3 สั่งซื้อ เฉลี่ยเคลื่อนที่ กรอง

คำถามที่พบบ่อยเกี่ยวกับ JMA ทฤษฎีเบื้องหลัง JMA คืออะไร เหตุใด JMA จึงมีพารามิเตอร์ PHASE JMA คาดการณ์ชุดข้อมูลเวลา ค่าก่อนหน้าของ JMA ที่วางแผนไว้แล้วจะเปลี่ยนไปเมื่อข้อมูลใหม่มาถึง ฉันสามารถปรับปรุงตัวชี้วัดอื่น ๆ โดยใช้ JMA JMA มีการรับประกันพิเศษอย่างไร JMA เปรียบเทียบกับตัวกรองอื่น ๆ หัวข้อทั่วไปเกี่ยวกับ JURIK TOOLS เครื่องมือนี้สามารถสร้างกราฟจำนวนมากในแต่ละแผนภูมิได้หรือไม่ เครื่องมือนี้สามารถประมวลผลข้อมูลประเภทใดก็ได้ เครื่องมือนี้สามารถทำงานได้แบบเรียลไทม์หรือไม่ มีการเปิดเผยอัลกอริทึมหรือกล่องดำไว้หรือไม่ เครื่องมือ Jurik ต้องดูในอนาคตของชุดข้อมูลเวลา เครื่องมือนี้มีค่าเหมือนกันในทุกแพลตฟอร์ม (TradeStation, Multicharts) เครื่องมือ Juriks มาพร้อมกับการรับประกัน ฉันได้รับรหัสผ่านการติดตั้งกี่ครั้ง ทฤษฎีเบื้องหลัง JMA คืออะไร ส่วนที่ 1 ข้อมูลราคาข้อมูลชุดข้อมูลแบบผสมเสร็จเช่นราคาหุ้นในแต่ละวันเพื่อขจัดเสียงรบกวนที่ไม่พึงประสงค์ย่อมจะสร้างกราฟ (ตัวบ่งชี้) ที่เคลื่อนที่ช้ากว่าชุดเวลาเดิม quotslownessquot นี้จะทำให้พล็อตล่าช้าค่อนข้างหลังชุดเดิม ตัวอย่างเช่นค่าเฉลี่ยการเคลื่อนที่แบบง่าย 31 วันจะลดลงตามช่วงเวลาราคา 15 วัน Lag เป็นสิ่งที่ไม่พึงปรารถนามากเนื่องจากระบบการซื้อขายที่ใช้ข้อมูลดังกล่าวจะมีการล่าช้าในการซื้อขาย การซื้อขายล่าช้าหลายครั้งอาจเลวร้ายยิ่งกว่าไม่มีการค้าใด ๆ ทั้งสิ้นเนื่องจากคุณอาจซื้อหรือขายในด้านที่ไม่ถูกต้องของตลาด ดังนั้นความพยายามหลายครั้งจึงทำเพื่อลดความล่าช้าแต่ละข้อมีข้อบกพร่องของตัวเอง พิชิตความล่าช้าในขณะที่ไม่มีสมมติฐานที่ง่าย (เช่นข้อมูลประกอบด้วยรอบที่ซ้อนทับการเปลี่ยนแปลงราคารายวันที่มีการกระจายแบบ Gaussian ราคาทั้งหมดมีความสำคัญเท่าเทียม ฯลฯ ) ไม่ใช่งานที่ไม่สำคัญ ในตอนท้าย JMA ต้องใช้เทคโนโลยีเดียวกันกับที่ทหารใช้เพื่อติดตามวัตถุที่เคลื่อนที่ในอากาศโดยใช้อะไรมากกว่าเรดาร์ที่มีเสียงดัง JMA เห็นชุดราคาเวลาเป็นภาพที่มีเสียงดังของเป้าหมายที่เคลื่อนไหว (ราคาอ้างอิงที่เรียบ) และพยายามประมาณตำแหน่งของเป้าหมายจริง (ราคาเรียบ) คณิตศาสตร์ที่เป็นกรรมสิทธิ์ได้รับการแก้ไขเพื่อพิจารณาคุณสมบัติพิเศษของชุดข้อมูลทางการเงิน ผลที่ได้คือเส้นโค้งเรียบเนียนซึ่งไม่ทำให้เกิดข้อสันนิษฐานเกี่ยวกับข้อมูลที่มีส่วนประกอบของวงจรใด ๆ ดังนั้น JMA สามารถเปิด quoted dimequot ได้หากตลาด (เป้าหมายเคลื่อนที่) ตัดสินใจที่จะเปลี่ยนทิศทางหรือการเพิ่มช่องว่างโดยใช้จำนวนเงินใด ๆ ไม่มีช่องว่างด้านราคาใหญ่เกินไป Jurik Research ได้พิจารณาแล้วว่าตัวกรองการลดสัญญาณรบกวนที่สมบูรณ์แบบสำหรับข้อมูลทางการเงินมีข้อกำหนดดังต่อไปนี้: ความล่าช้าต่ำสุดระหว่างสัญญาณและราคามิฉะนั้นการค้าจะเกิดขึ้นในช่วงปลายปี การทะลุทะลวงต่ำสุดมิฉะนั้นจะส่งสัญญาณผิดพลาด การตีราคาต่ำสุดมิฉะนั้นจะสูญเสียเวลารอการรวมกันหลังจากมีช่องว่างด้านราคา ความนุ่มนวลสูงสุดยกเว้นในขณะที่ราคายังอยู่ในระดับใหม่ เมื่อวัดได้ถึงสี่ข้อนี้ตัวกรองยอดนิยม (ยกเว้น JMA) จะทำงานได้ไม่ดี ต่อไปนี้เป็นข้อมูลสรุปของตัวกรองยอดนิยม ค่าเฉลี่ยเคลื่อนที่ที่ปรับเปลี่ยนได้ (Adaptive Moving Averages) - (ไม่ใช่ของเรา) โดยปกติจะขึ้นอยู่กับสมมติฐานเกี่ยวกับกิจกรรมทางการตลาดที่หลอกลวงได้ง่าย Regression Line - ไม่ตอบสนองต่อช่องว่างที่มากเกินไปเกิน FFT filters - บิดเบี้ยวได้อย่างง่ายดายด้วยสัญญาณรบกวนแบบไม่ใช้ Gaussian ในหน้าต่างข้อมูลมักจะเล็กเกินไปที่จะกำหนดรอบการทำงานจริงได้อย่างถูกต้อง ตัวกรอง FIR - มีความล่าช้าที่รู้จักกันในชื่อว่า quotgroup delayquot ไม่มีทางไปรอบ ๆ จนกว่าคุณจะต้องการตัดมุมบางส่วน ดูตัวกรอง quotBand-Passquot ตัวกรอง Band-Pass - ไม่มีความล่าช้าเพียงอย่างเดียวที่บริเวณกึ่งกลางของแถบความถี่มีแนวโน้มที่จะแกว่งไปมาและเอาชนะราคาที่แท้จริง ตัวกรองเอนโทรปีสูงสุด - บิดเบี้ยวได้ง่ายโดยสัญญาณรบกวนแบบไม่ใช้ Gaussian ในหน้าต่างข้อมูลโดยทั่วไปจะเล็กเกินไปที่จะกำหนดรอบที่แท้จริงได้อย่างถูกต้อง ในทางตรงกันข้าม JMA รวมทฤษฎีข้อมูลและการกรองแบบไม่เชิงเส้นในแบบที่ไม่ซ้ำกัน โดยการรวมการประเมินเนื้อหาข้อมูลในชุดข้อมูลเวลาด้วยพลังของการแปลงเชิงเส้นแบบปรับตัวผลที่ได้จะช่วยผลักดันให้ทฤษฎีเกี่ยวกับช่วงเวลาทางการเงินกรองได้เกือบเท่าที่จะสามารถทำได้ มีอะไรเพิ่มเติมและแต่งงานกับ Heisenburgs Uncertainty Principle (สิ่งที่ไม่มีใครเอาชนะหรือเคย) เท่าที่เรารู้ JMA เป็นสิ่งที่ดีที่สุด