Promedio Móvil Exponencial De Las Matemáticas

La previsión de las técnicas de suavizado Este sitio es una parte de los laboratorios de JavaScript E-objetos para la toma de decisiones de aprendizaje. Otros JavaScript en esta serie se han clasificado en diferentes áreas de aplicaciones en la sección de menú de esta página. Una serie de tiempo es una secuencia de observaciones que están ordenados en el tiempo. Inherente a la recogida de los datos tomados con el tiempo es una cierta forma de la variación aleatoria. Existen métodos para reducir de cancelar el efecto debido a la variación aleatoria. Ampliamente técnicas utilizadas son suavizado. Estas técnicas, cuando se aplica correctamente, revela con mayor claridad las tendencias subyacentes. Introduzca la serie de tiempo de modo de fila en secuencia, comenzando desde la esquina superior izquierda, y el parámetro (s), a continuación, haga clic en el botón Calcular para obtener la previsión de un período hacia delante. Los espacios en blanco no se incluyen en los cálculos, pero son ceros. En la introducción de sus datos al pasar de una celda a otra en la matriz de datos utilizar la tecla Tab no de flecha o la tecla de entrada. Características de las series de tiempo, lo que podría ser revelada mediante el examen de su gráfica. con los valores pronosticados, y el comportamiento de los residuos, modelado condición de pronóstico. Medias Móviles: Las medias móviles se encuentran entre las técnicas más populares para el pre-procesamiento de series de tiempo. Se utilizan para filtrar el ruido blanco al azar de los datos, para hacer más suave la serie de tiempo o incluso para enfatizar ciertos componentes informativos contenidos en las series de tiempo. Suavizado exponencial: Este es un esquema muy popular para producir una serie de tiempo suavizado. Mientras que en los últimos Medias Móviles observaciones tienen el mismo peso, suavizado exponencial asigna exponencialmente decreciente pesos como la observación envejecen. En otras palabras, las recientes observaciones se dan relativamente más peso en la predicción de las observaciones de más edad. Doble suavizado exponencial es mejor en tendencias de manipulación. Triple suavizado exponencial es mejor en el manejo tendencias parábola. Un promedio móvil ponderado exponenentially con una constante de alisamiento. corresponde aproximadamente a una media móvil simple de longitud (es decir, período) n, donde a y n están relacionados por: a / (n1) 2 o N (2 - a) / a. Así, por ejemplo, una media móvil ponderada exponenentially con una constante de alisamiento igual a 0,1 correspondería aproximadamente a una media móvil de 19 días. Y un 40 días de media móvil simple correspondería aproximadamente a un promedio móvil ponderado exponencialmente con una constante de alisamiento igual a 0,04878. Holts lineal de suavizado exponencial: Supongamos que la serie temporal no es estacional, pero hace tendencia pantalla. Holts método estima tanto el nivel actual y la tendencia actual. Observe que la media móvil simple es el caso especial de suavizado exponencial estableciendo el período de la media móvil a la parte entera de (2-alfa) / Alpha. Para la mayoría de los datos de negocio un parámetro alfa menor que 0,40 es a menudo eficaz. Sin embargo, se puede realizar una búsqueda de rejilla del espacio de parámetros, con 0,1 a 0,9, con incrementos de 0,1. Entonces la mejor alfa tiene el más mínimo error absoluto medio (Ma ERROR). Cómo comparar varios métodos de suavizado: Aunque hay indicadores numéricos para evaluar la precisión de la técnica de pronóstico, el enfoque más ampliamente es en el uso de la comparación visual de varias previsiones para evaluar su precisión y elegir entre los distintos métodos de pronóstico. En este enfoque, se debe trazar (utilizando, por ejemplo, Excel) en el mismo gráfico los valores originales de una variable de series de tiempo y los valores predichos a partir de varios métodos de pronóstico diferentes, facilitando así una comparación visual. Es posible que como el uso de los pronósticos pasados ​​por las técnicas de suavizado JavaScript para obtener los valores de pronóstico últimos basados ​​en técnicas que utilizan un solo parámetro sólo suavizado. Holt, y Winters métodos utilizan dos y tres parámetros, respectivamente, por lo que no es una tarea fácil para seleccionar el óptimo, o incluso cerca de los valores óptimos por ensayo y error para los parámetros. El suavizado exponencial simple enfatiza la perspectiva de corto alcance que establece el nivel de la última observación y se basa en la condición de que no existe una tendencia. La regresión lineal, que se ajusta a una recta de mínimos cuadrados de los datos históricos (o datos históricos transformados), representa el rango de longitud, que está condicionada a que la tendencia básica. Holts suavizado exponencial lineal captura información acerca de la reciente tendencia. Los parámetros en el modelo de Holt es los niveles de parámetros que se deben disminuir cuando la cantidad de variación de datos es grande, y las tendencias-parámetro debe aumentarse si la reciente dirección de la tendencia es apoyada por la causal algunos factores. La predicción a corto plazo: Observe que cada JavaScript en esta página ofrece un pronóstico de un paso por delante. Para obtener una previsión de dos paso por delante. sólo tiene que añadir el valor pronosticado hasta el final de ustedes series temporales de datos y, a continuación, haga clic en el mismo botón Calcular. Puede repetir este proceso un par de veces con el fin de obtener el necesario a corto plazo forecasts. I tiene un valor continuo para el que Id como para calcular una media móvil exponencial. Normalmente Id sólo tiene que utilizar la fórmula estándar para esto: donde S n es la nueva media, alfa es el alfa, Y es la muestra, y S n-1 es el promedio anterior. Desafortunadamente, debido a diversos problemas que no tienen un tiempo de muestreo consistente. Puede que sé que puedo probar, a lo sumo, por ejemplo, una vez por milisegundo, pero debido a factores fuera de mi control, puedo no ser capaz de tomar una muestra de varios milisegundos a la vez. Un caso probable más común, sin embargo, es que simple muestra un poco temprano o tardío: en lugar de toma de muestras a los 0, 1 y 2 ms. Muestreo a 0, 0,9 y 2,1 ms. Yo anticipo que, independientemente de los retrasos, mi frecuencia de muestreo será muy, muy por encima del límite de Nyquist, y por lo tanto no necesita preocuparse acerca de aliasing. Creo que puedo lidiar con esto de una manera más o menos razonable mediante la variación de la alfa apropiada, basado en la cantidad de tiempo desde la última muestra. Parte de mi razonamiento de que esto va a funcionar es que la EMA interpola linealmente entre el punto de datos anterior y la actual. Si tenemos en cuenta el cálculo de un EMA de la siguiente lista de muestras a intervalos de t: 0,1,2,3,4. Debemos obtener el mismo resultado si utilizamos 2t intervalo, donde las entradas se convierten en 0,2,4, justo Si la EMA había asumido que, en t 2 el valor había sido desde 2 t 0. que sería el mismo que el intervalo t de cálculo cálculo en 0,2,2,4,4, que su no hacer. O ¿tiene sentido en absoluto ¿Puede alguien decirme cómo variar la alfa apropiadamente Por favor muestre su trabajo. Es decir. muéstrame la matemática que demuestra que el método realmente está haciendo lo correcto. pidió a 21 Jun 09 en 13:05 Usted shouldn39t obtiene el mismo EMA de entrada diferente. Piense de EMA como un filtro, el muestreo a 2t es equivalente al muestreo hacia abajo, y el filtro se va a dar una salida diferente. Esta claro para mí desde 0,2,4 contiene componentes de frecuencia más altas que 0,1,2,3,4. A menos que la pregunta es, ¿cómo cambio el filtro sobre la marcha para hacer que dan el mismo resultado. Tal vez me estoy perdiendo algo ndash freespace Jun 21 de 09 en 15:52 Sin embargo, la entrada no es diferente, it39s simplemente tomaron muestras con menos frecuencia. 0,2,4 a intervalos 2t es como 0,, 2,, 4 a intervalos t, si el indica que la muestra es ignorado Curt Sampson ndash 21 de Jun 09 en 23:45 Esta respuesta basa en mi buena comprensión de paso bajo filtros (media móvil exponencial es en realidad un filtro de paso bajo de un solo polo), pero mi entendimiento nebuloso de lo que usted está buscando. Creo que la siguiente es lo que quiere: En primer lugar, se puede simplificar la ecuación un poco (se parece más complicado, pero es más fácil en el código). Im que va a utilizar para la salida Y y X para la entrada (en lugar de S para la salida e Y para la entrada, como lo han hecho). En segundo lugar, el valor de alfa aquí es igual a 1-e - Deltat / tau donde DeltaT es el tiempo entre muestras, y tau es la constante de tiempo del filtro de paso bajo. Digo igualdad entre comillas porque esto funciona bien cuando delta T / tau es pequeño en comparación con el 1 y alfa 1-e - Deltat / tau asymp delta T / tau. (Pero no demasiado pequeño: interminables tenga problemas de cuantificación, y a menos que recurrir a algunas técnicas exóticas que en general tienen un extra de N bits de resolución en su estado variable S, donde N log 2 (alfa)). Para mayores valores de delta T / tau el efecto de filtrado comienza a desaparecer, hasta llegar al punto donde alfa es cercano a 1 y ya está, básicamente, sólo la asignación de la entrada a la salida. Esto debería funcionar correctamente con diferentes valores de delta T (la variación de delta T no es muy importante, siempre y cuando alfa es pequeña, de lo contrario se ejecutará en algún lugar extraño Nyquist cuestiones / alias / etc), y si se está trabajando en un procesador donde la multiplicación es más barato que la división, o cuestiones de punto fijo son importantes, precalcular omega 1 / tau, y considerar tratando de aproximar la fórmula para alfa. Si realmente quieres saber cómo derivar la fórmula alfa 1-e - Deltat / tau y luego considerar su diferencial fuente ecuación: que, cuando X es una función escalón unitario, tiene la solución Y1 - e - t / tau. Para valores pequeños de DeltaT, el derivado se puede aproximar por DeltaY / delta T, produciendo DeltaT X DeltaY (XY) (delta T / tau) alfa Y tau DeltaY / (XY) y la extrapolación de alfa 1-e - Deltat / tau viene de tratando de hacer coincidir el comportamiento con el caso de la función escalón unitario. ¿Le indique los detalles sobre la quottrying para que coincida con la parte behaviorquot entiendo su solución en tiempo continuo Y 1 - exp (-t47) y su generalización a una función de paso reducido con una magnitud X y la condición inicial y (0). pero I39m no ver cómo poner estas ideas en conjunto para lograr el resultado. ndash Rhys Ulerich de mayo de 4 13 a las 22:34 Esta no es una respuesta completa, pero puede ser el comienzo de una. Su por lo que yo tengo con esto en una hora o así de jugar Im publicar como un ejemplo de lo que estoy buscando, y tal vez una inspiración para otras personas que trabajan en el problema. Comienzo con S 0. que es el promedio resultante de la media de los últimos S-1 y la muestra tomada en Y 0 0 t. (T1 - t0) es mi intervalo de muestra y alfa se establece en lo que sea apropiado para ese intervalo de la muestra y el período durante el cual deseo a la media. Consideré lo que sucede si me olvido de la muestra en t 1 y en lugar de tener que conformarse con la muestra Y2 tomada en t2. Bueno, podemos empezar por la expansión de la ecuación para ver lo que habría ocurrido si hubiéramos tenido Y1: Me he dado cuenta de que la serie parece extenderse infinitamente esta manera, ya que podemos sustituir el S n en el lado derecho de forma indefinida: Ok , por lo que no es realmente un polinomio (tonto de mí), pero si se multiplica el término inicial por uno, entonces vemos un patrón: Hm: su una serie exponencial. Quelle sorpresa Imagínese que la salida de la ecuación para un promedio móvil exponencial Así que de todos modos, tengo esta x 0 x 1 x 2 x 3. Lo que va, y estoy seguro que huele Im e o un logaritmo natural patadas por aquí, pero no puedo recordar dónde me dirigía al lado antes de correr fuera de tiempo. Cualquier respuesta a esta pregunta, o cualquier prueba de la corrección de tal respuesta, depende en gran medida del youre de datos de medición. Si se tomaron muestras en t 0 0 ms. t 1 y t 2 0,9 ms 2.1ms. pero su elección de la alfa se basa en 1-ms-intervalos, y por lo tanto desea un alfa ajustado localmente n. la prueba de la corrección de la elección significaría conocer los valores de la muestra en t1ms y t2ms. Esto lleva a la pregunta: ¿Se puede interpolar los datos razonables para tener conjeturas sanos de lo que podría haber sido en-entre los valores O puede que incluso interpolar la media en sí Si ninguno de estos es posible, a continuación, por lo que yo veo, la lógica elección de un en-entre el valor Y (t) es el promedio calculado más recientemente. es decir, Y (t) asymp S n donde n es tal que maxmial t n LTT. Esta elección tiene una consecuencia simple: Deje alfa solo, sin importar cuál era la diferencia de tiempo. Si, por otro lado, es posible interpolar sus valores, entonces esto le dará muestras constantes intervalo averagable. Por último, si es posible incluso para interpolar la media en sí, eso sería