Moving average kalman

Kaufman Adaptive Moving Average Trading Strategy (Configuração 038 Filter) I. Estratégia de Negociação Desenvolvedor: Perry Kaufman (Kaufman Adaptive Moving Average 8211 KAMA). Fonte: Kaufman, P. J. (1995). Comércio mais inteligente. Melhorando o desempenho na mudança de mercados. Nova York: McGraw-Hill, Inc. Conceito: estratégia de negociação baseada em um filtro de ruído adaptativo. Objetivo de pesquisa: verificação de desempenho da configuração e do filtro. Especificação: Tabela 1. Resultados: Figura 1-2. Configuração de Comércio: Negociações Longas: A Média de Mudança Adaptativa (AMA) aparece. Negócios curtos: a média móvel adaptativa diminui. Nota: A linha de tendência AMA parece parar quando os mercados não têm direção. Quando a tendência dos mercados, a linha de tendência da AMA alcança. Entrada comercial: Long Trades: uma compra no fechamento é colocada após uma configuração de alta. Operações curtas: uma venda no fechamento é colocada após uma configuração de baixa. Trade Exit: Tabela 1. Carteira: 42 mercados de futuros de quatro grandes setores de mercado (commodities, moedas, taxas de juros e índices de participação). Dados: 32 anos desde 1980. Plataforma de teste: MATLAB. II. Teste de sensibilidade Todas as tabelas 3-D são seguidas por gráficos de contorno bidimensionais para fator de lucro, Ratio de Sharpe, Índice de desempenho de úlcera, CAGR, Drawdown máximo, Negociações lucrativas percentuais e Média. Win Avg. Rácio de perda. A imagem final mostra a sensibilidade da Equity Curve. Variáveis ​​testadas: ERLength amp FilterIndex (Definições: Tabela 1): Figura 1 Desempenho do portfólio (Entradas: Tabela 1 Compatibilidade da amp de comissão: 0). AMA (ERLength) é a média móvel adaptativa durante um período de ERLength. ERLength é um período de aparência da Razão de Eficiência (ER). ERi abs (Directioni Volatilityi), onde 8220abs8221 é o valor absoluto. Directioni Closei Closei ERLength, Volatilityi (abs (DeltaClosei), ERLength), onde 82208221 é a soma em um período de ERLength, DeltaClosei Closei Closei 1. FastMALength é um período da média em movimento rápido. SlowMALength é um período da média lenta. AMAi AMAi 1 ci (Closei AMAi 1), onde ci (ERi (Fast Slow) Slow) 2, Fast 2 (FastMALength 1), Slow 2 (SlowMALength 1). Índice: i ERLength 2, 100, Passo 2 FastMALength 2 SlowMALength 30 Long Trades: Se AMAi gt AMAi 1 amp AMAi 1 lt AMAi 2, então o MinAMA AMAi 1 (Adaptive Moving Average gira com um pivô no MinAMA). Operações curtas: AMAi lt AMAi 1 amp AMAi 1 gt AMAi 2, em seguida, MaxAMA AMAi 1 (Adaptive Moving Average diminui com um pivô no MaxAMA). Índice: i Filteri FilterIndex StdDev (AMAi AMAi 1, N), onde StdDev é o desvio padrão de séries ao longo de N períodos. N 20 (valor padrão). Índice: i FilterIndex 0.0, 1.0, Passo 0.02 N 20 Long Trades: Uma compra no fechamento é colocada quando AMAi gt AMAi 1 amp (AMAi MinAMA) gt Filteri. Negociações curtas: uma venda no fechamento é colocada quando AMAi lt AMAi 1 amp (MaxAMA AMAi) gt Filteri. Índice: i Stop Loss Sair: ATR (ATRLength) é o alcance real médio durante um período de comprimento ATRL. ATRStop é um múltiplo de ATR (ATRLength). Long Trades: uma parada de venda é colocada no Entry ATR (ATRLength) ATRStop. Operações curtas: uma parada de compra é colocada no ATR ATR (ATRLength) ATRStop. ATRLength 20 ATRStop 6 ERLength 2, 100, Step 2 FilterIndex 0.0, 1.0, Passo 0.02 Tem tentado entender os filtros de Kalman. Aqui estão alguns exemplos que me ajudaram até agora: estes usam o algoritmo para estimar alguma tensão constante. Como poderia usar um filtro de Kalman para isso, seja melhor do que apenas manter uma média em execução. Esses exemplos são apenas exemplos de uso simplificado do filtro (se assim for, o que é um exemplo onde uma média em execução não é suficiente) Por exemplo, considere o seguinte programa e saída Java . A saída de Kalman não corresponde à média, mas eles estão muito próximos. Por que escolher um sobre o outro SIM é um exemplo simplificado, mais enganoso do que educar. Em caso afirmativo, qual é o exemplo em que uma média em execução não é suficiente. Qualquer caso quando o sinal está mudando. Imagine o veículo em movimento. Calculando média significa que assumimos o valor