya, itu terlalu bagus untuk menjadi kenyataan. Dengan kerugian yang melebihi keuntungan, Edwards dan Magee dengan cepat meninggalkan impian mereka untuk berdagang dari bungalo pantai. Tapi 60 tahun setelah mereka menulis kata-kata itu, yang lain tetap berusaha menemukan alat sederhana yang dengan mudah akan mengantarkan kekayaan pasar. Simple Moving Averages Untuk menghitung moving average yang sederhana. Tambahkan harga untuk periode waktu yang diinginkan dan bagi dengan jumlah periode yang dipilih. Menemukan rata-rata pergerakan lima hari akan membutuhkan penjumlahan lima harga penutupan terbaru dan dibagi dengan lima. Jika penutupan terakhir berada di atas rata-rata bergerak, saham akan dianggap berada dalam tren naik. Downtrends didefinisikan oleh harga perdagangan di bawah rata-rata bergerak. (Untuk informasi lebih lanjut, lihat tutorial Moving Averages). Properti yang mendefinisikan tren ini memungkinkan pergerakan rata-rata menghasilkan sinyal perdagangan. Dalam aplikasi yang paling sederhana, para pedagang membeli ketika harga bergerak di atas rata-rata bergerak dan menjual saat harga turun di bawah garis itu. Pendekatan seperti ini dijamin menempatkan pedagang di sisi kanan setiap perdagangan yang signifikan. Sayangnya, saat merapikan data, rata-rata bergerak akan tertinggal dari aksi pasar dan trader hampir selalu mengembalikan sebagian besar keuntungan mereka bahkan pada perdagangan terbesar sekalipun. Rata-rata Pindah Eksponensial Analis tampaknya menyukai gagasan tentang rata-rata bergerak dan telah menghabiskan bertahun-tahun mencoba untuk mengurangi masalah yang terkait dengan lag ini. Salah satu inovasi ini adalah moving average eksponensial (EMA). Pendekatan ini memberikan bobot yang relatif lebih tinggi terhadap data terakhir, dan akibatnya ia mendekati tindakan harga daripada rata-rata pergerakan sederhana. Rumus untuk menghitung rata-rata pergerakan eksponensial adalah: EMA (Weight Close) ((1-Bobot) EMAy) Dimana: Bobot adalah konstanta pemulusan yang dipilih oleh analis EMAy adalah rata-rata pergerakan eksponensial dari kemarin Nilai pembobotan umum adalah 0,188, yang Mendekati rata-rata pergerakan sederhana 20 hari. Lain adalah 0,10, yang kira-kira memiliki rata-rata pergerakan 10 hari. Meskipun mengurangi lag, moving average eksponensial gagal mengatasi masalah lain dengan moving averages, yang penggunaannya untuk sinyal perdagangan akan menyebabkan sejumlah besar perdagangan rugi. Dalam Konsep Baru dalam Sistem Perdagangan Teknis. Welles Wilder memperkirakan bahwa pasar hanya tren seperempat waktu. Hingga 75 tindakan perdagangan dibatasi pada kisaran yang sempit, ketika sinyal beli dan beli rata-rata bergerak akan berulang kali dihasilkan karena harga bergerak cepat di atas dan di bawah rata-rata bergerak. Untuk mengatasi masalah ini, beberapa analis menyarankan faktor pembobotan perhitungan EMA yang bervariasi. (Untuk lebih lanjut, lihat Bagaimana cara moving averages yang digunakan dalam trading) Mengadaptasi Moving Averages to Market Action Salah satu metode untuk mengatasi kerugian moving averages adalah dengan mengalikan faktor pembobotan dengan rasio volatilitas. Melakukan hal ini berarti bahwa rata-rata bergerak akan jauh dari harga saat ini di pasar yang bergejolak. Ini akan memungkinkan para pemenang lari. Seiring tren berakhir dan harga berkonsolidasi. Rata bergerak akan bergerak mendekati aksi pasar saat ini dan, secara teori, memungkinkan pedagang untuk mempertahankan sebagian besar keuntungan yang tertangkap selama tren berlangsung. Dalam prakteknya, rasio volatilitas dapat menjadi indikator seperti Bollinger Bandwidth, yang