Ponderata Media Mobile Attuazione

Io ho essenzialmente un array di valori come questo: La matrice di cui sopra è Semplificando al massimo, Im la raccolta di 1 valore per millisecondo nel mio codice vero e ho bisogno di elaborare l'uscita su un algoritmo che ho scritto per trovare il picco più vicino prima di un punto nel tempo. La mia logica non è riuscito perché nel mio esempio precedente, 0,36 è il vero picco, ma il mio algoritmo sarebbe guardare indietro e vedere l'ultimo numero di 0,25 come il picco, come theres una diminuzione di 0,24 prima di esso. L'obiettivo è quello di prendere questi valori e applicare un algoritmo per loro che li appianare un po 'in modo da avere i valori più lineare. (Vale a dire: Id come i miei risultati siano sinuosa, non jaggedy) Ive stato detto di applicare un filtro a media mobile esponenziale a miei valori. Come posso fare questo la sua davvero difficile per me leggere equazioni matematiche, ho a che fare molto meglio con il codice. Come faccio a dei valori di processo nella mia matrice, l'applicazione di un calcolo della media mobile esponenziale a pareggiare fuori chiesto 8 febbraio 12 a 20:27 Per calcolare una media mobile esponenziale. è necessario mantenere uno stato in giro e avete bisogno di un parametro di sintonia. Ciò richiede una (sei ipotizzando l'utilizzo di Java 5 o successivo) po 'di classe: un'istanza con il parametro di decadimento che si desidera (potrebbe richiedere sintonizzazione dovrebbe essere compreso tra 0 e 1) e quindi utilizzare media () per filtrare. Durante la lettura di una pagina su qualche ricorrenza mathmatical, tutti si ha realmente bisogno di sapere quando trasformandolo in codice è che i matematici piace scrivere indici in array e sequenze con gli indici. (Theyve alcune altre notazioni così, che non aiuta.) Tuttavia, l'EMA è piuttosto semplice come avete solo bisogno di ricordare un valore vecchio non complicati elementi di superfici sensibile richiesti. rispose 8 febbraio 12 a 20:42 TKKocheran: Più o meno. Isn39t è bello quando le cose possono essere semplici (oppure con la nuova sequenza, ottenere un nuovo averager.) Si noti che i primi termini della sequenza media salteranno in giro un po 'a causa di effetti di bordo, ma si ottiene quelli con altre medie mobili pure. Tuttavia, un buon vantaggio è che si può avvolgere la logica di media mobile nel averager e sperimentare senza disturbare il resto del programma troppo. ndash Donal Fellows 9 febbraio 12 a 0:06 sto avendo difficoltà a capire le vostre domande, ma cercherò di rispondere in ogni caso. 1) Se il vostro algoritmo trovato 0,25 invece di 0,36, allora è sbagliato. E 'sbagliato perché presuppone un aumento o una diminuzione monotona (che sta andando sempre verso l'alto o verso il basso andando sempre). A meno che la media di tutti i dati, i punti dati --- come li presenti --- sono non lineari. Se davvero si vuole trovare il valore massimo tra due punti nel tempo, poi tagliare la matrice da Tmin a Tmax e trovare il massimo di tale sottoarray. 2) Ora, il concetto di medie mobili è molto semplice: immaginate che ho il seguente elenco: 1.4, 1.5, 1.4, 1.5, 1.5. Posso liscia fuori prendendo la media di due numeri: 1.45, 1.45, 1.45, 1.5. Si noti che il primo numero è la media di 1.5 e 1.4 (secondo e primi numeri) il secondo (nuova lista) è la media di 1.4 e 1.5 (terzo e secondo elenco di età), terzo (nuovo elenco) la media di 1,5 e 1,4 (quarto e terzo), e così via. Avrei potuto reso periodo di tre o quattro, o n. Si noti come i dati sono molto più agevole. Un buon modo per vedere le medie mobili sul posto di lavoro è quello di andare a Google Finance, selezionare un magazzino (provate Tesla Motors piuttosto volatile (TSLA)) e cliccare su fattori tecnici alla parte inferiore del grafico. Selezionare Media mobile con un determinato periodo, e media mobile esponenziale a confrontare le loro differenze. Media mobile esponenziale è solo un altro elaborazione di questo, ma i pesi i dati più vecchi in meno rispetto ai nuovi dati questo è un modo per polarizzare il livellamento verso il retro. Si prega di leggere la voce di Wikipedia. Quindi, questo è più di un commento di una risposta, ma la piccola casella di commento era solo per minuscola. In bocca al lupo. Se siete ad avere problemi con la matematica, si potrebbe andare con una media mobile semplice anziché esponenziale. Quindi, l'uscita si ottiene sarebbe stato l'ultimo termine x diviso per x. pseudocodice testato: Si noti che è necessario per gestire le parti iniziali e finali dei dati dato che chiaramente non puoi fare la media dei ultimi 5 termini quando si è sul 2 ° punto di dati. Inoltre, ci sono modi più efficaci di calcolo di questa media mobile (somma somma - più antica più recente), ma questo è quello di ottenere il concetto di che cosa sta accadendo in tutto. risponde feb 8 12 a 20: 41What039s la differenza tra media mobile e ponderata media mobile A 5-periodo media mobile, sulla base