Flytting Gjennomsnitt Transfer Funksjon

Eksponentiell flytende gjennomsnitt - EMA BREAKING DOWN Eksponensiell flytende gjennomsnitt - EMA De 12 og 26-dagers EMAene er de mest populære kortsiktige gjennomsnittene, og de brukes til å skape indikatorer som den flytende gjennomsnittlige konvergensdivergensen (MACD) og prosentvis prisoscillator (PPO). Generelt brukes 50- og 200-dagers EMAer som signaler for langsiktige trender. Traders som ansetter teknisk analyse, finner glidende gjennomsnitt veldig nyttige og innsiktige når de brukes riktig, men skaper kaos når de brukes feil eller blir feilfortolket. Alle de bevegelige gjennomsnittene som vanligvis brukes i teknisk analyse, er av sin natur sakende indikatorer. Følgelig bør konklusjonene fra å bruke et glidende gjennomsnitt til et bestemt markedskart være å bekrefte et markedskryss eller for å indikere dets styrke. Svært ofte, etter hvert har en glidende gjennomsnittlig indikatorlinje endret seg for å reflektere et betydelig trekk i markedet, det optimale punktet for markedsinngang har allerede gått. En EMA tjener til å lette dette dilemmaet til en viss grad. Fordi EMA-beregningen plasserer mer vekt på de nyeste dataene, klemmer prishandlingen litt strammere og reagerer derfor raskere. Dette er ønskelig når en EMA brukes til å utlede et handelsinngangssignal. Tolke EMA Som alle bevegelige gjennomsnittsindikatorer, er de mye bedre egnet for trending markeder. Når markedet er i en sterk og vedvarende opptrinn. EMA-indikatorlinjen vil også vise en uptrend og vice versa for en nedtrend. En årvåken handelsmann vil ikke bare være oppmerksom på retningen til EMA-linjen, men også forholdet mellom endringshastigheten fra en linje til den neste. For eksempel, da prisvirkningen av en sterk opptrend begynner å flate og reversere, vil EMAs endringshastighet fra en linje til den neste begynne å redusere til den tid som indikatorlinjen flater og endringshastigheten er null. På grunn av den slanke effekten, ved dette punktet, eller til og med noen få barer før, bør prishandlingen allerede ha reversert. Det følger derfor at observere en konsistent reduksjon i endringshastigheten til EMA, kunne seg selv brukes som en indikator som ytterligere kunne motvirke dilemmaet forårsaket av den bølgende effekten av bevegelige gjennomsnitt. Vanlige bruksområder til EMA-EMAer brukes ofte i forbindelse med andre indikatorer for å bekrefte betydelige markedsbevegelser og å måle deres gyldighet. For handelsmenn som handler intradag og rasktflyttende markeder, er EMA mer anvendelig. Ofte bruker handelsmenn EMAer for å bestemme en handelspartiskhet. For eksempel, hvis en EMA på et daglig diagram viser en sterk oppadgående trend, kan en intradaghandlere strategi være å handle kun fra den lange siden på en intradag-kart. Et brukervennlig digitalt filter Det eksponentielle glidende gjennomsnittet (EMA) er en type uendelig impulsrespons (IIR) filter som kan brukes i mange innebygde DSP-applikasjoner. Det krever bare en liten mengde RAM og databehandlingskraft. Hva er et filter filtre kommer i både analog og digital form og eksisterer for å fjerne bestemte frekvenser fra et signal. Et vanlig analogfilter er lavpasfilteret RC vist nedenfor. Analogfiltre kjennetegnes av deres frekvensrespons, det er hvor mye frekvensene blir dempet (størrelsesrespons) og skiftet (fasespons). Frekvensresponsen kan analyseres ved hjelp av en Laplace-transformasjon som definerer en overføringsfunksjon i S-domene. For den ovennevnte kretsen er overføringsfunksjonen gitt av: For R er 1 kilo-ohm og C er lik ett mikrofarad, vises størrelsesresponsen nedenfor. Merk at x-aksen er logaritmisk (hvert kryssmerke er 10 ganger større enn det siste). Y-aksen er i desibel (som er en logaritmisk funksjon av utgangen). Klippfrekvensen for dette filteret er 1000 rad eller 160 Hz. Dette er punktet hvor mindre enn halvparten av effekten ved en gitt frekvens overføres fra inngangen til filterets utgang. Analog filtre må brukes i innebygde konstruksjoner når du sampler et signal ved hjelp av en analog til digital omformer (ADC). ADC tar bare inn frekvenser som er opptil halvparten av samplingsfrekvensen. For eksempel, hvis ADC kjøper 320 prøver per sekund, er filteret over (med en cutofffrekvens på 160Hz) plassert mellom signalet og ADC-inngangen for å forhindre aliasing (hvilket er et fenomen der høyere frekvenser dukker opp i det samplede signalet som lavere frekvenser). Digitale filtre Digitale filtre demper frekvenser i programvare i stedet for å bruke analoge komponenter. Deres implementering inkluderer prøvetaking av analoge signaler med en ADC og deretter applikasjon av en programvarealgoritme. To vanlige designtilnærminger til digital filtrering er FIR-filtre og IIR-filtre. FIR-filtre Finite Impulse Response (FIR) filtre