hacer que la pregunta sin sentido. contestada 21 de Jun 09 en 15:08 balpha 9830 25.8k 9679 9 9679 84 9679 115 Me gustaría pensar que puedo interpolar los datos de mi: dado que I39m muestreo a intervalos discretos, I39m ya hacerlo con una norma EMA De todos modos, supongo que necesito un quotproofquot que muestra funciona así como un EMA estándar, que también ha producirá un resultado incorrecto si los valores no están cambiando bastante bien entre períodos de muestra. ndash Curt Sampson Jun 21 de 09 en 15:21 Pero that39s lo I39m diciendo: Si se tiene en cuenta la EMA una interpolación de los valores, you39re hecho si deja alfa, ya que es (debido a la inserción de la media más reciente como Y doesn39t cambiar el promedio) . Si usted dice que necesita algo que quotworks así como una norma EMAquot - what39s mal con el original A menos que tenga más información acerca de la medición you39re de datos, los ajustes locales a alfa será, en el mejor arbitraria. ndash balpha 9830 Jun 21 de 09 en 15:31 Me gustaría dejar el valor alfa solo, y rellenar los datos que faltan. Dado que usted no sabe lo que sucede durante el tiempo en que no puedes ejemplo, puede llenar esas muestras con 0s, o mantener el valor anterior estable y utilizar esos valores para la EMA. O alguna interpolación hacia atrás una vez que haya una nueva muestra, rellene los valores que faltan, y vuelve a calcular la EMA. Lo que estoy tratando de llegar es que hay una x n de entrada que tiene agujeros. No hay manera de moverse por el hecho de que se echa en falta datos. Así que usted puede utilizar una retención de orden cero, o se establece en cero, o algún tipo de interpolación entre xn y xnM. donde M es el número de muestras que faltan y n el inicio de la brecha. Posiblemente, incluso el uso de valores antes de n. contestada 21 de Jun 09 en 13:35 de pasar una hora o así curioseaba un poco con la matemáticas para esto, yo creo que simplemente variando la alfa realidad me dará la interpolación adecuada entre los dos puntos que usted habla, pero en una forma mucho más simple. Además, creo que la variación de la alfa también se ocupará de properply con muestras tomadas entre los intervalos de muestreo estándar. En otras palabras, I39m en busca de lo que usted describe, pero tratando de utilizar las matemáticas para averiguar la forma más sencilla de hacerlo. ndash Curt Sampson Jun 21 de 09 en 14:07 Me don39t que hay una bestia como interpolationquot quotproper. Simplemente don39t sabe lo que ocurrió en el momento en que no se está muestreando. El bien y el mal interpolación implica un cierto conocimiento de lo que se ha perdido, ya que se necesita para medir en contra de que para juzgar si una interpolación es bueno o malo. A pesar de esto dicho, se puede colocar restricciones, es decir, con la máxima aceleración, velocidad, etc. Creo que si lo hace saber cómo modelar los datos que faltan, entonces usted acaba de modelar los datos que faltan, a continuación, aplicar el algoritmo de EMA, sin cambios, en vez de cambiar alfa. Sólo mi 2c :) freespace ndash Jun 21 de 09 en 14:17 Esto es exactamente lo que estaba haciendo en mi edición en la pregunta hace 15 minutos: quotYou simplemente don39t sé lo que ocurrió en el momento en que no se está muestreando, pero quot that39s verdadera incluso si realiza una muestra a cada intervalo designado. Por tanto, mi contemplación de Nyquist: siempre y cuando usted sabe las direcciones de cambio de forma de onda doesn39t más de cada par de muestras, el asunto real shouldn39t intervalo de muestra, y debe ser capaz de variar. La ecuación EMA me parece exactamente para calcular como si la forma de onda cambia linealmente desde el último valor de la muestra a la actual. ndash Curt Sampson Jun 21 de 09 en 14:26 Me don39t piensan que es muy cierto. Nyquist39s teorema requiere requiere mínimo de 2 muestras por período de ser capaz de identificar de forma exclusiva la señal. Si don39t hacer eso, se obtiene aliasing. Sería lo mismo que el muestreo como FS1 durante un tiempo, a continuación, FS2, luego de vuelta a FS1, y se obtiene aliasing en los datos cuando se muestra con FS2 si FS2 está por debajo del límite de Nyquist. También debo confesar que no entiendo lo que quiere decir con cambios quotwaveform linealmente desde última muestra a onequot actual. Podría explicar Saludos, Steve. freespace ndash Jun 21 de 09 en 14:36 ​​Esto es similar a un problema abierto en mi lista de tareas. Tengo un esquema elaborado en cierta medida, pero no tienen trabajo matemático para respaldar esta sugerencia todavía. Resumen de actualización de amplificador: Me gustaría mantener el factor de suavizado (alfa) independiente del factor de compensación (que me refiero como beta aquí). Jasons excelente respuesta ya aceptado aquí funciona muy bien para mí. Si también se puede medir el tiempo transcurrido desde la última muestra fue tomada (en múltiplos redondeadas de su tiempo de muestreo constante - por lo que 7.8 ms desde la última muestra sería de 8 unidades), que podrían ser utilizados para aplicar el suavizado varias veces. Aplicar la fórmula 8 veces en este caso. Usted ha hecho efectiva una suavización sesgado más hacia el valor actual. Para obtener un mejor suavizado, tenemos que ajustar el alfa mientras se aplica la fórmula 8 veces en el caso anterior. ¿Cómo será esta aproximación suavizado pierdas ya ha logrado 7 muestras en el ejemplo anterior Esto se aproximó en el paso 1 con un aplanado reanudación de la aplicación del valor actual de un adicional de 7 veces Si definimos un factor beta de aproximación que se aplicará junto con alfa (como alphabeta en lugar de sólo alfa), vamos a asumir que el 7 perdidas muestras estaban cambiando suavemente entre los valores de las muestras anteriores y actuales. contestada 21 de Jun 09 en 13:35 Yo pienso en esto, pero un poco de curioseaba con las matemáticas me llegué al punto donde creo que, en lugar de aplicar la fórmula de ocho veces con el valor de la muestra, que pueda hacer un cálculo de una nueva alfa que me permita aplicar la fórmula de una vez, y me da el mismo resultado. Además, esto sería tratar de forma automática con el tema de muestras desplazadas desde los tiempos de muestreo exactos. ndash Curt Sampson Jun 21 de 09 en 13:47 La única aplicación está muy bien. Lo que aún no estoy seguro acerca de cómo es bueno es la aproximación de los 7 valores que faltan. Si el movimiento continuo hace que el valor de la fluctuación mucho entre los 8 milisegundos, las aproximaciones pueden ser bastante fuera de la realidad. Pero, entonces, si usted está muestreando en 1 ms (la más alta resolución con