Moving Media Filtro Gain

Medie mobili: Strategie 13 Con Casey Murphy. Analista ChartAdvisor Diversi investitori utilizzano le medie mobili per motivi diversi. Alcuni li usano come strumento di analisi primaria, mentre altri semplicemente li usano come un costruttore di fiducia per sostenere le loro decisioni di investimento. In questa sezione, ben presentare una serie di vari tipi di strategie - la loro integrazione nel vostro stile di trading è a voi crossover Un crossover è il tipo più semplice di segnale ed è favorita tra molti commercianti perché rimuove tutte le emozioni. Il tipo più semplice di crossover è quando il prezzo di un bene si sposta da un lato di una media mobile e chiude dall'altro. crossover prezzo sono utilizzati dai commercianti per identificare i cambiamenti nella quantità di moto e può essere utilizzato come una voce di base o strategia di uscita. Come si può vedere nella figura 1, una croce sotto di una media mobile può segnalare l'inizio di una tendenza al ribasso e sarebbe probabilmente utilizzato dai commercianti come un segnale per chiudere eventuali posizioni lunghe esistenti. Viceversa, una fine sopra una media mobile dal basso può suggerire l'inizio di un nuovo uptrend. Il secondo tipo di attraversamento si verifica quando una media a breve termine attraversa una media a lungo termine. Questo segnale è utilizzato dagli operatori per identificare lo slancio sta spostando in una direzione e che un movimento forte è probabile avvicina. Un segnale di acquisto viene generato quando la media a breve termine passa al di sopra della media a lungo termine, mentre un segnale di vendita è innescato da un incrocio media a breve termine al di sotto di una media a lungo termine. Come si può vedere dal grafico qui sotto, questo segnale è molto obiettivo, che è il motivo per cui è così popolare. Crossover Triple ei Moving nastro medio aggiuntivi medie mobili possono essere aggiunti al grafico di aumentare la validità del segnale. Molti commercianti metteranno le medie mobili di cinque, 10, e 20 giorni su un grafico e attendere che la media di cinque giorni attraversa attraverso gli altri che in genere è il buy segno primario. In attesa di media the10 giorni per attraversare al di sopra della media di 20 giorni è spesso usato come conferma, una tattica che spesso riduce il numero di falsi segnali. Aumentando il numero di medie mobili, come si vede nel metodo tripla di crossover, è uno dei modi migliori per misurare la forza di un trend e la probabilità che il trend continuerà. Questo pone la domanda: Che cosa accadrebbe se mantenuto aggiungendo medie mobili Alcune persone sostengono che se una media mobile è utile, quindi 10 o più deve essere ancora meglio. Questo ci porta a una tecnica nota come il nastro media mobile. Come si può vedere dal grafico qui sotto, molte medie mobili sono posti sullo stesso grafico e sono utilizzati per giudicare la forza del trend in atto. Quando tutte le medie mobili si muovono nella stessa direzione, la tendenza è detto di essere forte. Inversioni vengono confermati quando le medie si incrociano e la testa in direzione opposta. Reattività alle mutevoli condizioni è rappresentato dal numero di periodi di tempo utilizzati nelle medie mobili. Più breve i periodi di tempo utilizzati nei calcoli, più sensibile la media è a lievi variazioni di prezzo. Uno dei più comuni nastri inizia con un 50 giorni di media mobile e aggiunge medie in incrementi di 10 giorni fino alla media finale di 200. Questo tipo di media è bravo a identificare trendsreversals a lungo termine. Filtri Un filtro è un qualsiasi tecnica utilizzata in analisi tecnica per aumentare la fiducia quelli di un certo commercio. Ad esempio, molti investitori possono scegliere di aspettare fino a quando un titolo attraversa sopra di una media mobile ed è almeno il 10 al di sopra della media prima di ordinare. Questo è un tentativo di assicurarsi che il crossover è valido e di ridurre il numero di falsi segnali. Il rovescio della medaglia di fare affidamento sui filtri è troppo che alcuni di guadagno è dato e che potrebbe portare a sentirsi come youve perso il treno. Questi sentimenti negativi diminuirà nel tempo, come si regola costantemente i criteri utilizzati per il filtro. Non ci sono regole o cose da guardare fuori per quando si filtra il suo semplicemente un ulteriore