Linear Regression Indicator Der Linear Regression Indicator wird zur Trendidentifizierung und Trendanalyse analog zu gleitenden Durchschnitten verwendet. Das Kennzeichen darf nicht mit linearen Regressionslinien verwechselt werden, bei denen es sich um gerade Linien handelt, die an eine Reihe von Datenpunkten angepasst sind. Der lineare Regressionsindikator zeigt die Endpunkte einer ganzen Reihe linearer Regressionslinien, die an aufeinanderfolgenden Tagen gezeichnet wurden. Der Vorteil der linearen Regression Indicator über einen normalen gleitenden Durchschnitt ist, dass es weniger Verzögerung als der gleitende Durchschnitt hat, reagiert schneller auf Richtungsänderungen. 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 des Linear Regression Indicators, um Trades mit einem längerfristigen Indikator als Filter einzugeben und zu beenden. 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 obigen ist es, Trades einzugeben, wenn der Kurs die Linear Regression Indicator überschreitet, aber trotzdem beenden, wenn die Linear Regression Indicator ausgeschaltet wird. Maus 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 unsere Mailing-Liste Lesen Sie Colin Twiggs Trading Diary Newsletter mit Bildungsartikeln über Handel, technische Analyse, Indikatoren und neue Software-Updates. Die Differenz aus Moving Average (Zeitreihe) - Funktion berechnet die Differenz zwischen einem Wert und seiner Zeitreihe gleitenden Durchschnitt. Parameter ------------------ Daten Die zu analysierenden Daten. Dies ist typischerweise ein Feld in einer Datenreihe oder ein berechneter Wert. Period Die Anzahl der Balken, die in den Durchschnitt aufgenommen werden sollen, einschließlich des aktuellen Wertes. Zum Beispiel enthält eine Periode von 3 den aktuellen Wert und die beiden vorherigen Werte. Funktion Wert ------------------------ Der Zeitreihenbewegungsdurchschnitt wird durch Anpassen einer linearen Regressionsgerade über die Werte für den gegebenen Zeitraum berechnet und dann bestimmt Den aktuellen Wert für diese Zeile. Eine lineare Regressionsgerade ist eine Gerade, die so nahe wie möglich an allen gegebenen Werten liegt. Der Zeitreihen-Gleitender Durchschnitt am Anfang einer Datenreihe ist nicht definiert, bis es genug Werte gibt, um den vorgegebenen Zeitraum zu füllen. Es ist anzumerken, dass sich ein Zeitreihenbewegungsdurchschnitt stark von anderen Arten von Bewegungsdurchschnitten unterscheidet, da der aktuelle Wert dem jüngsten Trend der Daten folgt, nicht einem tatsächlichen Durchschnitt der Daten. Aus diesem Grund kann der Wert dieser Funktion größer oder kleiner sein als alle Werte, die verwendet werden, wenn der Trend der Daten im Allgemeinen zunimmt oder abnimmt. Der Unterschied zum gleitenden Mittelwert ist der gleitende Mittelwert, der von dem aktuellen Wert subtrahiert wird. Verwendung ----------- Verschiebungsdurchschnitte sind nützlich zum Glätten von verrauschten Rohdaten, wie z. B. Tagespreisen. Die Preisdaten können von Tag zu Tag stark variieren, wodurch der Preis nach oben oder nach unten verschwindet. Mit Blick auf den gleitenden Durchschnitt des Preises, ein allgemeineres Bild der zugrunde liegenden Trends gesehen werden kann. Da bewegte Durchschnitte verwendet werden können, um Trends zu sehen, können sie auch verwendet werden, um zu sehen, ob Daten den Trend stecken. Dies macht den Unterschied aus dem gleitenden Durchschnitt nützlich für die Hervorhebung, wo die Daten brechen weg von der trend. mike, zuerst installieren R (wenn Sie nicht bereits), führen Sie R und installieren Sie das TeachingDemos Paket (genau, wie hängt von Ihrem System) Laden Sie das Paket mit der Bibliothek (TeachingDemos) und geben Sie loess. demo ein, um die Hilfeseite aufzurufen, um zu sehen, wie man es ausführt, können Sie nach unten scrollen, wo das Beispiel ist, und kopieren Sie diesen Code in die Befehlszeile von R39s, um die Beispiele zu sehen , Dann laufen mit Ihren eigenen Daten weiter zu erforschen. Ndash Greg Snow Mar 23 12 at 17:15 Hier ist eine einfache, aber detaillierte Antwort. Ein lineares Modell passt zu einer Beziehung über alle Datenpunkte. Dieses Modell kann erste Ordnung (eine andere Bedeutung von linearem) oder Polynom sein, um der Krümmung Rechnung zu tragen, oder mit Splines, um verschiedene Regionen mit einem anderen regulierenden Modell zu berücksichtigen. Eine LOESS-Passung ist eine lokal bewegte gewichtete Regression, die auf den ursprünglichen Datenpunkten basiert. Whats that mean A LOESS fit gibt die ursprünglichen X - und Y-Werte sowie einen Satz von Output-X-Werten ein, für die neue Y-Werte berechnet werden (in der Regel werden die gleichen X-Werte für beide, aber oft weniger X-Werte für passende XY-Paare verwendet Wegen der erhöhten Rechenleistung). Für jeden Ausgabe-X-Wert wird ein Teil der Eingangsdaten verwendet, um einen Fit zu berechnen. Der Teil der Daten, im allgemeinen 25 bis 100, aber typischerweise 33 oder 50, ist lokal, dh es ist derjenige Teil der ursprünglichen Daten, der am nächsten zu jedem bestimmten Ausgangswert X liegt. Es ist eine bewegliche Passform, da jeder Ausgang X-Wert eine andere Teilmenge der Originaldaten mit unterschiedlichen Gewichten erfordert (siehe nächster Absatz). Diese Untermenge von Eingangsdatenpunkten wird verwendet, um eine gewichtete Regression durchzuführen, wobei Punkte am nächsten zu dem Ausgang X-Wert mit größerem Gewicht sind. Diese Regression ist in der Regel erster Ordnung zweiter Ordnung oder höher möglich, erfordert jedoch eine höhere Rechenleistung. Der Y-Wert dieser gewichteten Regression, der an dem Ausgang X berechnet wird, wird als der Modell-Y-Wert für diesen X-Wert verwendet. Die Regression wird an jedem Ausgabe-X-Wert neu berechnet, um einen vollständigen Satz von Ausgabe-Y-Werten zu erzeugen. Antwortete am 21. Februar um 21:08 Uhr
No comments:
Post a Comment