exclusión de las muestras retardadas) que ya se han dado cuenta la fluctuación dentro de 1 ms no es relevante. Funciona este razonamiento para usted (Todavía estoy tratando de convencer a mí mismo). ndash nik Jun 21 de 09 en 14:08 derecha. Ese es el factor beta de mi descripción. Un factor beta se calcula basándose en el intervalo de diferencia y las muestras actuales y anteriores. La nueva alfa será (alphabeta) pero va a ser usada solamente para esa muestra. Mientras que usted parece ser 39moving39 la alfa en la fórmula, que tienden hacia la constante alfa (factor de suavizado) y un beta calculada de forma independiente (un factor de sintonización) que compensa las muestras se perdió hace un momento. ndash nik Jun 21 de 09 en 15: 23exponential mayoría de la gente, al pensar en el castigo, no han tenido más necesidad de ocultar sus impulsos vengativos de sí mismos de lo que han tenido que ocultar el teorema exponencial. Para fines de ilustración, se incluyen en la Tabla 1 los valores de R que se generan cuando se emplea el modelo exponencial determinista de predecir en cada subconjunto de casos. La convergencia de las tecnologías de movimiento rápido está trayendo nuevos jugadores, el pensamiento, la innovación y enfoques perjudiciales para la prevención, el diagnóstico, el descubrimiento, la terapéutica personalizada y la salud mundial, dijo el fundador y presidente exponencial Medicina Daniel Kraft MD, Presidente de la Facultad de Medicina amplificador de Neurociencia de la Universidad de la Singularidad. Hemos encontrado que esto tiene que ver con el crecimiento exponencial en el número de publicaciones, que acelera la rotación de trabajos, debido a la capacidad limitada de los estudiosos para realizar un seguimiento de la literatura científica. Propósito del subproyecto 2 fabricación, suministro e instalación de la construcción exponencial especial, la iluminación general del museo y otros muebles de la exposición permanente son todas las estructuras especiales, exponenciales o no, lo que es necesario para la organización y el buen funcionamiento del museo, en el marco del estudio museológico . El mantenimiento de los puestos de trabajo después de un crecimiento exponencial llega a su fin será un reto para la empresa y el estado por igual. Para todos los tratamientos, la temperatura del suelo y Rs mostraron una relación exponencial (Plt0 Muchas personas a dejar de actividades exponenciales en las primeras fases mayoría de los ejemplos libros han sido tomados de la electrónica de consumo, productos informáticos y de comunicaciones, y las industrias de servicios -.. Sectores que están dominadas por las tecnologías exponenciales. Harris ofrece una introducción relativamente no técnica a exponencial de modelado gráfico aleatorio (ERGM), un método estadístico diseñado específicamente para datos relacionales. el crecimiento exponencial de las tecnologías digitales utilizados para la recopilación de información, procesamiento, almacenamiento y distribución es sin duda la tendencia que define en esta década, sin embargo, es con frecuencia no se entiende bien. el manganeso y calcio también se acumularon en la fase de latencia, pero se perdieron desde el celular durante growth. What exponencial se están moviendo promedios Parte 1 con los Juegos Olímpicos de 2012 de llegar a una estrecha, itrsquos tiempo para empezar a pensar en el año 2017. Así que hoy, wersquore va a imaginar que yoursquore un atleta que entrena para la carrera de 1.500 metros en los próximos juegos Olímpicos. Al final de cada día, se corre una carrera medidor de 1500 y la práctica de grabar su tiempo. Ya que tenemos el lujo de hacer esta historia tan impresionante como nos plazca, no letrsquos simplemente asumir yoursquore entrenamiento para los Juegos Olímpicos (que sería lo suficientemente impresionante), letrsquos asumen que yoursquore uno de los primeros favoritos para ganar. Lo que significa que necesita para obtener su tiempo a alrededor de las 3:30 (es decir, 3 minutos y 30 segundos) hellipwhich es muy, muy rápido La gran pregunta de hoy es: Whatrsquos la mejor manera de realizar un seguimiento de su progreso En otras palabras, ¿cómo se sabe si yoursquore mejorando lo suficientemente Si tan sólo mirar a los cambios del día a día en su tiempo o hay una manera mejor en verdad, no hay absolutamente therersquos respuesta correcta o incorrecta heremdashbut hay mejores y peores respuestas. Y una mejor respuesta en esta situación es usar algo que se llama una media móvil para realizar un seguimiento de su progreso. ¿Por Thatrsquos exactamente lo wersquore va a hablar hoy. Runnerrsquos Notebook: Semana 1 Volviendo a su búsqueda de la gloria olímpica 1500 metros, letrsquos empezar por echar un vistazo a la práctica veces yoursquove registraron durante la semana pasada. El lunes se ejecutó de 1500 metros en 3:45, el martes se mejoró a 03:38, el miércoles que eras un poco apagado y entró a las 3:50, jueves era mejor a las 3:41, y el viernes fue aún mejor a las 3 : 36. Como se puede ver, sus tiempos rebotaron por todo el lugar. Entonces, ¿cómo se puede luchar a través de este lío y averiguar cuánto realmente improvedmdashor si mejorado en absoluto, por lo demás bien, desde que se fue de 3:45 a 03:36 el lunes el viernes, se puede decir que has mejorado un 9 secondshellipright O es que la opinión demasiado optimista: media y media para responder a estas preguntas, primero tenemos que averiguar lo que es una media móvil. Y para entender lo que es una media móvil, tenemos que entender lo que significa la palabra ldquoaveragerdquo. Como wersquove hablado antes, la palabra ldquoaveragerdquo en realidad puede significar muchas cosas, pero por lo general se refiere a whatrsquos conocida como la media. Como probablemente ya saben, para encontrar la media de un grupo de números que hay que añadirlas y luego dividir por el tamaño del grupo. Por lo tanto, para encontrar el tiempo promedio 1.500 metros sobre las 5 sesiones de práctica a partir de la última semana, simplemente sumar los tiempos y se divide por 5 para obtener una media de 3:42. Runnerrsquos Notebook: Semana 2 ¿Pero qué significa el valor medio wersquove encontró realmente significa hacer las cosas un poco más claro, letrsquos Dicho de otra weekrsquos valor de los tiempos de ejecución práctica en su cuaderno runnerrsquos. Letrsquos asumen que la siguiente semana incluye tiempos de 03:44, 03:38 y luego hacia abajo a arriba, a 3:45, por debajo de 3:34, y finalmente terminando el viernes con un tiempo de 03:39. Al igual que hicimos con los tiempos primeros weekrsquos, podemos encontrar el tiempo