Moving average pseudo code

Tony Finch em 2009 fornece um método para uma média móvel exponencial e desvio padrão: O acima parece ser baseado em B. P. Welfords algoritmo on-line para o desvio padrão que também calcula a média. O terceiro momento é definido como: O que é tão semelhante ao segundo momento ou variância Então, olhando para Tony Finchs pseudo código, eu iria reunir que m3 seria: No entanto, quando Eu testar isso, a distorção é incorreta. Saída, percebendo que a população sd são os mesmos, mas o skewness está longe disso. Quaisquer sugestões para corrigir o código acima Para o teste, eu deixei o valor alfa ser efetivamente 1 / n para validação de teste. Olhando John Cooks on-line código aqui e convertido em R. Eu não vejo um método prontamente feito para converter para uma inclinação movendo exponencial devido ao 1 / n na final skew função. Finch, Tony. (2009) Cálculo incremental da média ponderada e da variância. Nfs-uxsup. csx. cam. ac. uk/Estou tentando calcular a média móvel de um sinal. O valor do sinal (um duplo) é atualizado em tempos aleatórios. Eu estou procurando uma maneira eficiente de calcular a sua média ponderada de tempo durante uma janela de tempo, em tempo real. Eu poderia fazer isso sozinho, mas é mais desafiador do que eu pensava. A maioria dos recursos que eu encontrei na internet estão calculando a média móvel do sinal periódico, mas as atualizações de minas em tempo aleatório. Alguém sabe bons recursos para o que o truque é o seguinte: Você recebe atualizações em tempos aleatórios através de void update (tempo int, valor float). No entanto, você também precisa acompanhar quando uma atualização cai fora da janela de tempo, então você define um alarme que chamado no tempo N que remove a atualização anterior de ser sempre considerado novamente na computação. Se isso acontecer em tempo real, você pode solicitar que o sistema operacional faça uma chamada para um método void dropoffoldestupdate (int time) para ser chamado no momento N Se esta é uma simulação, você não pode obter ajuda do sistema operacional e você precisa Faça-o manualmente. Em uma simulação você chamaria métodos com o tempo fornecido como um argumento (que não se correlaciona com o tempo real). No entanto, uma suposição razoável é que as chamadas são garantidas de tal forma que os argumentos de tempo estão aumentando. Neste caso, você precisa manter uma lista ordenada de valores de tempo de alarme e, para cada chamada de atualização e leitura, verifique se o argumento de tempo é maior que o cabeçalho da lista de alarmes. Embora seja maior você faz o processamento relacionado com o alarme (deixe cair a atualização mais antiga), remova a cabeça e verifique novamente até que todos os alarmes antes do tempo determinado sejam processados. Em seguida, faça a chamada de atualização. Até agora tenho assumido que é óbvio o que você faria para a computação real, mas vou elaborar apenas no caso. Eu suponho que você tem um método float read (tempo int) que você usa para ler os valores. O objetivo é tornar essa chamada o mais eficiente possível. Portanto, você não calcula a média móvel sempre que o método de leitura é chamado. Em vez disso, você precompute o valor a partir da última atualização ou o último alarme e ajustar esse valor por um par de operações ponto flutuante para conta para a passagem do tempo desde a última atualização. (Isto é, um número constante de operações excepto para talvez processar uma lista de alarmes acumulados). Esperemos que isso seja claro - este deve ser um algoritmo bastante simples e bastante eficiente. Otimização adicional. Um dos problemas restantes é se um grande número de atualizações acontecer dentro da janela de tempo, então há um longo tempo para que não há nem lê nem atualizações e, em seguida, uma leitura ou atualização vem junto. Neste caso, o algoritmo acima será ineficaz na atualização incremental do valor para cada uma das atualizações que está caindo. Isso não é necessário, porque nós só nos preocupamos com a última atualização além da janela de tempo, então se houver uma maneira eficiente de deixar todas as atualizações antigas, isso ajudaria. Para fazer isso, podemos modificar o algoritmo para fazer uma busca binária de atualizações para encontrar a atualização mais recente antes da janela de tempo. Se houver relativamente poucas atualizações que precisam ser descartadas, então um pode atualizar incrementalmente o valor para cada atualização descartada. Mas se houver muitas atualizações