dei prezzi di cui sopra, sarebbe calcolato utilizzando la seguente formula: In base alla suddetta equazione, il prezzo medio nel periodo di cui sopra era 90.66. Utilizzando medie mobili è un metodo efficace per l'eliminazione di forti fluttuazioni dei prezzi. La limitazione chiave è che i punti dati dai dati precedenti non sono ponderati in modo diverso rispetto ai dati punti vicino l'inizio del set di dati. Questo è dove le medie mobili ponderate entrano in gioco. medie ponderate assegnare una ponderazione più pesante a più punti di dati attuali dal momento che sono più rilevanti di punti dati in un lontano passato. La somma della ponderazione deve aggiungere fino a 1 (o 100). Nel caso della media mobile semplice, i coefficienti sono equamente distribuiti, ed è per questo che non sono riportati nella tabella sopra riportata. Prezzo di chiusura di AAPLExponential Moving Average (EMA) La formula EMA classico è: A differenza di media mobile semplice. dove il peso di tutte le barre precedenti è uguale, la media mobile esponenziale rende il bar più recente più importante. Il peso di ciascuna barra anziani diminuisce la esponenzialmente. Sotto è un grafico del peso per N 10 (1 è il prezzo corrente, 2 precedente e così via): La formula peso è dove i è la distanza per la più recente bar. 0 significa il più recente, 1 barra precedente e così via. First Value I riferimenti formula al valore precedente e non v'è alcun accordo standard qual è il primo valore (più vecchia). Diversa implementazione di EMA usa: Il primo prezzo (MT4, Marketscope) o la semplice media mobile dei primi prezzi (N StockCharts). Al posto di media mobile semplice La media mobile esponenziale può essere utilizzato esattamente come media mobile semplice. soprattutto nella situazione in cui l'inerzia di Simple Moving Average è non può essere ignorato. Basta confrontare EMA (10) e MVA (10) applicati gli stessi prezzi: Limitazioni La media mobile esponenziale si basa tutti i suoi valori precedenti, quindi, il risultato indicatore una particolare barra dipende dalla quantità di dati storici viene preso in considerazione. Quindi, nella situazione quando più dati storici viene caricato, il valore dell'indicatore può differire dalla precedentemente calcolato. Indicatori Questo articolo in altre Languagesnet. sourceforge. openforecast. models Classe A WeightedMovingAverageModel ponderato modello a media mobile previsione si basa su una serie temporale costruito artificialmente in cui il valore per un dato periodo di tempo viene sostituito dalla media ponderata di tale valore ei valori per un numero di periodi di tempo precedente. Come avrete intuito dalla descrizione, questo modello è più adatto ai dati di serie temporali cioè dati che cambiano nel corso del tempo. Poiché il valore di previsione per un determinato periodo è una media ponderata dei periodi precedenti, quindi la previsione sarà sempre sembrano ritardo aumenta o diminuzioni dei valori osservati (dipendente). Ad esempio, se una serie di dati ha una tendenza all'aumento inferme poi un mobile ponderata previsione media sarà generalmente fornisce una sottostima dei valori della variabile dipendente. Il modello a media mobile ponderata, come il modello media mobile, ha un vantaggio rispetto ad altri modelli di previsione a che esso appianare picchi e depressioni (o valli) in una serie di osservazioni. Tuttavia, come il modello di media mobile, ma ha anche diversi svantaggi. In particolare, questo modello non produce un'equazione reale. Pertanto, non è poi così utile come strumento di previsione medio-lungo raggio. Può affidabile solo essere usato per prevedere alcuni periodi nel futuro. Dal: 0.4 Autore: Steven R. Gould I campi ereditati dalla classe net. sourceforge. openforecast. models. AbstractForecastingModel WeightedMovingAverageModel () Costruisce un nuovo modello a media mobile ponderata di previsione. WeightedMovingAverageModel (pesi doppie) Costruisce un nuovo mobile ponderata modello previsionale media, utilizzando i pesi specificati. meteorologiche (doppia ORARIO. VALORE) restituisce il valore di previsione della variabile dipendente per il valore dato della variabile tempo indipendente. getForecastType () Restituisce un nome di una o due parole di questo tipo di modello di previsione. getNumberOfPeriods () restituisce il numero corrente di periodi utilizzati in questo modello. getNumberOfPredictors () restituisce il numero di predittori utilizzati dal modello sottostante. setWeights (pesi doppie) Definire i pesi utilizzati da questo movimento ponderata modello di previsione media ai pesi dati. toString () Questo dovrebbe essere ignorato per fornire una descrizione testuale del modello di previsione attuale, per quanto possibile, eventuali parametri derivati ​​utilizzati. Metodi ereditati dalla classe net. sourceforge. openforecast. models. AbstractTimeBasedModel WeightedMovingAverageModel costruisce una nuova mobile ponderata modello di