medio de su práctica de carreras en la segunda semana sumándolos y dividiendo por 5. El resultado es una media de 3:40. Ahora, volviendo a la pregunta: ¿Qué hacen estos valores medios significan realmente bien, encontrar el valor medio para una semana es en realidad una forma de ldquosmooth uniformemente outrdquo aquellos tiempos lo largo de toda la semana. Y cuando se comparan los tiempos suavizadas para estas dos semanas, nos enteramos de que se mejoró de una media de 3:42 segundos en la primera semana a una media de 3:40 segundos en la segunda semana. Por lo tanto, dichos valores promedio significan que yoursquove mejoraron 2 segundos en averagehellipnot mal por qué utilizar los promedios Pero puede que se pregunte: ¿Por qué estamos molestando para encontrar promedios en absoluto Isnrsquot esto mucho más trabajo de lo que tenemos que hacer Si wersquore tratando de juzgar el progreso, canrsquot sólo miramos los cambios del día a día en su tiempo de 1.500 metros Desafortunadamente, no reallyhellipat menos no fácilmente. Porque, como wersquove visto, como un montón de otras cosas en el tiempo worldmdashthe. precios de las acciones. y su peso para nombrar unos 1.500 metros fewmdashyour la práctica veces fluctúan mucho de día a día. Y esas fluctuaciones hacen que sea extremadamente difícil separar los cambios significativos debido a los avances reales de ruido sin sentido-mañana-aquí ido hoy. Las fluctuaciones pueden hacer que sea muy difícil separar los cambios significativos de ruido sin sentido. A veces, este ruido se ralentizará el tiempo (tal vez algo que comió didnrsquot de acuerdo exactamente con usted en que la mañana) ya veces se va a acelerarlo (tal vez usted tuvo un viento particularmente favorable en la espalda a la recta). Pero el punto importante es que estas fluctuaciones hacia arriba y hacia abajo en su mayoría desaparecen cuando suavizar las veces mediante la búsqueda de un valor medio. ¿Qué es una media móvil Ser capaz de realizar un seguimiento de las mejoras semanas hasta la semana mediante la búsqueda de los valores medios semanales como wersquove hecho hasta ahora es grande, pero lo que si realmente quiere mantener un ojo en su día a día los cambios ¿Hay una manera para hacer eso y deshacerse de esas fluctuaciones ruidoso en otras palabras, aún así, ¿hay una manera de limpiar los datos de manera que se puede ver el bosque de los árboles Como puede haber adivinado, thatrsquos exactamente lo que hace un promedio móvil. Hay muchos tipos de media móvil, pero hoy wersquore vamos a centrar en whatrsquos llama una media móvil simple. Letrsquos dicen que desea mantener un registro de sus tiempos de carrera utilizando un promedio móvil de 3 días. Para encontrar el tiempo promedio para un día, sólo añadir que dayrsquos tiempo para los tiempos de los 2 días anteriores y dividir por 3. (Para usar un promedio móvil de 4 días en su lugar, sólo tiene que añadir cada vez dayrsquos a los tiempos de los últimos 3 días y se divide por 4, etc.) Si usted hace esto durante el período de dos semanas en su cuaderno runnerrsquos, yoursquoll encontrar un 3-día de la mudanza promedio de tiempo de 3: 44.33 para el primer miércoles (que, si se piensa en ello, es el primer día se puede calcular un promedio móvil de 3 días y), luego hacia abajo a 3: 43.00, de nuevo a 3: 42.33, 3: 40.33 y 3: 39.33, a continuación, hasta 3: 42.33, hasta 3: 39.00 y, finalmente, terminando en 3: 39.33 en el segundo viernes. Como se puede ver, todavía hay fluctuaciones del día a día, pero son mucho menos prominentes de lo que eran antes, porque la ventana de 3 días les suaviza para revelar la tendencia general trendmdasha thatrsquos lo que indica que yoursquore bien en su camino a 2017 gloria olímpica Recapitulación bien, thatrsquos todas las matemáticas que tenemos tiempo para hoy. Pero eso es de ninguna manera todo lo que tenemos que decir acerca de las medias móviles. Por ejemplo, ¿cómo saber qué tan grande la ventana de su promedio debe realizar un seguimiento de ¿Qué pasa si cambia el tamaño de la ventana ¿Cuáles son algunos de los otros tipos de medias móviles y cuáles son algunas de sus otras aplicaciones del mundo real Manténgase tunedhellipwersquoll responder todas estas preguntas y más en un próximo episodio. Además, como la suerte lo tendría, se puede encontrar otro ejemplo de lo útil medias móviles son en este episodio weekrsquos Nutrición de la diva sobre la mejor manera de mantener un registro de su peso. Asegúrese de comprobar que funciona Recuerde que debe convertirse en un fan de la matemáticas Amigo en Facebook donde yoursquoll encontrar un montón de gran matemáticas publicado durante toda la semana. Si yoursquore en Twitter. por favor me siga allí, también. Por último, por favor envíe sus preguntas de matemáticas mi camino a través de Facebook. Gorjeo. o un correo electrónico a mathdudequickanddirtytips. Hasta la próxima, esto es Jason Marshall con The Math Dudersquos consejos rápidos y sucios para hacer más fácil la matemáticas. Gracias por leer, matemáticas fansMoore amp Moore consultoría de servicios de valores y Análisis Técnico Digital Filtros - Medias Móviles Exponenciales (1) recursiva filtros digitales Una forma de estructurar los filtros digitales de forma más eficiente es el uso de parte de la salida y aplicarlo a la entrada . Esto hace que el recursiva filtro como se produce la salida de re en la entrada, haciendo que el filtro parece infinito de longitud. Debido a esto estos filtros también tienen el nombre de respuesta al impulso infinita (IIR) Filtros, como la respuesta puede continuar para el infinito En este caso este filtro IIR muy simple tiene sólo una etapa y realiza un (pequeño) porcentaje de la salida anterior. La ecuación para esta simple filtro IIR digital es: Esquemáticamente el dibujo de este muy simple filtro IIR parece que por debajo de la gráfica a continuación muestra lo que sucede. Serie 1, la entrada de paso fino, produce los siguientes resultados típicos transitorios. Con un valor de 9 para k entonces k 0.09, a continuación, la serie 2 (la línea gruesa) es la primera respuesta típica transitoria. Si el porcentaje (k) se redujo a 5 (k 0.05), entonces la serie 3 (la línea delgada debajo Serie 1) es el resultado esperado. Con k se redujo aún más a 1 (k 0.01), entonces tenemos la serie 4 (la línea de puntos muy por debajo de las otras dos salidas) es la respuesta. todas estas salidas siguen respuestas en tiempo exponencial. Así que, con un poco de retroalimentación que hemos cambiado el filtro no recursivo bastante complejo en un filtro recursivo simple, con la misma respuesta en