que precisam ser descartadas, então um pode recalcular o valor do zero após deixar as atualizações antigas. Apêndice sobre Computação Incremental: Eu deveria esclarecer o que eu quero dizer por computação incremental acima na sentença tweak este valor por um par de operações de ponto flutuante para explicar a passagem do tempo desde a última atualização. Cálculo inicial não incremental: então iterar sobre as atualizações relevantes por ordem crescente de tempo: movimentação (sum lastupdate timesincelastupdate) / windowlength. Agora, se exatamente uma atualização cair da janela, mas nenhuma nova atualização chegar, ajuste a soma como: (note que é priorupdate que tem seu timestamp modificado para iniciar o último início da janela). E se exatamente uma atualização entra na janela, mas nenhuma nova atualização cai, ajuste a soma como: Como deve ser óbvio, este é um esboço grosseiro, mas espero que ele mostra como você pode manter a média tal que é O (1) operações por atualização Sobre uma base amortizada. Mas observe otimização adicional no parágrafo anterior. Observe também as questões de estabilidade mencionadas em uma resposta mais antiga, o que significa que os erros de ponto flutuante podem se acumular em um grande número dessas operações incrementais, de modo que há uma divergência em relação ao resultado da computação completa que é significativa para a aplicação. Se uma aproximação é OK e há um tempo mínimo entre as amostras, você pode tentar super-amostragem. Tenha uma matriz que represente intervalos de tempo uniformemente espaçados que sejam mais curtos que o mínimo, e em cada período de tempo armazene a amostra mais recente que foi recebida. Quanto menor o intervalo, mais próxima será a média do valor real. O período não deve ser maior que a metade do mínimo ou há uma chance de faltar uma amostra. Respondeu Dec 15 11 at 18:12 respondeu Dec 15 11 at 22:38 Obrigado pela resposta. Uma melhoria que seria necessário para realmente quotcachequot o valor da média total para que don39t loop o tempo todo. Além disso, pode ser um ponto menor, mas não seria mais eficiente usar um deque ou uma lista para armazenar o valor, uma vez que assumimos que a atualização virá na ordem correta. A inserção seria mais rápida do que no mapa. Ndash Arthur 16 dez às 8:55 Sim, você poderia armazenar em cache o valor de soma. Subtraia os valores das amostras que você apaga, adicione os valores das amostras inseridas. Além disso, sim, um dequeltpairltSample, Dategtgt pode ser mais eficiente. Eu escolhi o mapa para a legibilidade, ea facilidade de invocar map :: upperbound. Como sempre, escreva o código correto primeiro e, em seguida, perfile e mude as alterações incrementais. Ndash Rob Dec 16 11 at 15:00 Nota: Aparentemente esta não é a maneira de abordar isso. Deixando aqui para referência sobre o que está errado com esta abordagem. Verifique os comentários. UPDATED - com base no comentário Olis. Não tenho certeza sobre a instabilidade que ele está falando embora. Use um mapa ordenado de tempos de chegada contra valores. Na chegada de um valor adicione a hora de chegada ao mapa ordenado junto com seu valor e atualize a média móvel. Aviso este é pseudo-código: Lá. Não totalmente desenvolvido, mas você começa a idéia. Coisas a observar. Como eu disse o acima é pseudo código. Você precisará escolher um mapa apropriado. Não remova os pares à medida que você iterar através como você irá invalidar o iterador e terá que começar novamente. Veja Olis comentário abaixo também. Este trabalho não funciona: ele não leva em conta que proporção do comprimento da janela de cada valor existe para. Além disso, essa abordagem de adição e subtração é apenas estável para tipos inteiros, não para flutuadores. Ndash Oliver Charlesworth Dec 15 11 em 12:29 OliCharlesworth - desculpe eu perdi alguns pontos-chave na descrição (duplo e ponderada em tempo). Eu vou atualizar. Obrigado. Ndash Dennis Dec 15 11 at 12:33 A ponderação de tempo é ainda outro problema. Mas isso não é o que eu estou falando. Eu estava me referindo ao fato de que quando um novo valor entra pela primeira vez na janela de tempo, sua contribuição para a média é mínima. Sua contribuição continua a aumentar até que um novo valor entre. Ndash Oliver Charlesworth 15 de dezembro às 12: 35Eu estou tentando calcular a média móvel de um sinal. O valor do sinal (um duplo) é atualizado em tempos aleatórios. Eu estou procurando uma maneira eficiente de calcular a sua média ponderada de tempo durante uma janela