เราขอเชิญชวนให้ทุกคนแสดงให้เราเห็นอย่างอื่น สำหรับการวิเคราะห์เชิงเปรียบเทียบเพิ่มเติมเกี่ยวกับความล้มเหลวของตัวกรองยอดนิยมให้ดาวน์โหลดรายงานของเราที่ quot วิวัฒนาการของการเคลื่อนย้ายค่าเฉลี่ยจากแผนกรายงานพิเศษของเรา ดูการเปรียบเทียบของเรากับตัวกรองยอดนิยมอื่น ๆ เหตุใด JMA จึงมีพารามิเตอร์ PHASE มีสองวิธีในการลดเสียงรบกวนในชุดเวลาโดยใช้ JMA การเพิ่มพารามิเตอร์ LENGTH จะทำให้ JMA เคลื่อนที่ช้าลงและลดเสียงรบกวนด้วยค่าใช้จ่ายที่เพิ่มขึ้น หรือคุณสามารถเปลี่ยนจำนวน quotinertiaquot ที่อยู่ใน JMA ได้ ความเฉื่อยเหมือนมวลกายยิ่งมีมากเท่าไรก็ยิ่งยากที่จะหันทิศทาง ดังนั้นตัวกรองที่มีความเฉื่อยมากจะต้องใช้เวลามากขึ้นในการย้อนกลับทิศทางและลดเสียงรบกวนลงที่ค่าใช้จ่ายในการถ่ายภาพนิ่งระหว่างการพลิกกลับในชุดเวลา ตัวกรองเสียงทั้งหมดมีความล้าหลังและทะลุและ JMA จะไม่มีข้อยกเว้น อย่างไรก็ตามค่าที่ปรับได้ของ JMAs PHASE และ LENGTH ช่วยให้คุณสามารถเลือกการแลกเปลี่ยนที่ดีที่สุดระหว่างความล่าช้าและการเอาชนะได้ นี้จะช่วยให้คุณมีโอกาสที่จะปรับตัวชี้วัดทางเทคนิคต่างๆ ตัวอย่างเช่นแผนภูมิ (ที่ด้านขวา) แสดงบรรทัด JMA ที่รวดเร็วข้ามข้ามเส้น JMA ที่ช้ากว่า เพื่อให้สาย JMA รวดเร็วหัน quoting dimequot เมื่อตลาดกลับมีการกำหนดให้มีความเฉื่อยไม่ ในทางตรงกันข้าม JMA ช้าถูกกำหนดให้มีความเฉื่อยขนาดใหญ่ซึ่งจะทำให้ความสามารถในการพลิกกลับในช่วงที่ตลาดมีการพลิกกลับ การจัดเรียงนี้ทำให้สายได้เร็วขึ้นเพื่อข้ามผ่านสายที่ช้าลงโดยเร็วที่สุดเท่าที่จะเป็นไปได้ซึ่งจะทำให้เกิดสัญญาณไขว้แบบลัดต่ำ เห็นได้อย่างชัดเจนว่าการควบคุมตัวกรองของผู้ใช้จะมีอำนาจมากพอสมควรสำหรับตัวกรองที่ขาดความสามารถนี้ JMA คาดการณ์ชุดข้อมูลเวลา ไม่ได้คาดการณ์ในอนาคต JMA ช่วยลดเสียงรบกวนได้มากเช่นเดียวกับค่าเฉลี่ยเคลื่อนที่ที่อธิบายได้ แต่หลายครั้งดีกว่า ค่าก่อนหน้าของ JMA ที่วางแผนไว้แล้วจะเปลี่ยนไปเมื่อข้อมูลใหม่มาถึง ไม่ได้สำหรับจุดใด ๆ ในพล็อต JMA จะมีการใช้ข้อมูลในอดีตและปัจจุบันเท่านั้นในสูตร ดังนั้นเมื่อข้อมูลราคาใหม่มาถึงในช่วงเวลาต่อมาค่าเหล่านี้ของ JMA ที่วางแผนไว้จะไม่ได้รับผลกระทบและไม่ต้องเปลี่ยนแปลง ลองพิจารณากรณีเมื่อแถบล่าสุดบนแผนภูมิได้รับการอัปเดตตามเวลาจริงเนื่องจากแต่ละหมีใหม่มาถึง เนื่องจากราคาปิดของแถบล่าสุดมีแนวโน้มที่จะเปลี่ยนแปลง JMA จะได้รับการประเมินใหม่เพื่อสะท้อนราคาปิดใหม่ อย่างไรก็ตามค่าทางประวัติศาสตร์ของ JMA (ในแถบก่อนทั้งหมด) ยังคงไม่ได้รับผลกระทบและไม่เปลี่ยนแปลง สามารถสร้างดัชนีชี้วัดที่น่าประทับใจเกี่ยวกับข้อมูลทางประวัติศาสตร์เมื่อวิเคราะห์ค่าทั้งในอดีตและในอนาคตรอบ ๆ จุดข้อมูลแต่ละจุดที่กำลังประมวลผล อย่างไรก็ตามสูตรที่ต้องการเห็นค่าในอนาคตในชุดข้อมูลเวลาไม่สามารถใช้กับการซื้อขายในโลกแห่งความเป็นจริงได้ เนื่องจากเมื่อคำนวณมูลค่าปัจจุบันของตัวบ่งชี้ค่าในอนาคตจะไม่มีอยู่จริง ตัวชี้วัดทั้งหมดของ Jurik ใช้ข้อมูลปัจจุบันและข้อมูลอนุกรมเวลาก่อนหน้าในการคำนวณ ซึ่งจะช่วยให้ตัวบ่งชี้ Jurik ทั้งหมดสามารถทำงานได้ในทุกสภาวะแบบเรียลไทม์ ฉันสามารถปรับปรุงตัวชี้วัดอื่น ๆ โดยใช้ JMA ใช่ได้หรือไม่ โดยทั่วไปแล้วเรามักจะคำนวณการคำนวณค่าเฉลี่ยเคลื่อนที่ส่วนใหญ่ในตัวชี้วัดทางเทคนิคแบบคลาสสิกกับ JMA ทำให้เกิดผลลัพธ์ที่ราบรื่นและทันเวลามากขึ้น ตัวอย่างเช่นโดยการใส่ JMA ลงในตัวบ่งชี้ทางเทคนิค DMI มาตรฐานเราได้สร้างตัวบ่งชี้ DMX ซึ่งเป็นอิสระจากคำสั่งซื้อของ JMA JMA มีการรับประกันเป็นพิเศษถ้าคุณแสดงอัลกอริทึมที่ไม่ใช่กรรมสิทธิ์สำหรับค่าเฉลี่ยเคลื่อนที่ที่เมื่อรหัสที่จะรันในทั้ง TradeStation, Matlab หรือ Excel VBA จะมีค่าเฉลี่ยมากกว่าค่าเฉลี่ยของการเคลื่อนไหวของเราในระยะเวลาสั้นปานกลางและยาวของ การเดินแบบสุ่มและคืนเงินให้แก่ผู้ใช้ที่ซื้อมาของคุณสำหรับ JMA สิ่งที่เราหมายถึงโดย quotbetterquot คือว่าโดยเฉลี่ยแล้วจะนุ่มนวลและไม่มีความล่าช้ากว่าค่าเฉลี่ยของค่าเฉลี่ยของเราโดยเฉลี่ยไม่มีการทะลุทะลวงเฉลี่ยมากกว่าและไม่มีการเปิดเผยค่าเฉลี่ยมากกว่าค่าเฉลี่ยของเรา สิ่งที่เราหมายถึงโดยการเปรียบเทียบช่วงเวลาขนาดกลางและยาวเป็นช่วงเวลาที่การเปรียบเทียบต้องประกอบด้วยความยาว JMA ที่แยกจากกันสาม: 7 (สั้น), 35 (ปานกลาง), 175 (ยาว) สิ่งที่เราหมายถึงโดยการเดินแบบสุ่มคือชุดข้อมูลเวลาที่ผลิตโดยผลรวมสะสมของ 5000 เลขศูนย์, Cauchy กระจายตัวเลขแบบสุ่ม การรับประกันแบบ จำกัด นี้เป็นสิ่งที่ดีสำหรับเดือนแรกที่คุณซื้อใบอนุญาตผู้ใช้ JMA จากเราหรือผู้จัดจำหน่ายทั่วโลกรายหนึ่งของเรา