frecuencia, pero un tiempo de respuesta diferente La forma de onda de salida del filtro IIR continúa para siempre (hasta el infinito) para converger en el establo valor, y es por eso que estos filtros reciben el nombre de respuesta al impulso infinita (IIR) filtros. La cuestión ahora es atar estas respuestas por lo que se relacionan entre sí con el comercio de técnica, el denominador común es períodos (generalmente días), por lo que es necesario relacionar el factor recursiva (k) en un factor Período. Afortunadamente, existe una relación directa dado y es a través de la fórmula de la siguiente manera: Cuando elegimos k 0.09, esta fórmula se convierte en 21.2222 Períodos, y para k 0.05, esta fórmula se convierte en 39,0 puntos y para k 0.01, esta fórmula se convierte en 199,0 períodos. Yendo hacia atrás, que realmente queremos para averiguar el factor k a partir del período y mediante la transposición de la fórmula se convierte en: Así que para 11.0 Períodos entonces k 0,1666666, por 21.0 Períodos entonces k 0.090909 y para k 40.0 Períodos entonces k 0.0487804 Todo esto parece muy simple , pero la relación tiene que estar atado. Haciendo de nuevo referencia a la gráfica, es obvio que el tiempo de respuesta es un decaimiento exponencial. En Física de la tierra, todas las acciones naturales siguen un ritmo exponencial de carga y la decadencia. Ver una cisterna de descarga: todos varoosh al inicio y que termina un goteo (antes de que el tapón de gotas para rellenar el depósito) Cuando se apagan los faros de coche van tenue y oscura de una manera exponencial. Es un fenómeno natural en todas partes Cuando se inicia la lluvia y deja de caer, la densidad de la lluvia en el tiempo es una función exponencial, y sigue las mismas reglas de decrecimiento exponencial vuelta en Electrónica Tierra degradaciones exponenciales son muy comunes y los tiempos de carga y descarga se miden en un enfoque normalizado llamadas constantes de tiempo (t). Una vez vertidos constantes a aproximadamente 37, de dos a aproximadamente 14, tres a aproximadamente 5 cuatro a aproximadamente 1,8 y de cinco a aproximadamente 0.6 - que es básicamente nada Cuando los componentes electrónicos cobran siguen la inversa de la es decir, tasa de descarga: 63, 86, 95 , 98.2, 99.4, etc. referencia de nuevo a la ecuación simple filtro IIR digital donde está respondiendo a una función escalonada de Heaviside, la curva de carga tiene la siguiente ecuación: y (t) x (0). (1-exp - t / T) Donde T constante de tiempo (o período) de valor. La gráfica de esta ecuación se alinea exactamente con el filtro recursivo sencilla descrito anteriormente, por lo que mediante la aplicación de la función Heavisides Paso (haciendo que la variable en el tiempo de entrada de un 1 en vez de un 0) y después la sustitución de los Períodos como el factor tiempo t (39) en el directamente por encima de la ecuación, a continuación, y (39) (1-exp -39 / T) 0,8646647 0,1353352 así exp -39 / T y ln (0,1353352) -2 así exp -2 exp -39 / T de modo -2 -39 / T, y la transposición, T 19,5 Así lo hicieron todos los que las matemáticas de secundaria quiere decir que básicamente significaba que el número especificado de períodos en un filtro recursivo simple es equivalente a dos (2) las constantes de tiempo. En otras palabras, cuando se especifica un (digamos) filtro recursivo de 100 días, en el 100 º día, la salida de la respuesta del filtro (de un escalón de entrada) será igual a la de dos constantes de tiempo (86 del importe máximo). Ahora tenemos las matemáticas para predecir con precisión la salida del filtro de cualquier entrada conocida sin tener que adivinar Gracias, Oliver Heaviside y esos brillantes matemáticos anteriores Ahora podemos utilizar sus matemáticas fundamentales para calcular la respuesta a una rampa, y el error demasiado El gráfico de el lado izquierdo muestra una entrada escalón de 100 unidades que se aplica tanto a un SMA 20. y un filtro EMA20, y las dos salidas se hacen claramente visibles. A partir de la entrada por pasos, los SMA 20. aumenta la producción como una rampa hasta que llegue al valor máximo al igual que un amplificador de velocidad de respuesta limitada El EMA20 se eleva rápidamente luego se cae exponencialmente a converger a asintóticamente estable en la salida. Las dos salidas se cruzan en la marca de 80, y esto una referencia a usarse cuando se compara una miríada de otras respuestas. El gráfico de la derecha muestra una respuesta del filtro IIR a una rampa unitaria (una posición vertical por paso horizontal). Por lo tanto, (Esto podría ser visto como decir 1 centavo por día.) Esta vez k 0.15 por lo que los períodos de 12.33333, y la constante de tiempo (t) es 6.166667 Períodos. La Unidad de rampa es la línea recta con pendiente positiva de puntos fina y bajo esa es la respuesta de salida de línea gruesa a la rampa, que también se quita y se vuelve asintótica paralela a la rampa. La distancia vertical entre estos dos es el error. Así que ahora sabemos que este filtro IIR simple tiene una primera respuesta de orden exponencial, que tiene un error de cero a un valor de entrada estable y un conocido error constante a una entrada rampa. La fórmula para el error es un error R / k 1, donde R es la tasa de pendiente de la entrada. Sustituyendo k 0.15 en esta ecuación da un error infinito de 5,66666 y eso es exactamente lo que muestra la gráfica. Un filtro recursivo (IIR) en la práctica el anterior apartado acaba de describir el funcionamiento interno de las más sencillo filtro recursivo, (filtro IIR), que sólo pasa a ser el funcionamiento idénticas de una media móvil exponencial (EMA) y prácticamente no se cambia nada aparte de algunos nombres Por ejemplo, un EMA de 20 días es realmente un filtro IIR con k 0.095238 y que debe ser ninguna sorpresa. Ahora también sabemos que la constante de tiempo de un filtro de 20 días EMA, por tanto, es de 10 días y que el margen de error es de 9,5 rampa (suponiendo un centavo por día tasa de incremento). El gráfico anterior (Gráfico tomado de MarketTools) muestra la diferencia entre una respuesta SMA 20. (verde) y un EMA20 (azul). A medida que el precio de cierre comienza a efectuar la rampa del EMA pistas inicialmente más cerca y alrededor vacila mientras que la SMA 20. desliza lenta (redondo) y forma una línea prácticamente recta. Esta debería ser una sorpresa, ya que sabemos que el SMA es mucho menos reactivo a los cambios recientes que un EMA. Se puede ver claramente el error que tienen a una rampa de los precios y esto se puede utilizar para una ventaja al hacer el análisis técnico Este gráfico también muestra los promedios