strumento che vi permetterà di investire con fiducia. Media mobile Envelope Un'altra strategia che incorpora l'uso di media mobile è noto come una busta. Questa strategia comporta tracciando due fasce intorno una media mobile, sfalsati da una specifica percentuale. Ad esempio, nella seguente tabella, un involucro 5 è disposto intorno a una media mobile di 25 giorni. Gli operatori dovranno guardare questi gruppi per vedere se essi agiscono come forti aree di supporto o resistenza. Si noti come la mossa spesso inverte la direzione dopo si avvicina uno dei livelli. Un movimento di prezzo al di là della banda può segnalare un periodo di stanchezza, e gli operatori dovranno guardare per un'inversione verso il centro average. Introduction a ARIMA: modelli non stagionali ARIMA (p, d, q) equazione di previsione: modelli ARIMA sono, in teoria, la la maggior classe generale di modelli per la previsione di una serie di tempo che può essere fatta da 8220stationary8221 dalla differenziazione (se necessario), forse in concomitanza con le trasformazioni non lineari come la registrazione o sgonfiando (se necessario). Una variabile casuale che è una serie temporale è stazionaria se le sue proprietà statistiche sono tutte costanti nel tempo. Una serie stazionaria ha alcuna tendenza, le sue variazioni intorno la sua media hanno una ampiezza costante, e dimena in modo coerente. ossia suoi schemi temporali casuale breve termine sempre lo stesso aspetto in senso statistico. Quest'ultima condizione implica che le sue autocorrelazioni (correlazioni con i propri precedenti deviazioni dalla media) rimangono costanti nel tempo, o equivalentemente, che il suo spettro di potenza rimane costante nel tempo. Una variabile casuale di questa forma può essere visto (come al solito) come una combinazione di segnale e rumore, e il segnale (se risulta) potrebbe essere un modello di regressione medio veloce o lento, o oscillazione sinusoidale, o rapida alternanza di segno , e potrebbe anche avere una componente stagionale. Un modello ARIMA può essere visto come un 8220filter8221 che cerca di separare il segnale dal rumore, e il segnale viene poi estrapolato nel futuro per ottenere delle previsioni. L'equazione di previsione ARIMA per una serie temporale stazionaria è un lineare (cioè la regressione-tipo) equazione in cui i predittori sono costituiti da ritardi della variabile dipendente Andor ritardi degli errori di previsione. Cioè: Valore atteso di Y un andor costante una somma pesata di uno o più valori recenti di Y eo una somma pesata di uno o più valori recenti degli errori. Se i predittori sono costituiti solo di valori ritardati di Y. si tratta di un modello autoregressivo puro (8220self-regressed8221), che è solo un caso particolare di un modello di regressione e che potrebbe essere dotato di un software di regressione standard. Ad esempio, un autoregressiva del primo ordine (8220AR (1) 8221) modello per Y è un modello di regressione semplice in cui la variabile indipendente è semplicemente Y ritardato di un periodo (GAL (Y, 1) in Statgraphics o YLAG1 in RegressIt). Se alcuni dei fattori predittivi sono ritardi degli errori, un modello ARIMA NON è un modello di regressione lineare, perché non c'è modo di specificare period8217s 8220last error8221 come una variabile indipendente: gli errori devono essere calcolati su base periodica-to-periodo quando il modello è montato dati. Dal punto di vista tecnico, il problema con l'utilizzo errori ritardati come predittori è che le previsioni model8217s non sono funzioni lineari dei coefficienti. anche se sono funzioni lineari dei dati passati. Così, i coefficienti nei modelli ARIMA che includono errori ritardati devono essere stimati con metodi di ottimizzazione non lineare (8220hill-climbing8221) piuttosto che da solo risolvere un sistema di equazioni. L 'acronimo ARIMA sta per Auto-regressiva integrato media mobile. Ritardi della serie stationarized nell'equazione di previsione sono chiamati termini quotautoregressivequot, ritardi della errori di previsione sono chiamati quotmoving termini averagequot, e una serie di tempo che deve essere differenziata da effettuare stazionaria si dice che sia una versione quotintegratedquot di una serie stazionaria. modelli casuali di tendenza modelli di livellamento esponenziale casuale passeggiata e, modelli autoregressivi, e sono tutti i casi particolari di modelli ARIMA. Un modello ARIMA nonseasonal è classificato come (p, d, q) modello quot quotARIMA, dove: p è il numero di termini autoregressivi, d è il numero di differenze non stagionali necessari per stazionarietà, e q è il numero di errori di previsione ritardati in l'equazione di previsione. L'equazione di previsione è costruito come segue. In primo luogo, Sia Y il d ° differenza di Y. che significa: Si noti che la seconda differenza di Y (il caso d2) non è la differenza da 2 periodi fa. Piuttosto, è la prima differenza-of-the-prima differenza. che è l'analogo discreto di una derivata seconda, cioè l'accelerazione locale della serie piuttosto che la sua tendenza locale. In termini di y. l'equazione generale di previsione è: Qui i parametri medi in movimento (9528217s) sono definiti in modo tale che i loro segni sono negativi nell'equazione, seguendo la convenzione introdotta da Box e Jenkins. Alcuni autori e software (incluso il linguaggio di programmazione R) definirli in modo che abbiano segni più, invece. Quando i numeri reali sono inseriti nell'equazione, non c'è ambiguità, ma it8217s importante sapere quali convenzione il software utilizza quando si sta leggendo l'output. Spesso i parametri sono indicati lì da AR (1), AR (2), 8230, e MA (1), MA (2), 8230 ecc per identificare il modello ARIMA appropriato per Y. si inizia determinando l'ordine di differenziazione (d) che necessita stationarize serie e rimuovere le caratteristiche lordi di stagionalità, forse in combinazione con una trasformazione varianza stabilizzante come registrazione o sgonfiando. Se ci si ferma a questo punto e prevedere che la serie differenziata è costante, si è semplicemente montato un random walk o modello tendenza casuale. Tuttavia, la serie stationarized potrebbe ancora essere autocorrelato errori, il che suggerisce che un numero di termini AR (p 8805 1) Andor alcuni termini numero MA (q 8805 1) sono necessari anche nell'equazione di previsione. Il processo di determinazione dei valori di p, d, e q che sono meglio per una data serie di tempo saranno discussi nelle sezioni successive di note (i cui collegamenti sono nella parte superiore di questa pagina), ma in anteprima alcuni dei tipi di modelli ARIMA non stagionali che vengono comunemente riscontrato è riportata qui sotto. ARIMA modello autoregressivo (1,0,0) del primo ordine: se la serie è fermo e autocorrelato, forse può essere previsto come multiplo del proprio valore precedente, più una costante. L'equazione di previsione in questo caso è 8230which è Y regredito su se stessa ritardato di un periodo. Questo è un modello constant8221 8220ARIMA (1,0,0). Se la media di Y è zero, allora il termine costante non verrebbe inclusa. Se il coefficiente di pendenza 981 1 è positivo e meno di 1 su grandezza (che deve essere inferiore a 1 a grandezza se Y è fermo), il modello descrive significare-ritornando comportamento in cui il valore prossimi period8217s dovrebbe essere previsto per essere 981 1 volte lontano dalla media come questo period8217s valore. Se 981 1 è negativa, predice significare-ritornando comportamento con alternanza di segni, cioè si prevede anche che Y sarà al di sotto del prossimo periodo media se è al di sopra del periodo di dire questo. In un modello autoregressivo del secondo ordine (ARIMA (2,0,0)), ci sarebbe un termine Y t-2 sulla destra pure, e così via. A seconda dei segni e grandezze dei coefficienti, un (2,0,0) modello ARIMA poteva descrivere un sistema il cui reversione medio avviene in modo sinusoidale oscillante, come il moto di una massa su una molla che viene sottoposta a shock casuali . ARIMA (0,1,0) random walk: Se la serie Y non è fermo, il modello più semplice possibile è un modello casuale, che può essere considerato come un caso limite di un AR (1) modello in cui la autoregressivo coefficiente è uguale a 1, cioè una serie con infinitamente lenta reversione media. L'equazione pronostico per questo modello può essere scritto come: dove il termine costante è la variazione media del periodo a periodo (cioè lungo termine deriva) in Y. Questo modello può essere montato come un modello di regressione non intercetta in cui la prima differenza di Y è la variabile dipendente. Dal momento che include (solo) una differenza non stagionale e di un termine costante, è classificato come un quotARIMA (0,1,0) modello con constant. quot Il caso-roulant senza modello - drift sarebbe un ARIMA (0,1, 0) modello senza costante ARIMA (1,1,0) differenziata modello autoregressivo del primo ordine: Se gli errori di un modello random walk sono autocorrelati, forse il problema può essere risolto con l'aggiunta di un ritardo della variabile dipendente alla previsione equation - - cioè regredendo la prima differenza di Y su se stessa ritardato di un periodo. Ciò produrrebbe la seguente equazione previsione: che possono essere riorganizzate a Questo è un modello autoregressivo del primo ordine con un ordine di differenziazione non stagionale e di un termine costante - i. e. un (1,1,0) modello ARIMA. ARIMA (0,1,1) senza costante livellamento esponenziale semplice: Un'altra strategia per correggere gli errori autocorrelati in un modello random walk è suggerita dal semplice modello di livellamento esponenziale. Ricordiamo che per alcune serie di tempo non stazionaria (ad esempio quelle che presentano fluttuazioni rumorosi intorno a una media lentamente variabile), il modello random walk non esegue così come una media mobile di valori passati. In altre parole, invece di prendere l'osservazione più recente come la previsione della successiva osservazione, è preferibile utilizzare una media degli ultimi osservazioni per filtrare il rumore e più accuratamente stimare la media locale. Il semplice modello di livellamento esponenziale utilizza una media mobile esponenziale ponderata dei valori del passato per ottenere questo effetto. L'equazione pronostico per la semplice modello di livellamento esponenziale può essere scritto in un certo numero di forme matematicamente equivalenti. una delle quali è la cosiddetta forma correction8221 8220error, in cui la precedente previsione viene regolata nella direzione dell'errore fece: Perché e t-1 Y t-1 - 374 t-1 per definizione, questo può essere riscritta come : che è un ARIMA (0,1,1) - senza-costante equazione di previsione con 952 1 1 - 945. Ciò significa che è possibile montare un semplice livellamento esponenziale specificando come un modello ARIMA (0,1,1) senza costante, e il MA stimato (1) coefficiente corrisponde a 1-minus-alfa nella formula SES. Ricordiamo che nel modello SES, l'età media dei dati nelle previsioni 1-periodo-ahead è 1 945. senso che essi tenderanno a restare indietro tendenze o punti di svolta da circa 1 945 periodi. Ne consegue che l'età media dei dati nelle previsioni 1-periodo-prima di un ARIMA (0,1,1) - senza-costante modello è 1 (1-952 1). Così, per esempio, se 952 1 0.8, l'età media è 5. Come 952 1 avvicina 1, il ARIMA (0,1,1) - senza-costante modello diventa un media-molto-lungo termine in movimento, e come 952 1 si avvicina a 0 diventa un modello random walk-senza-drift. What8217s il modo migliore per correggere autocorrelazione: aggiunta termini AR o aggiungendo termini MA Nelle precedenti due modelli di cui sopra, il problema degli errori autocorrelati in un modello casuale è stato fissato in due modi diversi: aggiungendo un valore ritardato della serie differenziata l'equazione o l'aggiunta di un valore ritardato del l'errore di previsione. Quale approccio è meglio Una regola empirica per questa situazione, che sarà discusso più dettagliatamente in seguito, è che autocorrelazione positiva di solito è meglio trattata con l'aggiunta di un termine di AR al modello e negativo autocorrelazione di solito è meglio trattata con l'aggiunta di un MA termine. In serie business e tempo economica, autocorrelazione negativa si pone spesso come un artefatto di differenziazione. (In generale, differenziazione riduce autocorrelazione positiva e può anche provocare un interruttore da positivo a negativo autocorrelazione.) Quindi, il modello ARIMA (0,1,1), in cui la differenziazione è accompagnato da un termine MA, è più spesso utilizzato che un ARIMA (1,1,0) del modello. ARIMA (0,1,1) con costante semplice livellamento esponenziale con la crescita: Con l'implementazione del modello SES come un modello ARIMA, è in realtà guadagnare una certa flessibilità. Prima di tutto, il MA stimata (1) coefficiente è permesso di essere negativo. questo corrisponde ad un fattore di livellamento maggiore di 1 in un modello SES, che normalmente non è consentito dalla procedura model-fitting SES. In secondo luogo, si ha la possibilità di includere un termine