previsione media, utilizzando i pesi specificati. Per un valido modello da costruire, si dovrebbe chiamare init e passare in un insieme di dati che contiene una serie di punti dati con la variabile tempo inizializzato per identificare la variabile indipendente. La dimensione della matrice pesi viene utilizzato per determinare il numero di osservazioni da utilizzare per calcolare la media mobile ponderata. Inoltre, il periodo più recente sarà dato il peso definita dal primo elemento della matrice cioè weights0. La dimensione della matrice pesi viene anche utilizzato per determinare la quantità di periodi futuri che possono essere efficacemente previsione. Con una media mobile a 50 giorni ponderata, allora non possiamo ragionevolmente - con qualsiasi grado di precisione - prevedere più di 50 giorni oltre l'ultimo periodo per il quale sono disponibili i dati. Anche la previsione verso la fine di questa gamma è probabile essere inaffidabili. Nota sui pesi in generale, i pesi passati al costruttore di questo dovrebbero aggiungere fino a 1,0. Tuttavia, come vantaggio, se la somma dei pesi non aggiunge fino a 1,0, questa implementazione scale tutti i pesi proporzionalmente in modo che sommano a 1,0. Parametri: pesi - una serie di pesi da assegnare alle osservazioni storiche nel calcolo della media mobile ponderata. WeightedMovingAverageModel Costruisce un nuovo mobile ponderata modello previsionale media, utilizzando la variabile denominata come variabile indipendente e pesi specificati. Parametri: independentVariable - il nome della variabile indipendente da utilizzare in questo modello. pesi - una serie di pesi da assegnare alle osservazioni storiche nel calcolo della media mobile ponderata. WeightedMovingAverageModel Costruisce un nuovo modello a media mobile ponderata di previsione. Questo costruttore è destinato ad essere utilizzato solo da sottoclassi (quindi è protetto). Ogni sottoclasse utilizzando questo costruttore deve successivamente invocare il metodo (protette) setWeights per inizializzare i pesi per essere utilizzati da questo modello. WeightedMovingAverageModel Costruisce un nuovo movimento modello di previsione medio ponderato utilizzando la variabile indipendente. Parametri: independentVariable - il nome della variabile indipendente da utilizzare in questo modello. setWeights Imposta i pesi utilizzati da questo movimento ponderata modello di previsione media ai pesi dati. Questo metodo è destinato ad essere utilizzato solo da sottoclassi (quindi è protetto), e solo in combinazione con il costruttore (protetto) di un argomento. Qualsiasi sottoclasse utilizzando il costruttore un argomento deve chiedere successivamente setWeights prima di richiamare il metodo AbstractTimeBasedModel. init (net. sourceforge. openforecast. DataSet) per inizializzare il modello. Nota sui pesi in generale, i pesi passati a questo metodo dovrebbero aggiungere fino a 1,0. Tuttavia, come vantaggio, se la somma dei pesi non aggiunge fino a 1,0, questa implementazione scale tutti i pesi proporzionalmente in modo che sommano a 1,0. Parametri: pesi - una serie di pesi da assegnare alle osservazioni storiche nel calcolo della media mobile ponderata. Restituisce il valore di previsione della variabile dipendente per il valore dato della variabile tempo indipendente. Sottoclassi devono implementare questo metodo in modo coerente con il modello di previsione implementano. Le sottoclassi possono usufruire dei metodi getForecastValue e getObservedValue per ottenere, rispettivamente, le previsioni e le osservazioni precedenti. Specificato da: previsioni in classe AbstractTimeBasedModel Parametri: TimeValue - il valore della variabile tempo per il quale è richiesto un valore di previsione. Restituisce: il valore di previsione della variabile dipendente per il tempo determinato. Produce: IllegalArgumentException - se non v'è insufficiente dati storici - osservazioni passati a init - per generare una previsione per un dato valore di tempo. getNumberOfPredictors Restituisce il numero di predittori utilizzati dal modello sottostante. Restituisce: il numero di predittori utilizzati dal modello sottostante. getNumberOfPeriods Restituisce l'attuale numero di periodi utilizzati in questo modello. Specificato da: getNumberOfPeriods in classe AbstractTimeBasedModel Restituisce: l'attuale numero dei periodi usati in questo modello. getForecastType Restituisce un nome di una o due parole di questo tipo di modello di previsione. Mantenere questo breve. Una descrizione più lunga dovrebbe essere attuato nel metodo toString. Questo dovrebbe essere ignorato per fornire una descrizione testuale del modello di previsione attuale, per quanto possibile, eventuali parametri derivati ​​utilizzati. Specificato da: toString nell'interfaccia ForecastingModel Sostituzioni: toString nella classe restituisce AbstractTimeBasedModel: una rappresentazione di stringa del modello di previsione corrente, ed i suoi parametri.