do sinal a partir de qualquer momento no tempo para ser igualmente importante. Obviamente, está errado. A intuição diz que a última medida é mais confiável do que a de uma hora antes. Um exemplo muito bom para experimentar é da forma frac. Tem um estado, então as equações não serão complicadas. Em tempo discreto, pode parecer assim: há o código que o usa (Desculpe, é o Matlab, não usei o Python recentemente): Existem algumas dicas: sempre configure Q e R maiores do que zero. Caso Q 0 é um exemplo muito MAU. Você diz ao filtro: não há nenhum distúrbio que atua sobre a planta, então, depois de um tempo, o filtro só irá acreditar nas suas previsões com base no modelo, em vez de olhar para as medidas. Matemática falando Kk para 0. Como sabemos, os modelos não descrevem a realidade perfeitamente. Experimente com alguma imprecisão do modelo - modelError Altere a adivinhação inicial do estado (xpost (1)) e veja o quão rápido ele converge para diferentes P, R e Ppost inicial (1) Verifique como o ganho de filtro K muda ao longo do tempo dependendo de Q e R respondeu 3 de outubro 12 às 22:37 Na verdade, eles são o mesmo em certo sentido, vou mostrar o seu algo atrás do filtro de Kalman e você ficará surpreso. Considere o seguinte problema mais simples de estimação. Recebemos uma série de medidas z1, z2, cdots, zk, de uma constante constante desconhecida x. Assumimos que o modelo aditivo inicia zi x vi, i1,2, cdots, k (1) fim onde vi são ruídos de medição. Se nada mais é conhecido, todos concordarão que uma estimativa razoável de x, dado as medições k, pode ser dada por begin kk som. Agora podemos reescrever acima da eq. (2) por manipulação algébrica simples para começar o chapéu K hat frac (zk-hat) (3) end Eq. (3) que é simplesmente a Eq. (2) expressa em forma recursiva tem uma interpretação interessante. Diz que a melhor estimativa de x após a medição k é a melhor estimativa de x após as medições de k-1 mais um termo de correção. O termo de correção é a diferença entre o que você espera medir com base na medição do k-1, ou seja, e o que você realmente mede zk. Se rotularmos a correcção como Pk, então, novamente, simplesmente a manipulação algébrica pode escrever a forma recursiva de Pk como PkP-P (P 1) P Acredite ou não, as Eq. (3-4) podem ser reconhecidas como a filtragem de Kalman Equações para este caso simples. Qualquer discussão é bem-vinda. Para dar algum sabor, veja esta lista de livros: Tenho o GrewalAndrews com o MatLab, também o GrewalWeillAndrews sobre o GPS. Esse é o exemplo fundamental, o GPS. Aqui é um exemplo simplificado, entrevistei por um trabalho onde eles estavam escrevendo software para acompanhar todos os caminhões entrando e saindo de um enorme pátio de entrega, para o Walmart ou outros. Eles tinham dois tipos de informação: com base em colocar um dispositivo RFID em cada caminhão, eles tinham bastante informações sobre a direção que cada caminhão estava indo com as medidas possíveis muitas vezes por segundo, mas eventualmente crescendo em erro, assim como qualquer aproximação essencialmente ODE. Em uma escala de tempo muito mais longa, eles poderiam assumir a posição GPS de um caminhão, o que dá uma posição muito boa e imparcial, mas tem uma grande variação, você obtém posição dentro de 100 metros ou algo assim. Como combinar estes É o principal uso do filtro Kalman, quando você tem duas fontes de informação que fornecem tipos de erro grosseiramente opostos. Minha idéia, que eu teria dito a eles se eles me pagassem, era colocar um dispositivo em cada semi onde o táxi encontra o trailer, dando o atual raio de giro. Isso poderia ter sido integrado para fornecer informações de curto prazo muito boas sobre a direção em que o caminhão estava indo. Bem, é o que eles fazem com quase qualquer coisa em movimento hoje em dia. Aquele que eu pensava que era fofo era fazendas na Índia, acompanhando a localização dos tratores. O corpo em movimento não precisa se mover rapidamente para provocar as mesmas perguntas. Mas, é claro, o primeiro grande uso foi o projeto da NASA Apollo. Meu pai conheceu Kalman em algum momento. Papai trabalhou principalmente na navegação, inicialmente mísseis para o exército, depois submarinos para a Marinha. Respondeu 22 de julho às 19:25