costante nel modello ARIMA se lo si desidera, al fine di stimare un andamento medio diverso da zero. L'(0,1,1) modello ARIMA con costante ha l'equazione di previsione: Le previsioni di un periodo a venire da questo modello sono qualitativamente simili a quelle del modello SES, tranne che la traiettoria delle previsioni a lungo termine è in genere un pendenza riga (la cui pendenza è uguale a mu) anziché una linea orizzontale. ARIMA (0,2,1) o (0,2,2) senza costante livellamento esponenziale lineare: lineari modelli di livellamento esponenziale sono modelli ARIMA che utilizzano due differenze non stagionali in collegamento con termini MA. La seconda differenza di una serie Y non è semplicemente la differenza tra Y e si ritardato da due periodi, ma piuttosto è la prima differenza della prima --i. e differenza. il cambiamento-in-the-cambiamento di Y al periodo t. Così, la seconda differenza di Y al periodo t è uguale a (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Una seconda differenza di una funzione discreta è analoga ad una derivata seconda di una funzione continua: misura la quotaccelerationquot o quotcurvaturequot in funzione in un dato punto nel tempo. L'(0,2,2) modello ARIMA senza costante prevede che la seconda differenza della serie è uguale a una funzione lineare delle ultime due errori di previsione: che può essere riorganizzato come: dove 952 1 e 952 2 sono il MA (1) e MA (2) coefficienti. Questo è un modello di livellamento esponenziale lineare generale. essenzialmente lo stesso modello di Holt8217s e Brown8217s modello è un caso speciale. Esso utilizza pesato esponenzialmente medie mobili stimare sia a livello locale e una tendenza locale nella serie. Le previsioni a lungo termine di questo modello convergono ad una retta la cui inclinazione dipende dalla tendenza media osservata verso la fine della serie. ARIMA (1,1,2) senza costante smorzata-trend lineare livellamento esponenziale. Questo modello è illustrato nelle slide di accompagnamento sui modelli ARIMA. Si estrapola la tendenza locale alla fine della serie, ma appiattisce fuori a orizzonti previsionali più lunghi per introdurre una nota di cautela, una pratica che ha supporto empirico. Vedi l'articolo sul quotWhy il Damped Trend worksquot da Gardner e McKenzie e l'articolo quotGolden Rulequot da Armstrong et al. per dettagli. In genere è consigliabile attenersi a modelli in cui almeno uno dei p e q non è maggiore di 1, vale a dire non cercare di adattarsi a un modello come ARIMA (2,1,2), in quanto questo rischia di portare a sovradattamento e le questioni che sono discussi in modo più dettagliato nelle note sulla struttura matematica dei modelli ARIMA quotcommon-factorquot. implementazione foglio di calcolo: modelli ARIMA come quelli sopra descritti sono facili da implementare su un foglio di calcolo. L'equazione previsione è semplicemente una equazione lineare che fa riferimento ai valori passati della serie temporale originale e valori passati degli errori. Così, è possibile impostare un foglio di calcolo di previsione ARIMA memorizzando i dati nella colonna A, la formula di previsione nella colonna B, e gli errori (previsioni di dati meno) nella colonna C. La formula di previsione in una cella tipica nella colonna B sarebbe semplicemente un'espressione lineare, con riferimento ai valori precedenti in file di colonne a e C, moltiplicata per i coefficienti adeguati AR o MA memorizzati nelle cellule in altre parti del Crossover sistema spreadsheet. Moving media con RSI Filter sistemi semplici stare le migliori possibilità di successo da non diventare eccessivamente curva-fit. Tuttavia, l'aggiunta di un semplice filtro a un sistema robusto può essere un ottimo modo per migliorare la propria redditività, a condizione di analizzare anche come possa alterare eventuali rischi o pregiudizi integrate nel sistema. Il Moving Average Crossover sistema con RSI Filter è un eccellente esempio di questo. A proposito del sistema Questo sistema utilizza l'30 unità di SMA per la media veloce e il 100 unità di SMA per la media lenta. Perché la sua media mobile veloce è un bel po 'più lento del SPY 10100 Lungo Solo Moving Crossover sistema di media. esso dovrebbe generare meno segnali di commercio totale. Sarà interessante vedere se questo porta ad una percentuale di vincita più alta. Il sistema utilizza anche l'indicatore