Moving Durchschnitt Kalman

Kaufman Adaptive Moving Average Trading Strategie (Einrichtung 038 Filter) I. Trading Strategy Entwickler: Perry Kaufman (Kaufman Adaptive Moving Average 8211 KAMA). Quelle: Kaufman, P. J. (1995). Smarter Handel. Verbesserung der Leistungsfähigkeit in den Märkten. New York: McGraw-Hill, Inc. Konzept: Trading-Strategie basierend auf einem adaptiven Rauschfilter. Forschungsziel: Leistungsüberprüfung der Einrichtung und Filter. Spezifikation: Tabelle 1. Ergebnisse: Abbildung 1-2. Trade Setup: Long Trades: Der Adaptive Moving Average (AMA) erscheint. Short Trades: Der Adaptive Moving Average wird heruntergefahren. Hinweis: Die AMA Trendlinie scheint zu stoppen, wenn Märkte keine Richtung haben. Wenn Markttrends, die AMA-Trendlinie aufholt. Trade Entry: Long Trades: Ein Kauf am Schluss wird nach einem bullish Setup gesetzt. Short Trades: Ein Verkauf am Schluss wird nach einem bearish Setup aufgestellt. Trade Exit: Tabelle 1. Portfolio: 42 Futures-Märkte aus vier großen Marktsegmenten (Rohstoffe, Währungen, Zinsen und Aktienindizes). Daten: 32 Jahre seit 1980. Testplattform: MATLAB. II. Empfindlichkeitstest Nach allen 3-D-Diagrammen folgen 2-D-Konturdiagramme für Profitfaktor, Sharpe Ratio, Ulcer Performance Index, CAGR, Maximum Drawdown, Procent Profitable Trades und Avg. Win Avg. Verlustrate. Das abschließende Bild zeigt die Empfindlichkeit der Eigenkapitalkurve. Geprüfte Variablen: ERLength amp FilterIndex (Definitionen: Tabelle 1): Abbildung 1 Portfolio Performance (Eingänge: Tabelle 1 Provisionen amp Slippage: 0). AMA (ERLength) ist der Adaptive Moving Average über einen Zeitraum von ERLength. ERLength ist eine Rückblickperiode des Efficiency Ratio (ER). ERi abs (Directioni Volatilityi), wobei 8220abs8221 der absolute Wert ist. Direktioni Closei ERLength, Volatilityi (abs (DeltaClosei), ERLength), wobei 82208221 die Summe über einen Zeitraum von ERLength ist, DeltaClosei Closei Closei 1. FastMALength ist eine Periode des schnell bewegten Durchschnitts. SlowMALength ist eine Periode des langsamen gleitenden Durchschnitts. AMAi AMAi 1 ci (Closei AMAi 1), wobei ci (ERi (Fast Slow) Slow) 2, Fast 2 (FastMALength 1), Slow 2 (SlowMALength 1) ist. Wenn AMAi gt AMAi 1 amp AMAi 1 lt AMAi 2 ist, wird MinAMA AMAi 1 (Adaptive Moving Average wird mit einem Pivot bei MinAMA hochgefahren). Short Trades: AMAi lt AMAi 1 amp AMAi 1 gt AMAi 2 dann MaxAMA AMAi 1 (Adaptive Moving Average fällt mit einem Pivot bei MaxAMA ab). Index: i Filteri FilterIndex StdDev (AMAi AMAi 1, N), wobei StdDev die Standardabweichung von Serien über N Perioden ist. N 20 (Voreinstellung). Index: i FilterIndex 0.0, 1.0, Schritt 0.02 N 20 Long Trades: Am AMAi AMT 1 AM (AMAi MinAMA) gt Filteri kaufen. Short Trades: Ein Verkauf am Ende wird gesetzt, wenn AMAi lt AMAi 1 amp (MaxAMA AMAi) gt Filteri. Index: i Stop Loss Exit: ATR (ATRLength) ist der mittlere True Range über einen Zeitraum von ATRLength. ATRStop ist ein Vielfaches von ATR (ATRLength). Long Trades: Ein Verkaufsstopp ist bei Eintritt ATR (ATRLength) ATRStop platziert. Short Trades: Ein Kauf-Stop wird am Eintrag ATR (ATRLength) ATRStop platziert. ATRLength 20 ATRStop 6 ERLength 2, 100, Schritt 2 FilterIndex 0.0, 1.0, Schritt 0.02Versuchen Sie, Kalman-Filter zu verstehen. Hier sind einige Beispiele, die mir bisher geholfen haben: Diese verwenden den Algorithmus, um einige konstante Spannung abzuschätzen. Wie könnte mit einem Kalman-Filter für diese besser sein als nur halten einen laufenden Durchschnitt sind diese Beispiele nur vereinfacht Anwendungsfälle des Filters (Wenn ja, was ist ein Beispiel, wo ein laufender Durchschnitt nicht ausreichen) Zum Beispiel betrachten die folgenden Java-Programm und Ausgabe . Die Kalman-Ausgabe entspricht nicht dem Durchschnitt, aber theyre sehr nah. Warum wählen Sie eine über die anderen JA ist es zu vereinfacht Beispiel, mehr irreführend als Bildung. Wenn ja, was ist ein Beispiel, wo ein laufender Durchschnitt reicht nicht Jeder Fall, wenn Signal ändert. Stellen Sie sich bewegende Fahrzeug. Mittelwertberechnung bedeutet, dass wir von jedem Zeitpunkt aus einen Signalwert annehmen, um gleichermaßen wichtig zu sein. Offensichtlich ist es falsch. Intuition sagt, die letzte Messung ist zuverlässiger als die von einer Stunde vor. Ein