JMA เปรียบเทียบกับตัวกรองอื่นได้อย่างไร ตัวกรองคาลมานคล้ายกับ JMA เนื่องจากทั้งสองเป็นอัลกอริทึมที่มีประสิทธิภาพที่ใช้ในการประเมินพฤติกรรมของระบบไดนามิกที่มีเสียงรบกวนเมื่อสิ่งที่คุณต้องทำด้วยคือการวัดข้อมูลที่มีเสียงดัง ตัวกรองคาลมานจะสร้างการคาดการณ์อย่างราบรื่นของชุดข้อมูลเวลาและวิธีนี้ไม่เหมาะสำหรับชุดเวลาทางการเงินอย่างสมบูรณ์เนื่องจากตลาดมีแนวโน้มที่จะก่อให้เกิดความรุนแรงในการหมุนวนและช่องว่างด้านราคาพฤติกรรมที่ไม่ปกติของระบบ dynamical operating dynamics ดังนั้นการกรองแบบ Kalman filtering จึงมักล่าช้าหรือเกินขนาดของราคาในตลาด ในทางตรงกันข้าม JMA ติดตามราคาตลาดอย่างใกล้ชิดและราบรื่นปรับตัวให้เข้ากับช่องว่างในขณะที่หลีกเลี่ยงการ overshoots ที่ไม่พึงประสงค์ ดูตัวอย่างด้านล่าง ตัวกรองที่อธิบายไว้ในนิตยสารยอดนิยมคือค่าเฉลี่ยเคลื่อนที่ของ Kaufmann เป็นค่าเฉลี่ยเคลื่อนที่แบบเสวนาที่มีความเร็วแตกต่างกันไปตามประสิทธิภาพการทำงานของราคา กล่าวคือเมื่อการดำเนินการด้านราคามีแนวโน้มที่ชัดเจนและมีการตอบสนองน้อยลงตัวกรอง Kaufmann จะเพิ่มความเร็วขึ้นและเมื่อการกระทำลุกลามลงตัวกรองจะทำงานช้าลง แม้ว่ารูปแบบการปรับตัวของมันจะช่วยให้สามารถเอาชนะความล่าช้าบางส่วนของค่าเฉลี่ยเคลื่อนที่ที่เป็นตัวชี้วัดได้ แต่ก็ยังคงมีความหมายอยู่เบื้องหลัง JMA ความล่าช้าเป็นปัญหาพื้นฐานสำหรับผู้ค้าทุกราย โปรดจำไว้ว่าทุกๆแถบล้าหลังอาจทำให้ธุรกิจของคุณล่าช้าและปฏิเสธคุณได้ ค่าเฉลี่ยเคลื่อนที่อื่นที่อธิบายในนิตยสารยอดนิยมคือ Chandes VIDYA (Variable Index Dynamic Average) ดัชนีที่ใช้บ่อยที่สุดใน VIDYA เพื่อควบคุมความเร็วคือความผันผวนของราคา เมื่อความผันผวนในระยะสั้นเพิ่มขึ้น VIDYAs ค่าเฉลี่ยเคลื่อนที่แบบเสวนาได้รับการออกแบบเพื่อให้เคลื่อนที่ได้เร็วขึ้นและเมื่อความผันผวนลดลง VIDYA จะชะลอตัวลง บนพื้นผิวนี้มีเหตุผล แต่น่าเสียดายที่การออกแบบนี้มีข้อบกพร่องที่เห็นได้ชัด แม้ว่าความคับคั่งด้านข้างจะต้องเรียบเนียนโดยไม่คำนึงถึงความผันผวนของมัน แต่ VIDYA จะติดตามความคับคั่งในช่วงที่มีความผันผวนสูงมาก ดังนั้น VIDYA อาจล้มเหลวในการลบเสียงที่ไม่พึงประสงค์ ตัวอย่างเช่นแผนภูมิเปรียบเทียบ JMA กับ VIDYA ทั้งสองกำหนดให้ติดตามแนวโน้มลดลงอย่างเท่าเทียมกัน อย่างไรก็ตามในช่วงความคับคั่งที่ตามมา VIDYA ไม่สามารถเอาชนะความแตกต่างได้ในขณะที่ JMA ประสบความสำเร็จในการพูดคุย ในการเปรียบเทียบกันอีกทั้ง VIDYA และ Juriks JMA มีความเรียบเหมือนกันเราจะเห็นในแผนภูมิที่ VIDYA ล่าช้าอยู่ ดังที่ได้กล่าวไว้ก่อนหน้านี้เวลาที่ล่าช้าสามารถขโมยผลกำไรของคุณในการค้าใด ๆ ได้อย่างง่ายดาย ตัวชี้วัดที่เป็นที่นิยมอีก 2 ตัว ได้แก่ T3 และ TEMA พวกเขาเรียบเนียนและมีความล่าช้าเล็กน้อย T3 ดีกว่าทั้งสองแบบ อย่างไรก็ตาม T3 สามารถแสดงปัญหาการขัดข้องอย่างรุนแรงดังที่แสดงในแผนภูมิด้านล่าง คุณอาจไม่ต้องการให้ตัวบ่งชี้แสดงระดับราคาที่ตลาดจริงไม่สามารถบรรลุได้ทั้งนี้ขึ้นอยู่กับแอพพลิเคชันของคุณเนื่องจากอาจเป็นการเริ่มต้นการค้าที่ไม่พึงประสงค์โดยไม่ได้ตั้งใจ ต่อไปนี้เป็นข้อคิดเห็นสองข้อที่โพสต์บนฟอรัมอินเทอร์เน็ตที่เกี่ยวข้อง: quotThe T3 indicator ดีมาก (และ Ive ร้องเพลงสรรเสริญก่อนในรายการนี้) อย่างไรก็ตาม Ive มีโอกาสที่จะได้รับการวัดตลาดอื่น ๆ บางส่วนและฉันเรียบพวกเขา พวกเขากำลังประพฤติตัวไม่ดีในบางครั้ง เมื่อเรียบพวกเขา T3 กลายเป็นไม่เสถียรและ overshoots ไม่ดีในขณะที่ใบเรือ JMA ขวาผ่านพวกเขา. - Allan Kaminsky allanking xmission มุมมองของตัวเองของ JMA สอดคล้องกับสิ่งที่คนอื่น ๆ ได้เขียน (Ive ใช้เวลาที่ดีในการเปรียบเทียบสายตา JMA ไป. TEMA ฉันไม่คิดว่าตอนนี้ใช้ TEMA แทน JMA). Steven Buss sbuss pacbell บทความในฉบับเดือน ม. ค. 2000 ของ TASC อธิบายค่าเฉลี่ยเคลื่อนที่ที่ออกแบบมาในทศวรรษที่ 1950 ให้มีความล่าช้าต่ำ นักประดิษฐ์ของโรเบิร์ตบราวน์ได้ทำการออกแบบ quoted Average Movot Averagequot (MMA) เพื่อลดความล่าช้าในการประเมินสินค้าคงเหลือ ในสูตรของเขาการถดถอยเชิงเส้นประมาณเส้นโค้งปัจจุบันโมเมนตัมซึ่งจะใช้ในการประมาณความล่าช้าตามแนวตั้ง สูตรจะหักล้างลู่ทางโดยประมาณจากค่าเฉลี่ยเคลื่อนที่เพื่อให้ได้ผลลัพธ์ที่ต่ำสุด เทคนิคนี้ทำงานได้ดีในแผนภูมิราคาที่มีการประพฤติดี (ราบรื่น) แต่แล้วอีกครั้งเพื่อทำตัวกรองขั้นสูงอื่น ๆ ปัญหาคือตลาดที่แท้จริงเป็นอะไร แต่ประพฤติดี ตัวชี้วัดที่แท้จริงของการออกกำลังกายคือตัวกรองใด ๆ ที่ทำงานบนข้อมูลทางการเงินในโลกแห่งความเป็นจริงซึ่งเป็นคุณสมบัติที่สามารถวัดได้ด้วยการทดสอบมาตรฐานของแบตเตอรี การทดสอบเหล่านี้แสดงให้เห็นว่า MMA ใช้แผนภูมิราคาต่ำกว่าดังที่แสดงด้านล่าง ในการเปรียบเทียบผู้ใช้สามารถตั้งค่าพารามิเตอร์ใน JMA เพื่อปรับจำนวนครั้งที่ทำให้เกิดการขัดขวางแม้กระทั่งการกำจัดข้อมูลทั้งหมด ทางเลือกคือของคุณ โปรดจำไว้ว่าสิ่งสุดท้ายที่คุณต้องการคือตัวบ่งชี้ที่แสดงระดับราคาที่ตลาดจริงไม่สามารถบรรลุได้เนื่องจากอาจเริ่มต้นการค้าที่ไม่พึงประสงค์โดยไม่ได้ตั้งใจ ด้วย MMA คุณไม่มีทางเลือกและต้องทนทุกข์ทรมานกับการขัดขวางไม่ว่าคุณจะชอบหรือไม่ (ดูตารางด้านล่าง) TASC ฉบับเดือนกรกฎาคมปี 2000 มีบทความโดย John Ehlers ที่อธิบายตัวกรอง Elliptical Elliptical Filter ที่เหมาะสมที่สุด (ย่อมาจากที่นี่เป็น quotMEFquot) นี่เป็นตัวอย่างที่ยอดเยี่ยมในการวิเคราะห์สัญญาณแบบคลาสสิก แผนภูมิด้านล่างนี้เปรียบเทียบ MEF กับ JMA ที่มีการตั้งค่าพารามิเตอร์ (JMA length7, phase50) เพื่อให้ JMA มีความคล้ายคลึงกับ MEF มากที่สุด การเปรียบเทียบแสดงข้อดีเหล่านี้เมื่อใช้ JMA: JMA ตอบสนองต่อการแกว่งราคาอย่างรวดเร็ว ดังนั้นค่าเกณฑ์ที่ใช้ในการเรียกใช้สัญญาณจะถูกเรียกใช้โดยเร็วกว่า JMA JMA แทบไม่มีการทะลุทะลวงอนุญาตให้สายสัญญาณสามารถติดตามการเคลื่อนไหวของราคาได้อย่างถูกต้องหลังจากการเคลื่อนไหวของราคาที่มีขนาดใหญ่ JMA ลื่นไหลผ่านการเคลื่อนไหวในตลาดเล็ก ๆ ซึ่งจะช่วยให้คุณสามารถมุ่งเน้นไปที่การดำเนินการด้านราคาจริงและไม่ใช่กิจกรรมการตลาดขนาดเล็กที่ไม่มีผลที่แท้จริง วิธีที่ชื่นชอบของวิศวกรในการทำให้ข้อมูลชุดข้อมูลเป็นแบบเรียบง่ายคือให้พอดีกับจุดข้อมูลที่มีพหุนาม (eq, parabolic หรือ cubic spline) การออกแบบที่มีประสิทธิภาพประเภทนี้เป็นชั้นที่เรียกว่าตัวกรอง Savitzy-Golay แผนภูมิด้านล่างนี้เปรียบเทียบ JMA กับตัวกรอง Savitzy-Golay แบบเรียงราย (ลำดับที่ 3) ซึ่งการตั้งค่าพารามิเตอร์ได้รับการเลือกให้ทำงานใกล้เคียงกับ JMA มากที่สุด โปรดทราบว่า JMA ลื่นไหลผ่านภูมิภาคต่างๆของการคั่งค้างในการซื้อขายได้อย่างไร ในทางตรงกันข้ามตัวกรอง S-G ค่อนข้างหยาบ เห็นได้ชัดว่า JMA เป็นอีกครั้งหนึ่งที่ผู้ชนะ อีกเทคนิคหนึ่งที่ใช้ในการลดความล่าช้าในตัวกรองค่าเฉลี่ยเคลื่อนที่คือการเพิ่มโมเมนตัม (ความชัน) ของสัญญาณไปยังตัวกรอง ซึ่งจะช่วยลดความล่าช้า แต่จะมีการลงโทษสองครั้ง: มีเสียงรบกวนมากขึ้นและมียอดเกินกว่าที่จุดหมุนราคา เพื่อชดเชยเสียงรบกวนเราสามารถใช้ฟิลเตอร์ FIR ที่ถ่วงน้ำหนักแบบสมมาตรซึ่งนุ่มนวลกว่าค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายซึ่งน้ำหนักอาจเป็น: 1-2-3-4-3-2-1 แล้วปรับน้ำหนักเหล่านี้เพื่อเพิ่มความล่าช้าบางส่วน ลดโมเมนตัม ประสิทธิภาพของวิธีนี้แสดงไว้ในรูปด้านล่าง (เส้นสีแดง) แม้ว่าตัวกรอง FIR จะติดตามราคาอย่างใกล้ชิด แต่ก็ยังคงอยู่เบื้องหลัง JMA และแสดงให้เห็นถึงการขัดขวางมากขึ้น นอกจากนี้ฟิลเตอร์ FIR ยังมีความเรียบสม่ำเสมอและจำเป็นต้องออกแบบใหม่เพื่อความเรียบที่ต้องการ ในการเปรียบเทียบผู้ใช้เพียงต้องการเปลี่ยนพารามิเตอร์ quotsmoothnessquot หนึ่งข้อของ JMA เพื่อให้ได้ผลลัพธ์ที่ต้องการ JMA ไม่เพียง แต่สร้างแผนภูมิราคาที่ดีขึ้น แต่ก็สามารถปรับปรุงตัวชี้วัดแบบเดิม ๆ ได้เช่นกัน ตัวอย่างเช่นพิจารณาตัวบ่งชี้ MACD แบบดั้งเดิมซึ่งเป็นการเปรียบเทียบค่าเฉลี่ยเคลื่อนที่สองค่า การบรรจบกันของพวกเขา (ย้ายใกล้ชิด) และ divergence (ย้ายออกจากกัน) ให้สัญญาณว่าแนวโน้มตลาดมีการเปลี่ยนแปลงทิศทาง เป็นสิ่งสำคัญที่คุณมีความล่าช้าน้อยที่สุดเท่าที่จะเป็นไปได้กับสัญญาณเหล่านี้หรือการค้าของคุณจะล่าช้า ในการเปรียบเทียบ MACD ที่สร้างขึ้นโดย JMA มีความล่าช้ากว่า MACD เล็กน้อยโดยใช้ค่าเฉลี่ยเคลื่อนที่เชิงเส้น เพื่อแสดงการอ้างสิทธิ์นี้รูปด้านล่างเป็นแผนภูมิราคาที่สมมุติง่ายขึ้นเพื่อเพิ่มประเด็นเด่น เราเห็นแถบที่มีขนาดเท่ากันในทิศทางที่เพิ่มขึ้นซึ่งถูกขัดจังหวะโดยช่องว่างที่ลดลงอย่างฉับพลัน เส้นสีสองเส้นเป็นค่าเฉลี่ยเคลื่อนที่แบบเสแสร้งซึ่งเป็นค่า MACD โปรดทราบว่าการครอสโอเวอร์เกิดขึ้นเป็นระยะเวลานานหลังจากช่องว่างทำให้กลยุทธ์การซื้อขายรอและการค้าล่าช้าถ้าอย่างนั้น หากคุณพยายามเร่งเวลาของตัวบ่งชี้นี้โดยการทำให้ค่าเฉลี่ยเคลื่อนที่เคลื่อนที่เร็วขึ้นเส้นจะกลายเป็นเสียงดังและมีรอยหยักมากขึ้น นี้มีแนวโน้มที่จะสร้างทริกเกอร์เท็จและการค้าที่ไม่ดี ในทางกลับกันแผนภูมิด้านล่างแสดงให้เห็นว่า JMA สีน้ำเงินปรับตัวขึ้นอย่างรวดเร็วไปยังระดับราคาใหม่ซึ่งอนุญาตให้มีการครอสโอเวอร์ก่อนหน้านี้และการกำหนดแนวโน้มความคืบหน้าก่อนหน้านี้ ตอนนี้คุณสามารถเข้าสู่ตลาดก่อนหน้านี้และนั่งส่วนใหญ่ของแนวโน้ม ซึ่งแตกต่างจากค่าเฉลี่ยเคลื่อนที่ที่ระบุไว้ JMA มีพารามิเตอร์เพิ่มเติม (PHASE) ที่ช่วยให้ผู้ใช้ปรับขอบเขตของการเอาชนะ ในแผนภูมิด้านบนเส้นสีเหลือง JMA ได้รับอนุญาตให้พุ่งมากกว่าสีน้ำเงิน นี้จะให้ไขว้เหมาะ หนึ่งในคุณสมบัติที่ยากที่สุดในการออกแบบให้เป็นตัวกรองการปรับให้เรียบคือการตอบสนองต่อช่องว่างด้านราคาโดยไม่ต้องเกินราคาระดับใหม่ โดยเฉพาะอย่างยิ่งสำหรับการออกแบบตัวกรองที่ใช้ตัวกรองโมเมนตัมของตัวเองเพื่อลดความล่าช้า แผนภูมิต่อไปนี้เปรียบเทียบการเอาชนะโดย JMA และค่าเฉลี่ยเคลื่อนที่ของ Hull (Hull moving average) การตั้งค่าพารามิเตอร์สำหรับตัวกรองทั้งสองชุดได้รับการตั้งค่าเพื่อให้ประสิทธิภาพการทำงานของสถานะที่มั่นคงอยู่เกือบเท่ากัน ปัญหาการออกแบบอีกประการหนึ่งคือตัวกรองสามารถรักษาความเรียบที่เห็นได้ชัดระหว่างการพลิกผันได้หรือไม่เช่นเดียวกับในช่วงแนวโน้ม แผนภูมิด้านล่างแสดงให้เห็นว่า JMA ยังคงรักษาความราบเรียบตลอดทั้งวงจรได้อย่างไรขณะที่ HMA ผันผวนที่การพลิกกลับ นี่อาจก่อให้เกิดปัญหาสำหรับกลยุทธ์ที่บังคับการซื้อขายขึ้นอยู่กับว่าตัวกรองมีการเคลื่อนไหวขึ้นหรือลง สุดท้ายมีกรณีที่ราคาขึ้นและถอยลงในแนวโน้มลดลง นี่เป็นการยากที่จะติดตามในช่วงเวลาที่ล่าถอย โชคดีที่ตัวกรองแบบปรับตัวจะมีเวลาที่ง่ายกว่ามากในการบ่งชี้ว่าเมื่อมีการพลิกกลับเกิดขึ้นกว่าตัวกรองถาวรตามที่แสดงในแผนภูมิด้านล่าง แน่นอนว่ามีตัวกรองที่ดีกว่า JMA ซึ่งส่วนใหญ่ใช้โดยทหาร แต่ถ้าคุณอยู่ในธุรกิจการติดตามการค้าที่ดีและไม่ใช่เครื่องบินข้าศึก JMA เป็นตัวกรองสัญญาณรบกวนที่เหมาะสมสำหรับข้อมูลทางการเงินที่ดีที่สุด 9.3.1 บทนำเกี่ยวกับการกรองในด้านการประมวลผลสัญญาณการออกแบบตัวกรองสัญญาณดิจิทัลเกี่ยวข้องกับกระบวนการระงับความถี่บางอย่างและการส่งเสริมผู้อื่น แบบจำลองตัวกรองแบบง่ายคือที่ที่สัญญาณอินพุทถูกแก้ไขเพื่อให้ได้สัญญาณเอาท์พุทโดยใช้สูตรการทวนซ้ำการใช้งานของ (9-23) เป็นสิ่งที่ตรงไปตรงมาและต้องการเฉพาะค่าเริ่มต้นเท่านั้น ตั้งแต่สัญญาณจะต้องมีจุดเริ่มต้นเป็นเรื่องปกติที่จะต้องมีและสำหรับ เราเน้นแนวคิดนี้โดยการกำหนดความหมายต่อไปนี้ นิยาม 9.3 (Causal Sequence) กำหนดลำดับ input และ output ถ้าและสำหรับลำดับกล่าวจะเป็นสาเหตุ เมื่อพิจารณาถึงลำดับสาเหตุแล้วจะสามารถคำนวณหาทางแก้ปัญหาได้ (9-23) ใช้ความจริงที่ว่าลำดับเหล่านี้เป็นสาเหตุ: ขั้นตอนทั่วไปของการวนซ้ำคือ 9.3.2 ตัวกรองพื้นฐานตัวกรองพื้นฐานที่ใช้งานง่ายสามตัวต่อไปนี้ใช้เป็นภาพประกอบ (i) Zeroing Out Filter (โปรดทราบว่า) (ii) การเพิ่มตัวกรอง (โปรดทราบว่า) (iii) ฟิลเตอร์ผสม ฟังก์ชันการถ่ายโอนข้อมูลสำหรับตัวกรองรูปแบบเหล่านี้มีรูปแบบทั่วไปต่อไปนี้เมื่อ z-transforms ของอินพุตและเอาต์พุตมีลำดับและตามลำดับ ในส่วนก่อนหน้านี้เรากล่าวว่าการแก้สมการทั่วไปเพื่อให้สมการความแตกต่างเป็นเนื้อเดียวกันจะมีเสถียรภาพก็ต่อเมื่อศูนย์ของสมการสมการอยู่ภายในวงกลมของหน่วย ในทำนองเดียวกันถ้าตัวกรองมีเสถียรภาพขั้วของฟังก์ชันการถ่ายโอนทั้งหมดต้องอยู่ภายในวงกลมหน่วย ก่อนที่จะพัฒนาทฤษฎีทั่วไปเราต้องการตรวจสอบการตอบสนองของความกว้างเมื่อสัญญาณเข้าเป็นชุดค่าผสมเชิงเส้นของและ การตอบสนองของความถี่สำหรับความถี่ใช้สัญญาณหน่วยที่ซับซ้อนและกำหนดให้เป็นสูตรสำหรับจะได้รับการอธิบายอย่างถี่ถ้วนหลังจากตัวอย่างเบื้องต้น ตัวอย่างที่ 9.21 กำหนดตัวกรอง 9.21 (ก) แสดงว่าเป็นตัวกรอง zeroing out สำหรับสัญญาณและคำนวณการตอบสนองของ amplitude 9.21 (ข) คำนวณการตอบสนองของ amplitude และตรวจสอบสัญญาณที่กรองไว้ 9.21 (c) คำนวณการตอบสนองของ amplitude และตรวจสอบสัญญาณที่กรองไว้ รูปที่ 9.4 การตอบสนองของคลื่นสำหรับ รูปที่ 9.5 อินพุตและเอาต์พุต รูปที่ 9.6 อินพุตและเอาต์พุต สำรวจโซลูชัน 9.21 ตัวอย่างที่ 9.22 กำหนดตัวกรอง 9.22 (ก) แสดงว่าเป็นการเพิ่มตัวกรองสำหรับสัญญาณและคำนวณการตอบสนองของคลื่น 9.22 (ข) คำนวณการตอบสนองของ amplitude และตรวจสอบสัญญาณที่กรองไว้ รูปที่ 9.7 การตอบสนองของคลื่นสำหรับ รูปที่ 9.8 อินพุตและเอาต์พุต สำรวจโซลูชัน 9.22 9.3.3 สมการการกรองทั่วไป T รูปแบบทั่วไปของตัวกรองลำดับความแตกต่างของสมการคือที่และเป็นค่าคงที่ โปรดสังเกตว่าคำที่เกี่ยวข้องมีรูปแบบและสถานที่และซึ่งทำให้ระยะเวลาล่าช้าเหล่านี้ แบบฟอร์มที่มีขนาดกะทัดรัดในการเขียนสมการความแตกต่างคือตำแหน่งที่สัญญาณอินพุทถูกปรับเปลี่ยนเพื่อให้ได้สัญญาณเอาท์พุทโดยใช้สูตรการทวนซ้ำส่วนจะเป็นศูนย์ออกสัญญาณและจะเพิ่มสัญญาณ หมายเหตุ 9.14 สูตร (9-31) เรียกว่าสมการเวียนเกิดและค่าสัมประสิทธิ์การทับทิมมีค่าเท่ากับและ แสดงให้เห็นอย่างชัดเจนว่าเอาต์พุตปัจจุบันเป็นหน้าที่ของค่าในอดีตสำหรับการนำเข้าปัจจุบันและปัจจัยการผลิตก่อนหน้าสำหรับ ลำดับสามารถถือเป็นสัญญาณและพวกเขาเป็นศูนย์สำหรับดัชนีเชิงลบ ด้วยข้อมูลนี้เราสามารถกำหนดสูตรทั่วไปสำหรับฟังก์ชันถ่ายโอนได้ ใช้เวลาล่าช้า - shift คุณสมบัติสำหรับลำดับสาเหตุและการ z - แปลงของแต่ละคำใน (9-31) (9-33) เราได้รับซึ่งนำไปสู่ความหมายที่สำคัญดังต่อไปนี้ นิยาม 9.4 (Transfer Function) ฟังก์ชันการถ่ายโอนข้อมูลที่สอดคล้องกับสมการความแตกต่างของคำสั่ง (8) ได้จากสูตร (9-34) คือฟังก์ชันการถ่ายโอนข้อมูลสำหรับตัวกรองสัญญาณตอบสนองอิมพีลีนแบบไม่มีที่สิ้นสุด (ตัวกรอง IIR) ในกรณีพิเศษเมื่อตัวหารเป็นเอกภาพจะกลายเป็นฟังก์ชันการถ่ายโอนข้อมูลสำหรับตัวกรองสัญญาณตอบสนองแบบ จำกัด (ฟิลเตอร์ FIR) นิยาม 9.5 (Unit-Sample Response) ลำดับที่สอดคล้องกับฟังก์ชันการถ่ายโอนข้อมูลเรียกว่า unit-sample response ทฤษฎีบท 9.6 (การตอบสนองเอาต์พุต) การตอบสนองการส่งออกของตัวกรอง (10) ที่ได้รับสัญญาณอินพุทจะได้จากการแปลง z-inverse และในรูปแบบ convolution ซึ่งได้จากการใช้ฟังก์ชันที่สำคัญอีกอย่างหนึ่งคือการศึกษาว่าตัวกรองส่งผลต่ออย่างไร ความถี่ต่างๆ ในทางปฏิบัติจะมีการสุ่มตัวอย่างสัญญาณเวลาอย่างต่อเนื่องที่ความถี่ที่น้อยที่สุดเป็นสองเท่าของความถี่สัญญาณอินพุตที่สูงที่สุดเพื่อไม่ให้ความถี่พับหรือวางทับ นั่นเป็นเพราะการแปลงฟูริเยร์ของสัญญาณตัวอย่างเป็นระยะ ๆ กับรอบระยะเวลาแม้ว่าเราจะไม่สามารถพิสูจน์ได้นี่ การทำให้เป็นนามแฝงช่วยป้องกันการฟื้นตัวของสัญญาณต้นฉบับจากตัวอย่าง ตอนนี้สามารถแสดงให้เห็นว่าอาร์กิวเมนต์ของแผนที่แปลงฟูริเยร์บนวงกลมหน่วย z-plane ผ่านทางสูตร (9-37) ซึ่งเรียกว่าความถี่ปกติ ดังนั้นการแปลง z ที่ประเมินบนวงกลมหน่วยเป็นระยะเว้นแต่กับระยะเวลา นิยาม 9.6 (การตอบสนองของแอมพลิจูด) แอ็พพลิเคชั่นการตอบสนองของ amplitude คือขนาดของฟังก์ชันการถ่ายโอนที่ได้รับการประเมินที่สัญญาณหน่วยที่ซับซ้อน สูตรคือ (9-38) ในช่วงเวลา T เขาทฤษฎีบทพื้นฐานของพีชคณิตหมายความว่าเลขมีราก (เรียกเลขศูนย์) และตัวหารมีราก (เรียกว่าขั้ว) ศูนย์สามารถเลือกได้ในคู่ conjugate บนวงกลมหน่วยและสำหรับ เพื่อความมั่นคงเสาทั้งหมดต้องอยู่ภายในวงกลมหน่วยและสำหรับ นอกจากเสาจะถูกเลือกให้เป็นตัวเลขจริงหรือในคู่ conjugate ซึ่งจะรับประกันได้ว่าค่าสัมประสิทธิ์การทับทิมเป็นจำนวนจริงทั้งหมด ตัวกรอง IIR อาจเป็นเสาหรือขั้วลบและเสถียรภาพเป็นตัวกรอง FIR ที่เกี่ยวข้องและตัวกรองศูนย์ทั้งหมดมีเสถียรภาพอยู่เสมอ 9.3.4 การออกแบบตัวกรองในสูตรการทวนซ้ำทางปฏิบัติ (10) ใช้ในการคำนวณสัญญาณเอาท์พุท อย่างไรก็ตามการออกแบบตัวกรองแบบดิจิทัลขึ้นอยู่กับทฤษฎีข้างต้น หนึ่งเริ่มต้นด้วยการเลือกตำแหน่งของศูนย์และเสาที่ตรงกับข้อกำหนดการออกแบบตัวกรองและสร้างฟังก์ชันการถ่ายโอน เนื่องจากค่าสัมประสิทธิ์ของ t เป็นจริงทุกศูนย์และเสาที่มีส่วนประกอบสมมุติต้องเกิดขึ้นในคู่ conjugate จากนั้นค่าสัมประสิทธิ์การทับทิมจะถูกระบุใน (13) และใช้ใน (10) เพื่อเขียนตัวกรอง recursive ทั้งตัวเศษและตัวหารของสามารถนำไปใช้เป็นปัจจัยสองสมกับค่าสัมประสิทธิ์จริงและอาจเป็นหนึ่งในสองปัจจัยเชิงเส้นที่มีสัมประสิทธิ์จริง ใช้หลักการต่อไปนี้ในการสร้าง (i) Zeroing Out Factors เพื่อกรองสัญญาณและใช้ค่าของรูปแบบในตัวเศษของ (ii) การกระตุ้นให้เกิดปัจจัยขึ้นเพื่อขยายสัญญาณและใช้ปัจจัยในรูปแบบจำเป็นต้องออกแบบตัวกรองค่าเฉลี่ยเคลื่อนที่ที่มีความถี่ตัดเป็น 7.8 Hz ฉันได้ใช้ตัวกรองเฉลี่ยที่เคลื่อนที่ก่อน แต่เท่าที่ Im ทราบพารามิเตอร์เดียวที่สามารถป้อนได้คือจำนวนจุดที่จะเฉลี่ย วิธีการนี้สามารถใช้งานได้กับความถี่ตัดการผกผันของ 7.8 Hz คือ 130 ms และ Im ทำงานกับข้อมูลที่เก็บตัวอย่างที่ 1000 Hz นี่หมายความว่าฉันควรใช้ขนาดตัวกรองหน้าต่างเคลื่อนไหวเฉลี่ย 130 ตัวอย่างหรือมีอย่างอื่นที่ Im หายไปที่นี่ถาม Jul 18 13 ที่ 9:52 ตัวกรองเฉลี่ยเคลื่อนที่เป็นตัวกรองที่ใช้ในโดเมนเวลาเพื่อลบ เสียงเพิ่มและยังเรียบวัตถุประสงค์ แต่ถ้าคุณใช้ตัวกรองค่าเฉลี่ยเคลื่อนที่เดียวกันในโดเมนความถี่สำหรับการแยกความถี่ประสิทธิภาพจะแย่ที่สุด ดังนั้นในกรณีที่ใช้ตัวกรองโดเมนความถี่ ndash user19373 Feb 3 16 at 5:53 ตัวกรองค่าเฉลี่ยเคลื่อนที่ (บางครั้งรู้จักเรียกขานเป็นตัวกรองกล่อง) มีการตอบสนองต่อรูปสี่เหลี่ยมผืนผ้า: หรือระบุไว้อย่างชัดเจน: จำได้ว่าการตอบสนองความถี่ของระบบแบบไม่ต่อเนื่อง เราสามารถคำนวณได้ดังนี้: อะไรที่คุณสนใจมากที่สุดสำหรับกรณีของคุณคือการตอบสนองของตัวกรอง H (โอเมก้า) ใช้สอง manipulations ง่ายเราจะได้รับในรูปแบบที่ง่ายต่อการเข้าใจ: นี้อาจไม่ง่ายที่จะเข้าใจ อย่างไรก็ตามเนื่องจากบัตรประจำตัวของ Eulers จำได้ว่า: ดังนั้นเราสามารถเขียนข้างต้นเป็น: ตามที่ระบุไว้ก่อนหน้าสิ่งที่คุณกังวลมากคือขนาดของการตอบสนองต่อความถี่ ดังนั้นเราสามารถใช้ขนาดของข้างต้นเพื่อลดความซับซ้อนของมันต่อไป: หมายเหตุ: เราสามารถที่จะลดเงื่อนไขคำอธิบายออกเพราะพวกเขาไม่ส่งผลกระทบต่อขนาดของผลลัพธ์ e 1 สำหรับค่าทั้งหมดของโอเมก้า ตั้งแต่ xy xy สำหรับสองจำนวน จำกัด ที่ จำกัด x และ y เราสามารถสรุปได้ว่าการปรากฏตัวของคำแทนไม่ส่งผลต่อการตอบสนองของขนาดโดยรวม (แทนจะส่งผลต่อการตอบสนองของเฟสของระบบ) ฟังก์ชันที่เกิดขึ้นภายในวงเล็บขนาดคือรูปแบบของเคอร์เนล Dirichlet บางครั้งเรียกว่าฟังก์ชั่น sinc periodic เนื่องจากมีลักษณะคล้ายคลึงกับ sinc function ค่อนข้างมีลักษณะ แต่เป็นระยะแทน อย่างไรก็ตามเนื่องจากความหมายของความถี่ cutoff มีความไม่แน่นอน (-3 dB point -6 dB point sidelobe null) คุณสามารถใช้สมการด้านบนเพื่อแก้ปัญหาตามที่ต้องการได้ โดยเฉพาะคุณสามารถทำสิ่งต่อไปนี้: กำหนด H (โอเมก้า) ให้เป็นค่าที่สอดคล้องกับการตอบสนองของตัวกรองที่คุณต้องการที่ความถี่ตัด ตั้งค่าโอเมก้าเท่ากับความถี่ตัด เมื่อต้องการทำแผนที่ความถี่ต่อเนื่องไปยังโดเมนแบบไม่ต่อเนื่องโปรดจำไว้ว่า omega 2pi frac ซึ่ง fs คืออัตราตัวอย่างของคุณ หาค่าของ N ที่ให้ข้อตกลงที่ดีที่สุดระหว่างด้านซ้ายและด้านขวาของสมการ นั่นควรเป็นความยาวของค่าเฉลี่ยเคลื่อนที่ของคุณ ถ้า N คือความยาวของค่าเฉลี่ยเคลื่อนที่จากนั้นความถี่ตัด F (ที่ถูกต้องสำหรับ N gt 2) ในความถี่ปกติคือ Fffs: ผกผันของสูตรนี้คือสูตรที่ถูกต้องสำหรับ N ขนาดใหญ่และมีข้อผิดพลาดประมาณ 2 สำหรับ N2 และน้อยกว่า 0.5 สำหรับ N4 ป. ล. หลังจากสองปีที่ผ่านมาที่นี่ในที่สุดสิ่งที่เป็นวิธีการปฏิบัติตาม ผลจากการประมาณสเปกตรัมความกว้างของ MA รอบ f0 เป็นพาราโบลา (ลำดับที่ 2) ตาม MA (Omega) ประมาณ 1 (frac-frac) Omega2 ซึ่งสามารถหาได้มากกว่าใกล้กับศูนย์ข้าม MA (Omega) frac โดยการคูณโอเมก้าโดยค่าสัมประสิทธิ์การได้รับโอเมก้า (Omega) ประมาณ 10.907523 (frac-frac) Omega2 การแก้ปัญหาของ MA (Omega) - frac 0 ให้ผลลัพธ์ข้างต้นที่ 2pi F Omega ทั้งหมดข้างต้นเกี่ยวข้องกับ -3dB ตัดความถี่เรื่องของบทความนี้ บางครั้งก็เป็นเรื่องที่น่าสนใจที่จะได้รับข้อมูลการลดทอนในแถบหยุดซึ่งเทียบเคียงได้กับตัวกรอง IIR Low Pass Filter (single pole LPF) ที่มีความถี่ตัดความถี่ -3dB ให้ (เช่น LPF เรียกว่า integrator leaky, มีขั้วไม่ตรงที่ DC แต่ใกล้กับมัน) ในความเป็นจริงแล้ว MA และลำดับที่ 1 ของ IIR LPF มีความลาดชันอยู่ที่ -20dBdade ในวงหยุด (หนึ่งต้องมีขนาดใหญ่กว่า N ที่ใช้ในรูป N32 เพื่อดูสิ่งนี้) แต่ในขณะที่ MA มีค่า null ของสเปกตรัมที่ FkN และ a 1F evelope ตัวกรอง IIR จะมีรูปแบบ 1f เท่านั้น ถ้าใครอยากได้ตัวกรอง MA ที่มีความสามารถในการกรองสัญญาณรบกวนเช่นเดียวกับตัวกรอง IIR นี้และตรงกับความถี่ที่ 3dB ตัดออกไปเหมือนกันเมื่อเปรียบเทียบสเปกตรัมสองตัวเขาจะรู้ว่าแถบกระเพื่อมของแถบหยุดทำงานของตัวกรอง MA จะสิ้นสุดลง 3dB ด้านล่างของตัวกรอง IIR เพื่อที่จะได้รับการระงับการหยุดแถบเดียวกัน (เช่นการลดทอนสัญญาณรบกวนเดียวกัน) เป็นตัวกรอง IIR สูตรสามารถแก้ไขได้ดังต่อไปนี้: ฉันพบกลับมาที่สคริปต์ Mathematica ซึ่งฉันคำนวณการตัดออกสำหรับตัวกรองหลายตัวรวมทั้ง MA หนึ่ง ผลจากการประมาณสเปกตรัมของแมสซาชูเซตส์รอบ ๆ f0 เป็นพาราโบลาตามข้อมูลของ MA (Omega) Sin (OmegaN2) Sin (Omega2) Omega 2piF MA (F) ประมาณ N16F2 (N-N3) pi2 และได้รับการข้ามกับ 1sqrt จากที่นั่น ndash Massimo Jan 17 16 at 2: 08 เป็นที่ทราบกันดีว่าอัลกอริทึมค่าเฉลี่ยเคลื่อนที่ที่ทำในโดเมนเวลาจะเท่ากับตัวกรองที่มีความถี่ตอบสนอง mathrm (omegatau) โดยที่ tau เป็นเวลาเฉลี่ย (ดูคำตอบที่เกี่ยวข้อง) คุณสมบัตินี้มีประโยชน์ต่อไปนี้: คุณกำลังสตรีมข้อมูลเป็นชุดข้อมูลตามเวลาและค่าเฉลี่ยที่จุดใดเป็นเพียง: a frac frac ดังนั้นคุณอาจใช้อัลกอริทึมการเรียกซ้ำข้างต้นเป็นระยะเวลาหนึ่ง (tau) และเมื่อคุณหยุดค่าที่คุณได้ถูกกรองโดย mathrm (omegatau) และมีความแปรปรวนลดลงอย่างเห็นได้ชัด