móviles de seguimiento de los precios, pero con un desplazamiento precio muy similar (error) causada por el virtualmente tasa constante de cambio en el precio durante un tiempo limitado (en este caso). El problema con los precios es que no hay un sistema de retroalimentación que regula las variaciones de precio y esta información se gestiona humano que funciona de esta manera: Por alguna razón, alguien ve que les gustaría comprar una acción en particular, pero el precio es ligeramente superior al de el precio de comercialización anterior. Cuando compran las acciones del nuevo precio es ahora mayor. Otros ven que el precio ya sea demasiado alto, corregir o siendo barata. Con esto en mente, otros comerciantes utilizan los precios anteriores como referencia y tienden a corregir ese precio de nuevo hacia el precio de referencia que cada uno de ellos tienen. Esto hace que el precio a fluctuar de manera oscilatoria que tiende a estabilizarse con el tiempo. No todo está perdido, ya que es importante que debe entenderse que el Movimiento de tecnología media es un sistema de orden 1 °, por ahora se puede utilizar en el conocimiento de que si los precios son, en general, por debajo de la media móvil, a continuación, los precios son en realidad cayendo con el tiempo, y si los precios están por encima de la media móvil, a continuación, los precios son, en general, el aumento con el tiempo. Por lo tanto tiene mucho sentido para conocer esta regla muy básica, ya que significa que las únicas acciones que participarán en son los que tienen los precios por encima de la línea de media móvil. Pero lo que la constante de tiempo se debe utilizar para la media móvil y por qué Prácticamente no hay paquetes de análisis técnicos vienen en cualquier lugar cerca de esta profundidad, y todos ellos tratan de SMA y EMA con una verdadera falta de entendimiento. El problema es casi explica por sí mismo en el que prácticamente todos los datos se basa EOD y debido a eso, cruzando sobre medias móviles puede resolver la mayoría de las señales de compra-venta En otras palabras, el avance del análisis técnico se detuvo como un autobús golpear un acantilado cuando las medias móviles eran resuelto con los datos de desactivación de artefactos explosivos. Funciona beneficios de las ventas basadas técnicas se pueden realizar de desarrollo a una parada de media móvil Habiendo establecido firmemente el hecho de que un SMA y un EMA son ambos 1 sistemas de orden st, y que ambos minimizar efectivamente el ruido de las variaciones comerciales, en particular los valores cercanos basado en los datos del EOD que no es ninguna sorpresa que estas medias tienen un uso como una compra o no compra indicación de los valores que tengan cualquier tipo de tendencia. Su uso es una sencilla aplicación en la que el error entre el precio efectivo y el promedio móvil cuando es positivo indica que la seguridad debe mantenerse ya la inversa. Este indicador es el más primitivo de todos los indicadores técnicos, y es años luz más allá de utilizar ningún tipo de indicación generada financieramente para mostrar si un precio de seguridad está aumentando o disminuyendo en una tendencia. El indicador realmente brilla cuando la seguridad está en una tendencia, pero cuando el precio vacila o se aplana tiene un problema de indecisión. El siguiente gráfico indica esta situación, y se ejemplifica mediante la inclusión de una función de conmutación para mostrar lo que puede suceder. La función de conmutación se muestra el precio se mueve medios gráficos. En el caso de la izquierda es una EMA12, y como el precio de cierre fluctúa, el interruptor se vuelve muy indecisa cuando el nivel de salida o cambia de dirección tendencia de los precios. Una forma de evitar el problema es usar un promedio móvil más lento como el EMA21 como se muestra en el lado derecho. El número de puntos de indecisión se reducen, lo que significa que el número de negociaciones inútiles se reduciría significativamente, pero la mirada más cercana y considerables carreras lucrativas se pierden debido a la media móvil es demasiado tarde en la conmutación. En el fondo hay un positivo en el que las medias móviles 12 y 21 EOD son más suaves que la estrecha EOD y que en sí mismo puede ser utilizado con ventaja. Dos medias móviles comparando dos medias móviles (que en sí mismos ya se suavizan por sus propios atributos), una indicación limpiador se pueden obtener y se pueden ofrecer algunas ventajas. Los gráficos a continuación muestran algunos ejemplos en la misma seguridad para la comparación directa. El gráfico de la izquierda de arriba tiene la misma función de interruptor basa en dos medias móviles EMA12 y EMA26 y ver que la indecisión es prácticamente nula. Este es un paso positivo, pero una mirada más cercana en el interruptor real sobre los puntos de muestra que es muy conservadora y en muchos casos se pierden ganancias considerables antes de que se tomó la decisión de retirarse. Si no fuera por esto, entonces esto podría ser un indicador de retención / venta ideales puramente basado en los precios de cierre de las figuras desactivación de artefactos explosivos. El gráfico de la derecha arriba (tomado de OmniTrader) muestra una vista de seis meses de una acción y hay dos medias móviles exponenciales (EMA) también en el gráfico. En este caso particular, la media móvil que abraza los precios de las acciones es una EMA8 y el otro que converge lentamente en el precio de la acción es un EMA35. Este es un buen ejemplo como el EMA más rápido tiene el rango de los valores de desactivación de artefactos explosivos de la cotización de las acciones de intersección en varias ocasiones. La EMA lento apenas llega a los rangos de precios desactivación de artefactos explosivos. OmniTrader tiene una característica muy agradable en el que cada indicador de prueba se puede configurar para optimizar el propio auto para cada valor en un historia especificados (por ejemplo, 250 días de negociación). Esto le da a los indicadores de una buena oportunidad para proporcionar una mejor tasa de éxito-de lo que normalmente se obtendría simplemente fijando el indicador de parámetros de sí mismo. En este caso se inició a EMA12 y EMA40 y se establecieron en EMA8 y EMA35 para un resultado óptimo. El problema es el de la incertidumbre ya que ambas medias móviles convergen el uno del otro y no tienen un crossover limpia. Esto no es un problema importante ya que sabemos que tanto SMA y EMA ambos son 1 sistemas de orden st y debido a que asintóticamente convergen en una entrada constante, por lo que si un precio se mantiene constante, entonces las dos