mengukur jarak antara Bollinger Bands yang terkenal. (Untuk informasi lebih lanjut mengenai indikator ini, lihat Dasar-Dasar Bollinger Bands.) Perry Kaufman menyarankan untuk mengganti variabel bobot dalam formula EMA dengan konstan berdasarkan rasio efisiensi (ER) dalam bukunya, New Trading Systems and Methods. Indikator ini dirancang untuk mengukur kekuatan tren, yang didefinisikan dalam kisaran dari -1,0 sampai 1,0. Hal ini dihitung dengan rumus sederhana: ER (perubahan harga total untuk periode) (jumlah perubahan harga mutlak untuk setiap batang) Perhatikan saham yang memiliki rentang lima poin setiap hari, dan pada akhir lima hari telah memperoleh total Dari 15 poin Ini akan menghasilkan ER sebesar 0,67 (15 poin ke atas dibagi dengan kisaran 25-titik total). Jika saham ini turun 15 poin, ER akan menjadi -0,67. (Untuk saran perdagangan lebih lanjut dari Perry Kaufman, baca Losing To Win yang menguraikan strategi untuk mengatasi kerugian perdagangan.) Prinsip efisiensi tren didasarkan pada seberapa banyak pergerakan arah (atau tren) yang Anda dapatkan per unit pergerakan harga di atas Periode waktu yang ditentukan ER dari 1,0 menunjukkan bahwa saham berada dalam uptrend yang sempurna -1,0 merupakan tren turun yang sempurna. Secara praktis, ekstrem jarang tercapai. Untuk menerapkan indikator ini untuk menemukan moving average moving average (AMA), trader harus menghitung bobotnya dengan rumus berikut, agak kompleks: C (ER (SCF SCS)) SCS 2 Dimana: SCF adalah konstanta eksponensial untuk yang tercepat EMA yang diijinkan (biasanya 2) SCS adalah konstanta eksponensial untuk EMA yang paling lambat yang diijinkan (seringkali 30) ER adalah rasio efisiensi yang disebutkan di atas Nilai C kemudian digunakan dalam formula EMA dan bukan variabel bobot yang lebih sederhana. Meski sulit dihitung dengan tangan, rata-rata pergerakan adaptif disertakan sebagai pilihan di hampir semua paket perangkat lunak perdagangan. (Untuk informasi lebih lanjut tentang EMA, baca Exploring The Exponentially Weighted Moving Average.) Contoh rata-rata pergerakan sederhana (garis merah), moving average eksponensial (garis biru) dan moving average moving average (garis hijau) ditunjukkan pada Gambar 1. Gambar 1: AMA berwarna hijau dan menunjukkan tingkat perataan yang paling tinggi dalam aksi jarak dekat yang terlihat di sisi kanan grafik ini. Dalam kebanyakan kasus, rata-rata bergerak eksponensial, yang ditunjukkan sebagai garis biru, paling dekat dengan aksi harga. Rata-rata bergerak sederhana ditunjukkan sebagai garis merah. Tiga rata-rata bergerak yang ditunjukkan pada gambar sangat rentan terhadap perdagangan whipsaw pada berbagai waktu. Kekurangan pada moving averages sejauh ini tidak mungkin dihilangkan. Kesimpulan Robert Colby menguji ratusan alat analisis teknis dalam The Encyclopedia of Technical Market Indicators. Dia menyimpulkan, Meskipun rata-rata pergerakan adaptif adalah ide baru yang menarik dengan daya tarik intelektual yang cukup besar, tes pendahuluan kami gagal menunjukkan keuntungan praktis nyata pada metode perataan tren yang lebih kompleks ini. Ini tidak berarti pedagang harus mengabaikan gagasan itu. AMA dapat dikombinasikan dengan indikator lain untuk mengembangkan sistem perdagangan yang menguntungkan. (Untuk informasi lebih lanjut tentang topik ini, baca Discovering Keltner Channels And The Chaikin Oscillator.) ER dapat digunakan sebagai indikator tren yang berdiri sendiri untuk menemukan peluang perdagangan yang paling menguntungkan. Sebagai contoh, rasio di atas 0,30 mengindikasikan tren kenaikan yang kuat dan merupakan pembelian potensial. Sebagai alternatif, karena