ขณะนี้ฟังก์ชัน mathrm เป็นลำดับแรกต่ำสุดที่ถูกปรับด้วยซองจดหมายบาป ดังนั้นในผลที่คุณได้ทำผ่านต่ำสั่งแรกที่มีลักษณะต่ำผ่านเวลา tau คงที่เท่ากับความยาวของกระแสข้อมูลและ tau ไม่จำเป็นต้องรู้จักก่อนที่จะเริ่มต้น คำถามของฉันคือ: มีขั้นตอนคล้ายคลึงกันซึ่งจะช่วยให้คำสั่งซื้อที่สองต่ำ (โดยประมาณ) ซึ่งเป็นค่าคงที่ของเวลาที่ไม่รู้จัก priori ความเป็นไปได้คือค่าเฉลี่ยเฉลี่ย แต่ต้องใช้ค่าเฉลี่ยทั้งหมดในหน่วยความจำ มีกฎหมายป้องกันขั้นตอนดังกล่าวที่มีความต้องการหน่วยความจำน้อยถาม 26 มีนาคม 14 เวลา 17:38 คุณสามารถเฉลี่ยค่าเฉลี่ยเช่นเดียวกับที่คุณเฉลี่ยสัญญาณเข้าของคุณ สามารถทำได้โดยขั้นตอนเดียวกัน recursive โดยไม่ต้องเก็บค่าเฉลี่ยทั้งหมด สิ่งเดียวที่คุณต้องทำก็คือเก็บหมายเลขสองไว้แทน ให้ xn เป็นข้อมูลที่จะได้รับค่าเฉลี่ยและปล่อยให้ yn เป็นผลลัพธ์ของขั้นตอนเฉลี่ยแรก ynalpha y (1-alpha) xn, quad 0ltalpha lt1 การใช้ recursion แบบเดียวกันอีกครั้ง เอาท์พุทสุดท้าย zn: znbeta z (1-beta) yn, quad 0ltbeta lt1 นอกจากนี้คุณยังสามารถเขียนขั้นตอนทั้งหมดเป็น recursion คำสั่งที่สอง (กำจัด yn): ดังนั้นคุณจึงมีตัวกรอง recursive ลำดับที่สองเท่านั้นที่ต้องการเก็บสองผลลัพธ์ที่ผ่านมา ค่า ถ้าคุณต้องการระบบลำดับที่สองนี่เป็นพื้นที่เก็บข้อมูลขั้นต่ำที่สามารถทำได้ ตอบ 27 มีนาคม 14 เวลา 13:11 คำตอบนี้คงไม่เป็นไปได้หากไม่มีคำตอบของ Matt L. s รวมทั้งการติดต่อสื่อสารกับ nibot ให้ดูวิธีหนึ่งที่จะได้สูตรสำหรับคำนวณค่าเฉลี่ยที่ให้ไว้ในคำถาม เริ่มต้นจากชุดของตัวเลขเรามีความหมายของค่าเฉลี่ยถึงตัวอย่างที่ n: frac sum n xj frac sn และ sn คือผลรวมของตัวอย่างทั้งหมดถึง n ตอนนี้ sn สามารถกำหนด recursively: sns xn และให้ nansn เรามี: anfrac frac และเรามีสูตรเฉลี่ยจากคำถาม ตอนนี้เราต้องการดำเนินการเฉลี่ยนี้อีกครั้งโดยเฉลี่ยในตัวอย่าง ดังนั้นเราเพียงแค่ทำซ้ำสูตรเดียวกัน แต่ตอนนี้สำหรับค่าเฉลี่ยของ a. แต่เราสามารถแทนที่ในแง่ของ d และ d และสุดท้ายหลังจากการทำให้เข้าใจง่ายตอนนี้ชุดของตัวเลขนี้เท่ากับค่าเฉลี่ยของค่าเฉลี่ยและต้องการเพียงสองค่าที่เก็บไว้ด้านล่าง I พล็อตสัญญาณซึ่งเป็นเสียงสุ่มที่ RMS เป็น 20 ครั้งค่าเฉลี่ย ฉันยังแสดงค่าเฉลี่ยของคำสั่งซื้อครั้งแรกและอันดับที่สอง ขณะที่เราสามารถเห็นได้ค่าเฉลี่ยลำดับที่สองใช้เวลานานกว่าในการหาค่าเฉลี่ยที่แท้จริง แต่มีความผันผวนน้อยลงเมื่อเทียบกับค่าเฉลี่ย ความผันผวนจะเล็กลงเมื่อมีการบันทึกตัวอย่างมากขึ้นดังนั้นจึงมีประโยชน์เพิ่มเติมที่ช่วงเวลาของตัวกรองความถี่ต่ำผ่านการเพิ่มประสิทธิภาพจะเพิ่มขึ้นเรื่อย ๆ หากเป็นตัวกรองความถี่ต่ำที่มีความถี่ขั้วโลกคงที่แล้วในบางจุดเราจะทิ้งข้อมูลจากตัวอย่างเก่ามาก ตัวกรองนี้ใช้ข้อมูลจากตัวอย่างทั้งหมดไม่ว่าจะเป็นแบบไหน สุดท้ายผมคิดว่าสูตรนี้สามารถทำซ้ำได้และค่าเฉลี่ยสามารถทำได้ตามคำสั่งใด ๆ Yes, you can do a second-order low-pass filter without using lots of memory. The key is to use the fact that convolution is a linear operation. You want to do the following: y(t) (x(t)f1(t))f2(t) where f1(t) and f2(t) are your two moving average filters of unknown a priori width. If we use the associative property of linearity we can do the following: y(t) (x(t)f1(t))f2(t) x(t)(f1(t)f2(t)) You create a new filter by convolving the two averaging filters, and then using that composite filter to filter your data. answered Mar 26 14 at 18:23 quotAssociative property of convolutionquot I suppose. ndash Matt L. Mar 26 14 at 21:06 MattL. It is my understanding that linearity implies associativity. Is this not the case ndash Jim Clay Mar 26 14 at 21:50 When I read your answer, I was sure that you actually meant to say quotassociative property of convolutionquot, because it is always some type of binary operation that is either associative or not, and you used the associativity of convolution. I think we cannot talk about the 39associative property of linearity39, because 39linearity39 is no binary operation. I didn39t mean to be nit-picky, but maybe I was. But anyway, your question is interesting (as to the relation between linearity and associativity) and I must admit that I have no satisfactory answer to it. ndash Matt L. Mar 27 14 at 11:33