medias móviles serán tanto convergen en esa constante valor, pero a un ritmo diferente. El problema real es uno de ruido (en realidad fluctuación de precios sobre un valor constante) y esto puede provocar que el promedio móvil más rápido que Whipsaw sobre el lento (más largo) promedio más estable en movimiento. Hay varias soluciones a este problema, y ​​cada uno tiene sus méritos. Múltiples Medias Móviles Extendiéndose sobre el tema de las medias móviles de uno a dos para muchos es una progresión lógica y el método de promedios móviles múltiples es un concepto bastante simple de visualizar. Daryl Guppy lo ideó y se compone de diez medias móviles en dos grupos que están separados geométricamente. El primer grupo es EMA3 corto plazo, EMA5, EMA7, EMA10 y EMA15, mientras que las medias móviles a largo plazo son EMA30, EMA35, EMA40, EMA50 y EMA60. Para obtener una representación visual de cómo se ve, los dos gráficos siguientes muestran los cuadros generales. En el gráfico de la izquierda más adelante, el término de cinco ya medias móviles sigue en líneas generalmente paralelas como las tendencias de precio de las acciones, los precios a continuación, más pronunciada a continuación, vuelve sobre y las líneas de media móvil se expanden entre sí y luego convergen y luego se expanden a medida que la nueva tendencia conjuntos en el lugar y las medias móviles siguen formando líneas paralelas. Mirando más de cerca en el gráfico de la derecha de la misma población con el conjunto más corta de las medias móviles, se hace evidente que cuando las medias móviles exponenciales convergen o divergen, entonces algo está a punto de suceder La razón de que estos promedios móviles forman líneas efectivamente paralelo, mientras una tendencia en sucediendo es que el error del precio real de media móvil depende del factor de retroalimentación en el EMA. En comparación directa de la media móvil sobre la base de las mismas constantes de tiempo se demuestra a continuación: Estos gráficos muestran el mismo arco iris de las curvas, pero todos con SMA en lugar de EMA. Es a causa de la no lineal con el paso de respuesta de entrada que la EMA tiene que hace que las curvas para converger el uno del otro, donde el conjunto de las curvas de SMA en estos dos gráficos inferiores rebasamiento claramente entre sí. Guppy múltiple Medias Móviles Daryl Guppy desarrolló un arco iris de múltiples medias móviles, llamó a los Medias Móviles Guppy (GMA) que cuando se coloca en un gráfico de precios, convergen ya que la tendencia comienza a tener lugar, y de nuevo convergen a medida que la tendencia ha rechazado, y todo el resto de las veces son divergentes ¿Qué tan fácil es que en función del tráfico EOD, constantes Daryls EMA son, para el corto plazo: 3, 5, 8, 10, 12, 15, y de largo plazo 30, 35, 40, 45, 50 y 60. por las constantes de corto plazo, mi conjetura es que esto se basó en un conjunto simple aritmética de EMA que eran nominalmente 2,4 períodos separados y ajustado al entero más cercano para el período, lo que resulta en: 3 , 5.4, 7.8, 10.2, 12.6 y 15.0 dando 3, 5, 8, 10, 13 y 15, con el 13 hacia atrás a 12. me parece que las constantes a largo plazo se basan en otra progresión aritmética con 55 desaparecidos a cabo probablemente debido a que se pusiera demasiado estrecho allí, y eso me dice que esta secuencia debería haber sido una progresión geométrica en cualquier caso. Con cinco intervalos de entre 30 y 60 el multiplicador es de aproximadamente 1,1487 por lo que la secuencia se convierte en 30.00, 34.46, 39.59, 45.47, 52.23, 60.00 y llevar esto a los enteros más próximos da: 30, 34, 40, 45, 52, 60 y esto Dar un muy parejo conjunto de más largo plazo EMA de una progresión geométrica obtener las constantes a largo plazo. Así que ¿por qué estoy enganchado en progresión geométrica, y por qué enseñan estas cosas en la escuela Bueno esto es así, las relaciones de la vida son en realidad geométricamente relacionados todo es una relación entre otras cosas, incluso las adiciones a las familias son geométricamente no relacionadas aritméticamente relacionados en el escala más grande. Sé que los profesores no me mostró esto cuando en la escuela y tuve algunos profesores fantásticos sangrientas. Con mucho, los mejores maestros fueron los que tenían habilidades industriales y comerciales a través de la experiencia no escolar, y eran la envidia de los que didnt. De todas formas para ver la imagen no hay nada como un ejemplo visual Los dos gráficos anteriores dan ejemplos de las medias móviles Guppy (GMMA), y estas son las medias móviles exponenciales, no medias móviles simples. Interesante, como SMA tienen una respuesta más redondo porque ellos no reaccionar de forma exagerada a los valores más recientes como EMA hacer. Hay dos familias de éstos y el lado de la izquierda muestra el largo plazo banda lejos de los precios y que convergen en los cambios. El lado derecho muestra el corto plazo las medias móviles más estrechamente siguiendo los precios (cerrar). El ir en otra tangente, mediante la creación de una progresión geométrica basada en la raíz 2 de acuerdo con una lente de fotografía, una secuencia típica es de 5, 7, 10, 14, 20, 28, 40, 56, 80, 113, 200, etc. La izquierda una parte se basa en la EMA y la de la derecha se basa en SMA. Debido a que el SMA tiene una respuesta transitoria lineal, la traza general es algo más redondeado que el EMA que tiene una respuesta de decaimiento cónico, por lo tanto, la pulverización de las medias móviles exponenciales en comparación con el número de cruces con los promedios móviles simples. Esta es una herramienta muy popular y arco iris guppys dan un alto impacto visual, y si eso es lo que buscas, entonces éste es No sólo es interesante de ver los diferentes promedios móviles divergen y convergen, pero va un paso más allá de calcular y mostrar que la divergencia y convergencia es el siguiente paso evolutivo lógico. Si bien estos arco iris de medias móviles tienen un impacto visual utilizando datos EOD, cuando se trata de comercio de datos es una historia totalmente diferente, ya que los incrementos son mucho más pequeñas debido a los intervalos de tiempo cortos, y esto da lugar a analizar en realidad la secuencia de cruces , ya que recoge la diferencia entre un comercio y una inversión pero más tarde una alternativa a recurrir a los intercambios de datos (en vivo) es utilizar un filtro mejor - o en cascada (poner uno tras otro) unos primeros filtros de orden en tratar de hacer una mayor la pérdida en la banda de parada con un risetime - más corto y más lineal y en cascada EMA es el siguiente paso de aventura