volatilitas bergerak dalam siklus, saham dengan rasio efisiensi terendah dapat diawasi sebagai peluang terobosan. Strategi Penjualan Bergerak Rata-rata Bergerak Rata-Rata (Setup 038 Filter) I. Pengembang Strategi Perdagangan: Perry Kaufman (Kaufman Adaptive Moving Average 8211 KAMA). Sumber: Kaufman, P. J. (1995). Smarter Trading. Meningkatkan Kinerja dalam Mengubah Pasar. New York: McGraw-Hill, Inc. Konsep: Strategi perdagangan berdasarkan filter suara adaptif. Sasaran Penelitian: Verifikasi kinerja penyiapan dan filter. Spesifikasi: Tabel 1. Hasil: Gambar 1-2. Pengaturan Perdagangan: Perdagangan Panjang: Moving Average Bergerak (AMA) muncul. Trades Pendek: Moving Average Bergerak turun. Catatan: Garis tren AMA nampaknya berhenti saat pasar tidak memiliki arahan. Saat tren pasar, trendline AMA naik. Trade Entry: Long Trades: Pembelian pada penutupan ditempatkan setelah setup bullish. Short Trades: Sebuah sell pada penutupan ditempatkan setelah setup bearish. Keluar Perdagangan: Tabel 1. Portofolio: 42 pasar berjangka dari empat sektor pasar utama (komoditas, mata uang, suku bunga, dan indeks ekuitas). Data: 32 tahun sejak 1980. Platform Pengujian: MATLAB. II. Uji Sensitivitas Semua grafik 3-D diikuti oleh grafik kontur 2-D untuk Faktor Laba, Rasio Sharpe, Ulcer Performance Index, CAGR, Drawdown Maksimum, Persen Menguntungkan Perdagangan, dan Rata-rata. Menang rta. Rasio Rugi. Gambar terakhir menunjukkan sensitivitas dari Equity Curve. Variabel yang diuji: ERLength amp FilterIndex (Definisi: Tabel 1): Gambar 1 Kinerja Portofolio (Masukan: Tabel 1 Komisi amp Slippage: 0). AMA (ERLength) adalah Adaptive Moving Average selama periode ERLength. ERLength adalah periode lihat kembali dari Efficiency Ratio (ER). ERi abs (Directioni Volatilityi), dimana 8220abs8221 adalah nilai absolut. Directioni Closei Closei ERLength, Volatilitas (abs (DeltaClosei), ERLength), di mana 82208221 adalah jumlah dari periode ERLength, DeltaClosei Closei Closei 1. FastMuneength adalah periode moving average yang cepat. SlowMALength adalah periode moving average yang lambat. AMAi AMAi 1 ci (Closei AMAi 1), dimana ci (ERi (Lambat Cepat) Lambat) 2, Fast 2 (FastMALength 1), Slow 2 (SlowMALength 1). Indeks: i ERLength 2, 100, Langkah 2 FastMALength 2 SlowMALength 30 Perdagangan Panjang: Jika AMAi gt AMAi 1 amp AMAi 1 lt AMAi 2 maka MinAMA AMAi 1 (Adaptive Moving Average muncul dengan poros di MinAMA). Short Trades: AMAi lt AMAi 1 amp AMAi 1 gt AMAi 2 kemudian MaxAMA AMAi 1 (Adaptive Moving Average turun dengan poros di MaxAMA). Indeks: i Filteri FilterIndex StdDev (AMAi AMAi 1, N), dimana StdDev adalah deviasi standar rangkaian di atas periode N. N 20 (nilai default). Indeks: i FilterIndex 0.0, 1.0, Langkah 0.02 N 20 Perdagangan Panjang: Pembelian pada penutupan ditempatkan saat AMAi gt AMAi 1 amp (AMAi MinAMA) gt Filteri. Short Trades: Sebuah sell pada tutup ditempatkan saat AMAi lt AMAi 1 amp (MaxAMA AMAi) gt Filteri. Indeks: i Stop Loss Exit: ATR (ATRLength) adalah Range Rata Rata selama periode ATRLength. ATRStop adalah kelipatan dari ATR (ATRLength). Long Trades: Perhentian penjualan ditempatkan pada Entry ATR (ATRLength) ATRStop. Trades Pendek: Stop beli akan ditempatkan di Entry ATR (ATRLength) ATRStop. ATRLength 20 ATRLength 20 ATRStop 6 ERLength 2, 100, Step 2 FilterIndex 0.0, 1.0, Step 0.02Adaptive Moving Average (AMA) alias Kaufman Adaptive Moving Average (KAMA) Moving Average Average (AMM) alias Kaufman Adaptive Moving Average (KAMA) diciptakan oleh Perry Kaufman dan pertama kali mempresentasikannya dalam bukunya Smarter Trading (1995). Rata-rata bergerak ini menawarkan