Lineare Regression Kleinsten Quadrate Gleitenden Durchschnitt

8.5 Endpunkt Gleitender Durchschnitt Der Endpunkt Gleitender Durchschnitt (EPMA) legt einen Durchschnittspreis fest, indem er eine Gerade der kleinsten Quadrate (siehe Lineare Regression) über die letzten N Tage schließt und den Endpunkt der Linie (dh die Linie wie letztes) annimmt Tag) als Durchschnitt. Diese Berechnung wird durch eine Reihe von anderen Namen, einschließlich der kleinsten Quadrate gleitenden Durchschnitt (LSQMA), bewegte lineare Regression und Zeitreihenvorhersage (TSF). Joe Sharprsquos ldquomodified bewegt averagerdquo ist die gleiche Sache zu. Die Formel endet als ein einfacher gewichteter Durchschnitt der vergangenen N Preise, mit Gewichten gehen von 2N-1 bis - N2. Dies ist leicht aus den Formeln der kleinsten Quadrate abgeleitet, aber nur auf der Gewichtung der Verbindung zu den kleinsten Quadraten ist überhaupt nicht offensichtlich. Wenn p1 ist heute rsquos schließen, p2 yesterdays, etc, dann Die Gewichte sinken um 3 für jeden älteren Tag, und gehen für das älteste Drittel der N Tage negativ. Die folgende Grafik zeigt, dass für N15. Die Negative bedeuten, der Durchschnitt ist ldquooverweightrdquo auf die jüngsten Preise und kann Überschreitung Preisaktion nach einem plötzlichen Sprung. Im Allgemeinen jedoch, weil die gepaßte Linie bewusst durch die Mitte der neuen Preise geht, die EPMA neigt, in der Mitte der neuen Preise zu sein, oder eine Projektion von, wo sie schien, zu trimmen. Itrsquos interessant, die EPMA mit einem einfachen SMA zu vergleichen (siehe Simple Moving Average). Ein SMA zieht eine horizontale Linie durch die Vergangenheit N Tage Preise (ihre Mittel), während die EPMA eine schräge Linie zeichnet. Die Trägheitsanzeige (siehe Trägheitsmoment) nutzt die EPMA. Kevin Ryde Chart ist freie Software, die Sie es verteilen und / oder unter den Bedingungen der GNU General Public License ändern können, wie sie von der Free Software Foundation Version 3 veröffentlicht wird , Oder (nach Ihrer Wahl) jede spätere Version. Wenn ich vergleiche die MT4 Least Squares Moving Average zu Tradestations Lineare Regression Curve, sind sie sicherlich die gleiche Formel. Allerdings hat die MT4-Anzeige einige schöne rot / grün / gelbe Farbcodierung, die ich sehr mag. Meine Tradestation-Anzeige ist nur eine Farbe. Wenn Sie die MT4 Least Squares MA betrachten, ist die Farbcodierungslogik keine einfache Aufwärts - / Abwärtslogik (dh wenn MA gt MA1 dann grün ist, wenn MA lt MA1 dann rot ist), ist es etwas anderes. Ich mag diese besondere Indikator-Färbung und möchte es auf die Tradestation Linear Regression Curve anzuwenden, so kann ich es auf einigen Nicht-Devisenmärkten ich auch handeln. Ich bin vernünftigerweise fließend in Tradestation Indikator Programmierung, aber ich kann nicht lesen MQL4-Code überhaupt. Im sure könnte ich die Farbe in die TS LRC Anzeige programmieren, wenn ich die färbenlogik im MQL4 Code verstehen könnte. Also, meine Frage ist, was ist die Indikator Farbe Kodierung Logik (in üblichen logischen Anweisungen oder Sätze) in den folgenden Code enthalten Vielen Dank, Scott Any takers Id Liebe ein wenig Hilfe hier. Nur eine einfache Erklärung der Farbcodierungslogik würde mich sehr freuen. Ne Farbe pro Indikatorindexzeile, wenn sie nach oben geht, zieht sie mit Index 2 Wenn flach, Index 1 Wenn Sie nach unten gehen, Index 3 legt er leeren Wert in die Indizes, die nicht an einer bestimmten Leiste verwendet werden. Alles, was