bruker et begrenset antall prøver for å generere utgangen. Et enkelt glidende gjennomsnitt er et eksempel på et lavpass FIR-filter. Høyere frekvenser blir dempet fordi gjennomsnittet utjevner signalet. Filteret er begrenset fordi filterets utgang bestemmes av et begrenset antall inngangsprøver. Som et eksempel, legger et 12 punkts glidende gjennomsnittlig filter opp de 12 siste prøvene, og deler deretter med 12. Utgangen av IIR-filtre bestemmes av (opp til) et uendelig antall inngangssampler. IIR-filtre Infinite Impulse Response (IIR) - filtre er en type digitalt filter hvor produksjonen er inifinetelyin teorien, noe som påvirkes av en inngang. Det eksponentielle glidende gjennomsnittet er et eksempel på et lavpass IIR filter. Eksponentiell flytende gjennomsnittsfilter Et eksponentielt glidende gjennomsnitt (EMA) bruker eksponentielle vekter til hver prøve for å beregne et gjennomsnitt. Selv om dette virker komplisert, er ekvivalent i digital filtreringsparlance som forskjellsligningen for å beregne utdataene enkel. I ligningen nedenfor er y utgangen x er inngangen og alfa er en konstant som setter cutofffrekvensen. For å analysere hvordan dette filteret påvirker frekvensen av utgangen, brukes Z-domeneoverføringsfunksjonen. Størrelsesresponsen er vist nedenfor for alfa lik 0,5. Y-aksen er igjen vist i desibel. X-aksen er logaritmisk fra 0,001 til pi. Den virkelige verdenskortet til x-aksen med null er likspenningen og pi tilsvarer halvparten av samplingsfrekvensen. Eventuelle frekvenser som er større enn halvparten av samplingsfrekvensen blir aliasert. Som nevnt kan et analogt filter sikre nesten alle frekvenser i det digitale signalet er under halvparten av samplingsfrekvensen. EMA-filteret er fordelaktig i innebygde design av to grunner. For det første er det enkelt å justere cutoff frekvensen. Redusering av verdien av alfa vil senke cutofffrekvensen til filteret som illustrert ved å sammenligne ovennevnte alfa 0,5 plot til nedenstående plot hvor alfa 0,1. For det andre er EMA enkelt å kode og krever bare en liten mengde datakraft og minne. Kodeimplementeringen av filteret bruker forskjellligningen. Det er to multipliseringsoperasjoner, og en tilleggsoperasjon for hver output ignorerer operasjonene som kreves for avrunding av fast punktmatematikk. Bare den nyeste prøven må lagres i RAM. Dette er vesentlig mindre enn å bruke et enkelt bevegelig gjennomsnittsfilter med N poeng som krever N multipliserings - og tilleggsoperasjoner samt N prøver som skal lagres i RAM. Følgende kode implementerer EMA-filteret ved hjelp av 32-bit fastpunktmatematikk. Koden nedenfor er et eksempel på hvordan du bruker funksjonen ovenfor. Konklusjon Filter, både analog og digital, er en viktig del av innebygde design. De tillater utviklere å kvitte seg med uønskede frekvenser når de analyserer sensorinngang. For at digitale filtre skal være nyttige, må analogfiltre fjerne alle frekvenser over halvparten av samplingsfrekvensen. Digitale IIR-filtre kan være kraftige verktøy i innebygd design der ressursene er begrensede. Det eksponentielle glidende gjennomsnittet (EMA) er et eksempel på et slikt filter som fungerer godt i innebygde konstruksjoner på grunn av de lave minne - og datakraftkravene. Frequency Response of the Running Average Filter Frekvensresponsen til et LTI-system er impulsens DTFT respons, Impulsresponsen av et L-prøveeksempel glidende gjennomsnitt er Siden det bevegelige gjennomsnittlige filteret er FIR, reduserer frekvensresponsen til den endelige summen. Vi kan bruke den svært nyttige identiteten til å skrive frekvensresponsen som hvor vi har sluppet minus jomega. N 0 og M L minus 1. Vi kan være interessert i størrelsen på denne funksjonen for å avgjøre hvilke frekvenser som kommer gjennom filteret som ikke er overvåket og som er dempet. Nedenfor er et plott av størrelsen på denne funksjonen for L 4 (rød), 8 (grønn) og 16 (blå). Den horisontale aksen varierer fra null til pi radianer per prøve. Legg merke til at frekvensresponsen i alle tre tilfeller har en lowpass-karakteristikk. En konstant komponent (nullfrekvens) i inngangen passerer gjennom filteret uopprettholdt. Visse høyere frekvenser, som pi 2, elimineres helt av filteret. Men hvis hensikten var å designe et lavpassfilter, har vi ikke gjort det veldig bra. Noen av de høyere frekvensene dempes bare med en faktor på ca 110 (for 16 poeng glidende gjennomsnitt) eller 13 (for firepunkts glidende gjennomsnitt). Vi kan gjøre mye bedre enn det. Ovennevnte tegning ble opprettet av følgende Matlab-kode: omega 0: pi400: pi H4 (14) (1-exp (-iomega4)). (1-exp (-iomega)) H8 (18) iomega8)). (1-exp (-iomega)) H16 (116) (1-exp (-iomega16)) (1-exp (-iomega)) plot (omega, abs (H4) abs H16)) akse (0, pi, 0, 1) Opphavsretts kopi 2000- - University of California, Berkeley