RSI come filtro. Questo è progettato per mantenere il sistema di mestieri in mercati che non sono in trend, che dovrebbe anche portare ad un tasso di vincita più alta. Il sistema entra in una posizione lunga quando l'unità 30 SMA attraversa sopra l'unità 100 SMA se l'RSI è superiore a 50. Si entra in una posizione corta quando l'unità 30 SMA incrocia al di sotto del 100 unità SMA se l'RSI è inferiore a 50. Le uscite del sistema una posizione lunga se l'unità 30 SMA incrocia al di sotto del 100 unità SMA, o se l'RSI scende sotto 30. Si esce da una posizione corta se l'unità 30 SMA attraversa indietro sopra 100 unità SMA, o se l'RSI supera 70. Si attua anche una fermata di trascinamento che si basa sulla volatilità del mercato e definisce un arresto iniziale più recente basso per una posizione lunga o più recente per un breve posizione. Un grafico giornaliero FXI, l'ETF EURUSD, mostra le regole del sistema in azione 30 unità SMA attraversa sopra 100 unità SMA RSI gt 50 30 unità SMA attraversa inferiore a 100 unità SMA RSI lt 50 30 unità SMA incrocia al di sotto di 100 unità SMA, o RSI scende al di sotto 30, o Trailing stop è colpito, o iniziale stop viene colpito Uscita breve Quando: 30 unità SMA incrocia al di sopra del 100 unità SMA, o RSI sale al di sopra di 70, o Trailing stop viene colpito, o iniziale stop viene colpito backtesting risultati I risultati di backtesting I trovato per questo sistema sono stati dall'Euro vs US Dollar mercato a partire dal 2004 fino al 2011 con un periodo di tempo ogni giorno. Durante questi sette anni, il sistema fatta solo 14 trade, quindi sicuramente filtrato gran parte dell'azione. La questione è se sia o non filtrati i buoni commerci o quelli cattivi. Di questi 14 mestieri, otto sono stati vincitori e sei erano perdenti. Che dà al sistema un tasso di 57 vittoria, che sappiamo possono essere scambiati con molto successo a condizione che il tasso di profitto è anche forte. rapporti di backtesting per i sistemi di forex utilizzano un stat chiamata fattore di profitto. Questo numero è calcolato dividendo l'utile lordo dalla perdita lorda. Questo ci dà il profitto medio ci si può aspettare per unità di rischio. I risultati di questo rapporto backtesting dato questo sistema un fattore di profitto di 3,61. Ciò significa che nel lungo periodo, il sistema fornirà rendimenti positivi. Per un punto di confronto, la Triplice Moving Crossover sistema media aveva solo un fattore di profitto di 1,10, in modo che il sistema di Moving Average Crossover con RSI è probabile che sia tre volte più redditizio. Questo significa che utilizzando un numero maggiore per la media rapido movimento e aggiungendo il filtro RSI deve essere filtrando alcuni dei traffici meno produttivi. Questi numeri sono confermati dal fatto che il profitto medio era appena oltre due volte più grande della perdita media. Tuttavia, nonostante questi rapporti positivi, il sistema ha subito un prelievo massimo di quasi 40. Dimensioni del campione Il fatto che questo sistema dà così pochi segnali è sia la sua grande forza e la sua più grande debolezza. Posizionamento di un minor numero di mestieri e tenendoli per lunghi periodi di tempo non mancherà di tenere i costi di transazione di diventare un fattore. Tuttavia, analizzando 14 mestieri che si sono verificati nell'arco di sette anni potrebbero portare i risultati da inclinato a causa delle piccole dimensioni del campione. Sono curioso come questo sistema avrebbe eseguito se è stato scambiato in una dozzina di coppie di valute diverse per lo stesso periodo di tempo. Inoltre, come sarebbe hanno eseguito se il backtest è andato indietro di 50 anni o testato il sistema su indici di borsa o merci. C'è chiaramente statistiche positive per giustificare un'ulteriore esplorazione di questo sistema, ma sarebbe sciocco scambiare denaro reale sulla base dei risultati di 14 mestieri. Trading Esempio Un esempio di questo sistema di lavoro può essere visto sul grafico corrente del FXI. Circa il 18 marzo di quest'anno, i 30 giorni di SMA ha attraversato sotto i 100 giorni di SMA. A quel tempo, l'RSI era anche sotto 50. Questo avrebbe innescato una posizione corta da qualche parte appena sotto 36. La fermata iniziale probabilmente sarebbe stato posto al di sopra del recente elevata a 38. A metà aprile, il prezzo era sceso a 34 e saremmo stati seduti