ich weiß, ist, in MT4 CI, die Regel ist. Eine Zeile eine Farbe, so wenn theres 3 oder 5 oder 7 Farbe, theres sollte 3 oder 5 oder 7 Zeile (und ihre CI-Puffer). Sagen Sie, dass Sie eine Linie mit 2 Farben, Rot und Blau wünschen. Dort benötigen Sie 2 Zeile, sagen, dass die Linie oben ist, dann verwenden Sie die blaue Linie und leeren Wert das Rot, und vice versa. Linear kleinste Quadrate Regression ist mit Abstand die am weitesten verbreitete Modellierungsmethode. Es ist, was die meisten Leute meinen, wenn sie sagen, sie haben Regression, lineare Regression oder kleinsten Quadrate verwendet, um ein Modell auf ihre Daten passen. Nicht nur die lineare Regression der kleinsten Quadrate ist die am weitesten verbreitete Modellierungsmethode, sondern sie wurde an ein breites Spektrum von Situationen angepasst, die außerhalb ihres direkten Umfangs liegen. Es spielt eine starke zugrunde liegende Rolle in vielen anderen Modellierungsmethoden, einschließlich der anderen Methoden, die in diesem Abschnitt behandelt werden: Nichtlineare Regression der kleinsten Quadrate. Gewichtete Rückgang der kleinsten Quadrate und LOESS. Definition eines linearen Least Squares Modells direkt mit einem entsprechenden Datensatz. Lineare Kleinste-Quadrate-Regression verwendet werden, um die Daten mit jeder Funktion der Form f (vec vec) beta0 beta1x1 beta2x2 ldots, in denen jede erklärende Variable in der Funktion mit einem unbekannten Parameter multipliziert wird, gibt es höchstens einen unbekannten Parameter ohne Entsprechende erklärende Variable, und alle einzelnen Terme werden summiert, um den endgültigen Funktionswert zu erzeugen. In statistischer Hinsicht würde jede Funktion, die diese Kriterien erfüllt, als lineare Funktion bezeichnet. Der Begriff linear wird verwendet, obwohl die Funktion keine gerade Linie sein kann, denn wenn die unbekannten Parameter als Variablen betrachtet werden und die erklärenden Variablen als bekannte Koeffizienten angesehen werden, die diesen Variablen entsprechen, dann wird das Problem zu einem System (normalerweise Überbestimmt) von linearen Gleichungen, die für die Werte der unbekannten Parameter gelöst werden können. Um die verschiedenen Bedeutungen des Wortes linear zu unterscheiden, werden die linearen Modelle, die hier diskutiert werden, oft als linear in den Parametern oder statistisch linear erwähnt. War Least Squares Die lineare Regression der kleinsten Fehlerquadrate erhält auch ihren Namen von der Art, wie die Schätzungen der unbekannten Parameter sind Berechnet. Die Methode der kleinsten Fehlerquadrate, die zur Ermittlung von Parameterschätzungen verwendet wurde, wurde in den späten 1700er und frühen 1800er Jahren von den Mathematikern Karl Friedrich Gauss, Adrien Marie Legendre und Robert Adrain Stigler (1978) Harter (1983) Stigler (1986) unabhängig entwickelt ) In Deutschland, Frankreich und Amerika. In der Methode der kleinsten Quadrate werden die unbekannten Parameter durch Minimieren der Summe der quadrierten Abweichungen zwischen den Daten und dem Modell abgeschätzt. Der Minimierungsprozeß reduziert das übergeordnete System von Gleichungen, die durch die Daten gebildet werden, zu einem vernünftigen System von (p), wobei (p) die Anzahl von Parametern im funktionalen Teil des Modells ist) Gleichungen in (p) Unbekannten. Dieses neue Gleichungssystem wird dann gelöst, um die Parameterschätzwerte zu erhalten. Um mehr über die Methode der kleinsten Fehlerquadrate zu erfahren, siehe