sehr schönes Beispiel zum Experimentieren ist von der Form frac. Es hat einen Zustand, so dass die Gleichungen nicht kompliziert wird. In diskreter Zeit könnte es wie folgt aussehen: Theres den Code, der es verwendet (Im sorry seine Matlab, ich habe nicht Python vor kurzem verwendet): Es gibt einige Tipps: immer Q und R größer als Null gesetzt. Fall Q 0 ist SEHR SCHLECHTES Beispiel. Du sagst zu dem Filter: es gibt keine Störung, die auf die Pflanze wirkt, so daß nach einer Weile der Filter nur auf seine Vorhersagen basiert, die auf dem Modell basieren und nicht auf Messungen basieren. Mathematisch gesprochen Kk zu 0. Wie wir wissen, Modelle beschreiben die Realität nicht perfekt. Experimentieren Sie mit einer Modell-Ungenauigkeit - modelError Ändern Sie die anfängliche Schätzung des Zustands (xpost (1)) und sehen Sie, wie schnell es für verschiedene Q-, R - und erste Ppost konvergiert (1) Überprüfen Sie, wie sich die Filterverstärkung K im Laufe der Zeit in Abhängigkeit von Q und ändert R beantwortet Okt 3 12 at 22:37 In der Tat, sie sind die gleiche Sache in gewissem Sinne, werde ich zeigen, Ihre etwas hinter Kalman Filter und Sie werden überrascht sein. Betrachten Sie das folgende einfachste Problem der Schätzung. Wir erhalten eine Reihe von Messungen z1, z2, cdots, zk einer unbekannten Konstanten x. Wir nehmen an, dass der additive Modellanfang zi x vi, i1,2, cdots, k (1) end ist, wobei vi Messgeräusche sind. Wenn nichts anderes bekannt ist, dann wird jeder einverstanden sein, daß eine vernünftige Schätzung von x bei den k Messungen gegeben werden kann durch Anfangshut k frac sum zi Nun können wir über eq. (2) durch einfache algebraische Manipulation wieder anfangen, um Hut zu bekommen (3) Die Gleichung (3), die in rekursiver Form einfach die Gleichung (2) ist, hat eine interessante Interpretation. Sie sagt, dass die beste Schätzung von x nach k Messung die beste Schätzung von x nach k-1 Messungen plus einem Korrekturterm ist. Der Korrekturterm ist die Differenz zwischen dem, was Sie erwarten, auf der Grundlage der k-1-Messung zu messen, d. h. und was Sie tatsächlich messen, zk. Wenn wir die Korrektur frac als Pk beschreiben, dann kann wieder einfach algebraische Manipulation die rekursive Form von Pk als Anfang schreiben PkP - P (P 1) P Glauben Sie es oder nicht, Gleichungen (3-4) können als Kalman-Filter erkannt werden Gleichungen für diesen einfachen Fall. Jede Diskussion ist willkommen. Um etwas Geschmack, sehen Sie diese Liste der Bücher: Ich habe GrewalAndrews mit MatLab, auch GrewalWeillAndrews über GPS. Das ist das grundlegende Beispiel, GPS. Hier ist ein vereinfachtes Beispiel, interviewte ich für einen Job, wo sie waren schriftlich Software für die Verfolgung aller LKW gehen in und aus einer riesigen Lieferung Hof, für Walmart oder dergleichen. Sie hatten zwei Arten von Informationen: basierend auf dem Einsetzen eines RFID-Geräts in jedem LKW, hatten sie ziemlich gute Informationen über die Richtung jedes Lkw ging mit Messungen möglich viele Male pro Sekunde, aber schließlich wachsen in Fehler, wie jede im Wesentlichen ODE-Näherung. Auf einer viel längeren Zeitskala konnten sie die GPS-Position eines Lkws nehmen, der eine sehr gute neutrale Lage bietet, aber eine große Abweichung hat, man bekommt Position innerhalb von 100 Metern oder so. Wie diese Thats die Hauptnutzung des Kalman-Filters zu kombinieren, wenn Sie zwei Quellen von Informationen, die etwa entgegengesetzte Arten von Fehler. Meine Idee, die ich ihnen gesagt hätte, wenn sie mich bezahlt hätten, war, ein Gerät auf jedem Semi zu platzieren, wo das Fahrerhaus auf den Anhänger trifft, was dem aktuellen Wenderadius entspricht. Dies könnte integriert worden sein, um sehr gute Kurzzeit-Informationen über die Richtung zu liefern, in die der Lastwagen fuhr. Nun, das ist, was sie mit fast etwas bewegen heutzutage tun. Die, die ich dachte, war niedlich war Farmen in Indien, verfolgen, wo Traktoren waren. Der bewegte Körper muss sich nicht schnell bewegen, um die gleichen Fragen zu bewirken. Aber natürlich war die erste große Nutzung der NASA Apollo-Projekt. Mein Vater traf Kalman irgendwann. Dad arbeitete hauptsächlich auf der Navigation, zunächst Raketen für die Armee, später U-Boote für die Marine. Beantwortet Jul 22 12 am 19:25