su un buon profitto. Il prezzo poi è ritornato a quasi innescare la nostra sosta iniziale a 38 all'inizio di maggio prima di schiantarsi quasi tutta la strada fino a 30 alla fine di giugno. Da allora è ripreso alla gamma 34. In nessun momento durante qualsiasi di questa azione ha 30 giorni di SMA attraversare di nuovo sopra i 100 giorni di SMA, e l'RSI rimasto al di sotto 70. Pertanto, nessuno di questi avrebbe innescato una via d'uscita. Mentre il prezzo è venuto vicino alla nostra fermata iniziale, non riusciva a arrivare, in modo che ci avrebbe tenuti in commercio pure. L'unica cosa che potrebbe aver causato l'uscita sarebbe stato il trailing stop, che avrebbe dipendeva da quanto volatilità abbiamo impostato per consentire. E 'ancora troppo presto per dire se vorremmo sono stati fermati o no. Circa l'indicatore indicatore RSI La RSI è stato sviluppato da J. Welles Wilder ed è stata descritta nel suo libro del 1978, nuovi concetti di tecniche Trading Systems. È un indicatore slancio che oscilla tra zero e 100, che indica la velocità e la variazione di prezzo. Molti commercianti di slancio usano come indicatore RSI overboughtoversold. RSI è calcolato mediante primi RS calcolatrici, che è il guadagno medio degli ultimi n periodi diviso per la perdita media degli ultimi n periodi. Il valore di n è generalmente di 14 giorni. RS (guadagno medio) (Perdita media) Una volta RS è calcolato, la seguente equazione è usato per fare quel valore in un indicatore oscillante: RSI 100 8211 100 (1 RS) Questo ci darà un valore compreso tra zero e 100. Qualsiasi valore superiore 70 è generalmente considerato ipercomprato, e qualsiasi valore inferiore a 30 è considerato ipervenduto. Tuttavia, dal momento che questo sistema è un seguente sistema di tendenza, di ipercomprato e ipervenduto non hanno i loro soliti connotazioni negative. quando si utilizza un M. A. strategia fa si prende in considerazione il tasso di interesse della valuta also..do si utilizza il dollaro come valuta di base che ho scambiato le scorte prima, ma mai forex, e sto cercando di costruire qualcosa con pitone, un forex utilizzando un 8gt20 long8lt20 breve , ma sto ancora chiedendo se ho bisogno di incorporare il tasso di interesse di ciascuna valuta nella analisi per la pampl. Grazie per il tuo tempo. Jorge Medellin jormoriagmail PS. So che il jokey è importante quanto il cavallo, quindi in questo caso sono significato FOREX come valute al contrario di futures o contratti a termine. Grazie per la vostra nota. Il tasso di interesse prima stessa isn8217t il bit importante. Siamo, dopo tutto, le coppie di trading. La moneta forte sarà quello con la più alta aspettativa di rialzo dei tassi. I wouldn8217t prestare attenzione ai tassi di interesse molto, almeno non al momento. I commercianti si preoccupano molto di più su allentamento quantitativo che il tasso di interesse al momento. QE è molto più importante e pericolosa. Qual è l'unità di SMA 30 unità SMA 100 unità SMA Ti dire che è periodo di media mobile semplice Eventuali altri Sì, it8217s il Periodo di SMA. Il primo periodo di SMA è 10. Il secondo periodo SMA è 100. Quando si incrociano, si ottiene un segnale se la RSI è superiore a 50. Ciao Shaun, vorrei innanzi tutto ringraziarvi per il vostro blog molto informativo e articoli. Spero di essere in grado di aiutare altri operatori in futuro, come si fa. Ho costruito e utilizzato un indicatore di momentum filtrato come filtro in altre strategie su un conto demo. Non ho considerato utilizzando l'RSI in quanto non mi piace l'uso di indicatori che mostrano fondamentalmente la stessa cosa (la maggior parte degli indicatori riflettono lo slancio in un modo o nell'altro, mentre altri non hanno alcuna spiegazione razionale). Tuttavia, dopo aver letto il vostro articolo di cui sopra, ho sostituito il mio indicatore di momentum con la RSI. I risultati sono davvero promettenti con molto meno whipsaw in confronto. cercherò di trovare il tempo per scrivere un EA e backtest della strategia. Perché pensi che ci fosse un enorme prelievo tale È insito nella strategia di crossover MA O è causato dalla RSI Più che probabile it8217s entrambi. Io personalmente non piace la RSI. I8217ll assicuratevi di fare un confronto media mobile per voi nel Quantilator, troppo. It8217s il modo più semplice e più obiettivo di raccogliere a parte le strategie.