Abschnitt 4.4.3.1. Beispiele für lineare Funktionen Wie bereits oben erwähnt, sind lineare Modelle nicht auf gerade Linien oder Ebenen beschränkt, sondern umfassen einen ziemlich weiten Bereich von Formen. Zum Beispiel eine einfache quadratische Kurve, f (xvec) beta0 beta1x beta x2. Ist im statistischen Sinne linear. Ein Geradenmodell in (log (x)), f (xvec) beta0 beta1ln (x). Oder ein Polynom in (sin (x)), f (xvec) beta0 beta1sin (x) beta2sin (2x) beta3sin (3x). Ist auch im statistischen Sinne linear, weil sie in den Parametern linear sind, jedoch nicht in Bezug auf die beobachtete erklärende Variable (x). Nichtlineares Modellbeispiel Ebenso wie Modelle, die im statistischen Sinne linear sind, müssen nicht linear bezüglich der erklärenden Variablen sein, nichtlineare Modelle können in Bezug auf die erklärenden Variablen linear sein, nicht jedoch in Bezug auf die Parameter. Beispielsweise ist f (xvec) beta0 beta0beta1x in (x) linear, kann aber nicht in der allgemeinen Form eines oben dargestellten linearen Modells geschrieben werden. Dies liegt daran, dass die Steigung dieser Linie als das Produkt von zwei Parametern ausgedrückt wird. Als Ergebnis konnte nichtlineare kleinste Quadrate Regression verwendet werden, um dieses Modell passen, aber lineare kleinste Quadrate können nicht verwendet werden. Weitere Beispiele und Diskussion nichtlinearer Modelle finden Sie im nächsten Abschnitt, Abschnitt 4.1.4.2. Vorteile von linearen kleinsten Quadraten Die lineare kleinste Quadrate-Regression hat ihren Platz als primäres Werkzeug für die Prozessmodellierung aufgrund ihrer Wirksamkeit und Vollständigkeit erworben. Obwohl es Typen von Daten gibt, die besser durch nichtlineare Parameter in den Parametern beschrieben werden, werden viele Prozesse in Wissenschaft und Technik durch lineare Modelle gut beschrieben. Dies liegt daran, dass entweder die Prozesse inhärent linear sind oder weil über kurze Bereiche kann jeder Prozess gut approximiert werden durch ein lineares Modell. Die aus der linearen Regression der kleinsten Quadrate erhaltenen Schätzwerte der unbekannten Parameter sind die optimalen Schätzwerte aus einer breiten Klasse möglicher Parameterschätzungen unter den üblichen Annahmen für die Prozessmodellierung. Praktisch gesehen macht die lineare Regression der kleinsten Quadrate die Daten sehr effizient. Gute Ergebnisse können mit relativ kleinen Datensätzen erzielt werden. Schließlich ist die Theorie, die mit der linearen Regression assoziiert ist, gut verstanden und erlaubt die Konstruktion verschiedener Arten von leicht interpretierbaren statistischen Intervallen für Vorhersagen, Kalibrierungen und Optimierungen. Diese statistischen Intervalle können dann verwendet werden, um klare Antworten auf wissenschaftliche und technische Fragen zu geben. Nachteile von linearen kleinsten Quadraten Die Hauptnachteile von linearen kleinsten Quadraten sind Beschränkungen in den Formen, die lineare Modelle über lange Bereiche annehmen können, möglicherweise schlechte Extrapolationseigenschaften und Empfindlichkeit gegenüber Ausreißern. Lineare Modelle mit nichtlinearen Terme in den Vorhersagevariablen verhalten sich relativ langsam, so dass es für an sich nichtlineare Prozesse zunehmend schwieriger wird, ein lineares Modell zu finden, das die Daten gut passt, während der Bereich der Daten zunimmt. Da die erklärenden Variablen extrem werden, wird die Ausgabe des linearen Modells auch immer extremer sein. Dies bedeutet, dass