keuntungan yang signifikan dibandingkan usaha sebelumnya pada rata-rata 8216intelligent8217 karena memungkinkan pengguna kontrol lebih besar. The Variable Moving Average 8211 VMA (1992) misalnya tidak memberikan batas atas atau bawah pada periode smoothingnya. AMA di sisi lain memungkinkan pengguna untuk menentukan kisaran yang mereka inginkan agar smoothing menyebar. Ini mengikuti teori yang sama dengan VMA yang bergantung pada lingkungan pasar akan ada jumlah kebisingan yang berbeda dan oleh karena itu kecepatan rata-rata bergerak yang berbeda akan dibutuhkan untuk mencapai hasil yang paling menguntungkan. Di pasar yang sangat tren misalnya, tingkat kebisingan rendah dan rata-rata pergerakan yang lebih cepat harus menghasilkan hasil terbaik. Sebaliknya di pasar kepiting atau sideways tingkat kebisingannya sangat tinggi dan rata-rata yang lebih lambat cenderung lebih sesuai. Cara Menghitung Pindah Bergerak Rata-rata Dimulai dengan harga Tutup. Setelah AMA dihitung sesuai dengan rumus berikut: AMA AMA (1) (Tutup AMA (1)) Anda akan melihat bahwa ini sama dengan rumus untuk Exponential Moving Average (EMA): EMA EMA (1) (Close EMA (1)) Tapi Alpha dalam EMA adalah 2 (N 1) sehingga tetap konstan sedangkan untuk AMA Alpha adaptif: (VI (FC SC)) Pengguna SC VI memilih ukuran volatilitas atau kekuatan tren, Kaufman Menyarankan Efisiensi Rasio (ER) nya. SN Pilihan Anda dari Rata-rata Lambat yang Lambat FN FN Pilihan Anda dari Rata-rata Lambat yang Lambat SN Berikut adalah contoh dari 3 periode AMA dengan Rasio Efisiensi 3 periode (ER) sebagai VI: Bagaimana Squaring Alpha mempengaruhi Range Smoothing AMA Kaufman menyarankan agar AMA-nya memiliki FC 2 dan SC 30 yang akan membuat seseorang berasumsi bahwa perataan adaptif akan berada di kisaran 2 8211 30 tapi Anda akan salah karena alpha itu kuadrat. Sebagai contoh, mari kita atur VI menjadi nol sehingga kita dapat mengungkapkan rata-rata yang paling lambat: Sekarang untuk mengungkapkan periode perataan EMA 8216N8217 dari alfa: N (EMA) (2) N (EMA) (2 0,0042) 0,0042 N (EMA) 480 Jadi pada kenyataannya AMA dengan SN 30 di mana alpha dinaikkan ke kekuatan 2 benar-benar bisa bergerak sekecil EMA 480 hari. Sekarang bagi saya yang tidak terlalu user friendly memasukkan parameter 30 yang menghasilkan periode smoothing 480. Jadi saya menggunakan rumus berikut untuk SC dan FC sebagai gantinya: P Power yang dinaikkan alpha (biasanya 2) SN Pilihan Anda dari Rata-rata bergerak lambat FN Sekarang SN akan menjadi rata-rata pergerakan paling lambat yang dihasilkan bahkan jika Anda mengubah daya yang dinaikkan alpha. Saya juga menggunakan proses yang sama untuk FN dan FC. Mari kita lihat lagi Alpha dengan VI yang diset ke nol, FN pada 2 dan SN di 480: Sekarang ketika kita mengungkapkan periode perataan EMA 8216N8217 dari alfa, seharusnya sama dengan yang didefinisikan pengguna kami 480: N (EMA) (2) N ( EMA) (2 0,0042) 0.0042 N (EMA) 480 Melihat lebih dekat pengaruh Squaring Alpha Memahami pengaruh pengikisan alfa sangat penting karena bagan di bawah ini menggambarkan: Seperti yang dapat Anda lihat di atas, periode pemulusan masukan 300 dengan alpha Hasil kuadrat dalam periode perataan yang sebenarnya lebih dari 45.300 yang sama sekali tidak berguna. Namun ini adalah pengaturan yang mudah digunakan tanpa pemahaman yang benar tentang bagaimana AMA bekerja. Dalam pengujian kami, kami akan mencoba AMA dengan alpha dinaikkan ke kekuatan lain sehingga 2 contoh lain juga telah diplot pada tabel di atas. Di bawah ini, kita melihat pengaruh pada alfa dan smoothing yang dihasilkan dari AMA dengan Rasio Efisiensi yang diambil secara langsung ke alfa (1) atau kuadrat (2): Kami menggunakan formula AMA yang dimodifikasi untuk grafik di atas sehingga FN dan SN aktual Yang identik cocok meskipun modifikasi alpha. Seperti yang Anda lihat, mengkuadratkan hasil alfa bukan hanya AMA yang lebih lambat secara keseluruhan tapi yang lebih cepat melambat saat alfa berkurang. Kaufman jelas menginginkan AMA untuk sangat cepat melambat saat data tidak memiliki tren. Pengaruh ini serupa dengan peningkatan konstanta 8216N8217 pada Variable Moving Average. Apakah Indikator AMA sebagai Indikator yang Baik Sebagai bagian dari Indikator 8216Technical Fight for Supremacy 8216, kita akan menempatkan AMA terhadap beberapa tipe moving average yang berbeda dan akan menguji beberapa Volatility Indexes yang berbeda sebagai komponen termasuk: Kami juga akan menguji asumsi bahwa mengkuadratkan alpha Adalah ide bagus dan akan mencoba meningkatkannya ke beberapa kekuatan yang berbeda. Dapatkah Anda memikirkan tes berharga lainnya Tolong beritahu kami di bagian komentar di bagian bawah. Adaptive Moving Average Excel File Saya telah mengumpulkan Lembar Kerja Excel yang berisi Adaptive Moving Average dan membuatnya tersedia untuk download GRATIS. Ini berisi versi 8216basic8217 yang menunjukkan semua kerja dan kemampuan seseorang yang secara otomatis akan menyesuaikan dengan panjang serta Indeks Volatilitas yang Anda tentukan. Temukan di link berikut di dekat bagian bawah halaman di bawah Download Indikator Teknis: Adaptive Moving Average (AMA) Contoh Rata-rata Bergerak Rata-rata, VI 50 Hari Efisiensi Rasio adil 5 tahun yang lalu Saya menemukan gagasan seputar rata-rata bergerak adaptif yang sangat menrik dan menarik. , Saya mendukung AMG kaufman melalui dua sistem (sinyal gelombang biner untuk sinyal arah masukan yang panjang dan pendek (masuk ke atas dan masuk ke dalam entri pendek), namun saya tidak dapat menyimpulkan bahwa sistem ini berkinerja lebih baik daripada sistem TF jangka panjang dengan menggunakan SMA Crossover (SMA 50 hari dan SMA 200 hari) bolehkah saya mengetahui peraturan perdagangan seputar AMA yang telah Anda terapkan dalam trading Anda Derry Brown 5 tahun yang lalu saya senang bahwa Anda menemukan penelitian kami berguna. Kami belum mempublikasikan hasil dari Tes crossover rata-rata bergerak sehingga mungkin lebih efektif Aturan yang Anda minta dirinci di bagian bawah setiap halaman di mana kami telah menerbitkan hasil tes. Ini dia lagi: Entri Gnal untuk pergi lama (atau keluar dari sinyal untuk menutupi pendek) untuk setiap rata-rata yang diuji dihasilkan dengan jarak di atas rata-rata dan sinyal keluar (atau sinyal masuk akan menjadi pendek) dihasilkan pada setiap jarak di bawah rata-rata bergerak itu. Tidak ada bunga yang diperoleh sementara secara tunai dan tidak ada penyisihan yang dilakukan untuk biaya transaksi atau selip. Perdagangan diuji dengan sinyal End Of Day (EOD) dan End Of Week (EOW) untuk data harian dan sinyal EOW untuk data Mingguan. Misalnya. Data harian dengan sinyal EOW akan meminta Week untuk menyelesaikan di atas Daily Moving Average untuk membuka panjang atau tutup sebentar. Data harian dengan sinyal EOD akan meminta harga harian ditutup di atas Average Moving Average untuk membuka long atau close a. Pendek dan sebaliknya. Hasil yang dipresentasikan adalah rata-rata imbal hasil tahunan dari 16 pasar selama periode pengujian. Data yang digunakan untuk tes ini disertakan dalam spreadsheet hasil dan rincian lebih lanjut tentang metodologi kami dapat ditemukan di sini etfhqblog20100525baik-indikator teknis Tolong beritahu saya jika Anda memiliki pertanyaan lain. Cheers Derry
Comments
Post a Comment