lineare Modelle möglicherweise nicht für die Extrapolation der Ergebnisse eines Prozesses, für die Daten können nicht in der Region von Interesse gesammelt werden. Natürlich ist die Extrapolation unabhängig vom Modelltyp potentiell gefährlich. Während das Verfahren der kleinsten Quadrate oftmals optimale Schätzwerte der unbekannten Parameter liefert, ist es sehr empfindlich auf das Vorhandensein von ungewöhnlichen Datenpunkten in den Daten, die verwendet werden, um ein Modell anzupassen. Ein oder zwei Ausreißer können manchmal die Ergebnisse einer Analyse der kleinsten Quadrate ernsthaft verschieben. Dies macht die Modellvalidierung. Insbesondere in Bezug auf Ausreißer. Kritisch für die Beschaffung von Klang Antworten auf die Fragen motivieren die Konstruktion des Modells. Moving Lineare Regression Die bewegte lineare Regression Indikator ist ein großes kleines Werkzeug, das Ihnen helfen, in den und aus dem Markt schneller. Es gibt zwei Haupttypen der linearen Regression: die lineare Regressionstrendlinie und die sich bewegende lineare Regression. Beide verwenden die Quadratequadratmethode, um bestimmte Punkte zu zeichnen. Das bedeutet einfach, den Abstand zwischen zwei Punkten zu minimieren, um Ihnen den geringsten Wert zu geben. Obgleich es wie ein gleitender Durchschnitt auf einem Diagramm aussieht, reagiert es viel schneller. Sehen Sie sich das Diagramm unten an. Größter jährlicher Rückgang im Dow Jones Der größte jährliche Rückgang des Dow Jones Industrial Average erfolgte, als der Durchschnitt am 31. Dezember 1931 bei 77,90 Punkten sank. Das war 52,6 niedriger als zu Beginn des Jahres. Quelle: Guinness World Records Es gibt viele Möglichkeiten für die Verwendung einer bewegenden linearen Regression aber die häufigste ist, wenn es einen anderen Durchschnitt kreuzt. Als ein Beispiel, richten Sie Ihre Charts mit einem 12-Periode einfachen gleitenden Durchschnitt der Höhen und einem 12-Periode einfachen gleitenden Durchschnitt der Tiefen. Setzen Sie dann die bewegte lineare Regression auf 21. Wenn die lineare Regression mit 21 Perioden über dem 12 Periodenbewegungsdurchschnitt der Höhen kreuzt, entsteht ein Kaufsignal. Wenn die 21-Perioden-lineare Regression unter dem 12-Perioden-einfachen gleitenden Durchschnitt der Höhen geht, ist dies der Ausgang. Das Gegenteil trifft auf kurze Trades zu. Werfen Sie einen Blick auf die nächste Tabelle. Der Nachteil der Verwendung der sich bewegenden linearen Regression ist, dass, wenn Sie eine Art von Filter verwenden, ist es anfällig für eine Menge von whipsaw. Der kleine 12-Perioden-Kanal hilft etwas davon weg, aber man könnte auch mit RSI, MACD oder Stochastik als Filter experimentieren. Wirtschaftskalender Term s PPI Relevanz: Dies ist wichtig. (4) Skala von 1-5 Quelle: U. S. Department of Labor, Bureau of Labor Statistiken. Geplante Release-Zeit: Informationen über den Vormonat freigegeben um 8:30 ET um den 11. jeden Monats Producer Price Index misst Preise von Waren auf Großhandelsebene. Die drei Hauptkategorien, aus denen sich das PPI zusammensetzt, sind: Rohöl, Zwischenprodukt und fertig, wobei der wichtigste der fertige Warenindex ist. Dies ist der Preis für Waren, die zum Verkauf an den Benutzer bereit sind. Kaufen Sie am nahen Kauf am Ende einer Börsensitzung Kabinett-Handel Ermöglicht Optionen-Händlern, tiefe out-of-the-money Optionen durch den Handel der Option zu einem Preis in Höhe von einer halben Häkchen zu schließen. Auch bekannt als (CAB). CFTC Die Rohstoff-Futures-Handelskommission. Reguliert die Rohstoffe Futures-Industrie in den USA Stop Orde r Eine Bestellung über oder unter dem aktuellen Marktpreis zum Schutz weiter zu verlieren verliert. The Close Der letzte Schlusskurs oder - bereich am Ende einer Handelssitzung in einem bestimmten Markt. Für Märkte, die 24 Stunden sind, bedeutet dies normalerweise das Ende der 24-Stunden-Periode. Beste Grüße Mark McRae In dieser Lektion enthaltene Informationen, Diagramme oder Beispiele dienen nur zur Veranschaulichung und zu Bildungszwecken. Sie sollte nicht als Rat oder Empfehlung zum Kauf oder Verkauf von Wertpapieren oder Finanzinstrumenten betrachtet werden. Wir können und können keine Anlageberatung anbieten. Für weitere Informationen lesen Sie bitte unseren Haftungsausschluss. Um eine Kopie dieser Lektion im PDF-Format zu drucken oder zu speichern, klicken Sie einfach auf den Link DRUCKEN. Dies öffnet die Lektion in einem PDF-Format, das Sie dann DRUCKEN können. Wenn Sie nicht vertraut mit PDF sind oder nicht über eine kostenlose Kopie von Arobat Reader siehe Anweisungen. Linear Regression Indicator Die lineare Regression Indicator wird für Trend-Identifizierung und Trend folgen in ähnlicher Weise zu gleitenden Durchschnitten verwendet. Der Indikator sollte nicht mit Linearregressionslinien verwechselt werden, die zu einer Reihe von Datenpunkten gerade Linien sind. Die lineare Regressions Indicator plottet die Endpunkte einer ganzen Reihe von linearen Regressionsgeraden an aufeinanderfolgenden Tagen gezogen. Der Vorteil der linearen Regressions Indicator über einer normalen gleitender Durchschnitt ist, dass es weniger Verzögerung als der gleitende Mittelwert hat, reagiert schneller auf Änderungen in der Richtung. Der Nachteil ist, dass es anfälliger für whipsaws ist. Der Linear Regression Indicator ist nur für den Handel mit starken Trends geeignet. Signale werden ähnlich wie gleitende Mittelwerte genommen. Verwenden Sie die Richtung der linearen Regression Indikator zu betreten und verlassen Trades mit einer längerfristigen Indikator als Filter. Gehen Sie lange, wenn die Linear Regression Indicator auftaucht oder beenden Sie einen kurzen Handel. Gehen Sie kurz (oder verlassen einen langen Handel), wenn die Linear Regression Indicator ausgeschaltet wird. Eine Variation des oben ist Trades einzugeben, wenn der Kurs die lineare Regression Indikator kreuzt, aber immer noch verlassen, wenn die lineare Regression Indikator nach unten dreht. Beispiel Mäuse über Diagrammbeschriftungen, um Handelssignale anzuzeigen. Gehen Sie lange L, wenn der Kurs über dem 100-Tage-Linear-Regressions-Indikator kreuzt, während der 300-Tage-Anstieg ansteigt. Exit X, wenn die 100-tägige Linear Regression Indicator ausfällt Gehen Sie bei L erneut, wenn der Kurs über dem 100-Tage Linear Regression Indicator Exit geht X, wenn die 100-Tage-Linear-Regression-Anzeige nachlässt Go long L, wenn der Kurs über 100 Tage hinausgeht Lineare Regression Beenden X, wenn die 100-Tage-Anzeige ausfällt Gehen Sie lange L, wenn die 300-tägige Linear-Regressionsanzeige nach dem oben gekreuzten Preis auftaucht Den 100-Tage-Indikator Exit X, wenn die 300-Tage-Linear Regression Indicator ausgeschaltet wird. Bearish Divergenz auf dem Indikator warnt vor einer großen Trendumkehr. Verbinden Sie mit unserer Mailing Liste Lesen Sie Colin Twiggs Trading Diary Newsletter mit Bildungsartikeln über Handel, technische Analyse, Indikatoren und neue Software-Updates.