de tempo, em tempo real. Eu poderia fazer isso sozinho, mas é mais desafiador do que eu pensava. A maioria dos recursos que eu encontrei na internet estão calculando a média móvel do sinal periódico, mas as atualizações de minas em tempo aleatório. Alguém sabe bons recursos para o que o truque é o seguinte: Você recebe atualizações em tempos aleatórios através de void update (tempo int, valor float). No entanto, você também precisa acompanhar quando uma atualização cai fora da janela de tempo, então você define um alarme que chamado no tempo N que remove a atualização anterior de ser sempre considerado novamente na computação. Se isso acontecer em tempo real, você pode solicitar que o sistema operacional faça uma chamada para um método void dropoffoldestupdate (int time) para ser chamado no momento N Se esta é uma simulação, você não pode obter ajuda do sistema operacional e você precisa Faça-o manualmente. Em uma simulação você chamaria métodos com o tempo fornecido como um argumento (que não se correlaciona com o tempo real). No entanto, uma suposição razoável é que as chamadas são garantidas de tal forma que os argumentos de tempo estão aumentando. Neste caso, você precisa manter uma lista ordenada de valores de tempo de alarme e, para cada chamada de atualização e leitura, verifique se o argumento de tempo é maior que o cabeçalho da lista de alarmes. Embora seja maior você faz o processamento relacionado com o alarme (deixe cair a atualização mais antiga), remova a cabeça e verifique novamente até que todos os alarmes antes do tempo determinado sejam processados. Em seguida, faça a chamada de atualização. Até agora tenho assumido que é óbvio o que você faria para a computação real, mas vou elaborar apenas no caso. Eu suponho que você tem um método float read (tempo int) que você usa para ler os valores. O objetivo é tornar essa chamada o mais eficiente possível. Portanto, você não calcula a média móvel sempre que o método de leitura é chamado. Em vez disso, você precompute o valor a partir da última atualização ou o último alarme e ajustar esse valor por um par de operações ponto flutuante para conta para a passagem do tempo desde a última atualização. (Isto é, um número constante de operações excepto para talvez processar uma lista de alarmes acumulados). Esperemos que isso seja claro - este deve ser um algoritmo bastante simples e bastante eficiente. Otimização adicional. Um dos problemas restantes é se um grande número de atualizações acontecer dentro da janela de tempo, então há um longo tempo para que não há nem lê nem atualizações e, em seguida, uma leitura ou atualização vem junto. Neste caso, o algoritmo acima será ineficaz na atualização incremental do valor para cada uma das atualizações que está caindo. Isso não é necessário, porque nós só nos preocupamos com a última atualização além da janela de tempo, então se houver uma maneira eficiente de deixar todas as atualizações antigas, isso ajudaria. Para fazer isso, podemos modificar o algoritmo para fazer uma busca binária de atualizações para encontrar a atualização mais recente antes da janela de tempo. Se houver relativamente poucas atualizações que precisam ser descartadas, então um pode atualizar incrementalmente o valor para cada atualização descartada. Mas se houver muitas atualizações que precisam ser descartadas, então um pode recalcular o valor do zero após deixar as atualizações antigas. Apêndice sobre Computação Incremental: Eu deveria esclarecer o que eu quero dizer por computação incremental acima na sentença tweak este valor por um par de operações de ponto flutuante para explicar a passagem do tempo desde a última atualização. Cálculo inicial não incremental: então iterar sobre as atualizações relevantes por ordem crescente de tempo: movimentação (sum lastupdate timesincelastupdate) / windowlength. Agora, se exatamente uma atualização cair da janela, mas nenhuma nova atualização chegar, ajuste a soma como: (note que é priorupdate que tem seu timestamp modificado para iniciar o último início da janela). E se exatamente uma atualização entra na janela, mas nenhuma nova atualização cai, ajuste a soma como: Como deve ser óbvio, este é um esboço grosseiro, mas espero que ele mostra como você pode manter a média tal que é O (1) operações por atualização Sobre uma base amortizada. Mas observe otimização adicional no parágrafo anterior. Observe também as questões de estabilidade mencionadas em uma resposta mais antiga, o que significa que os erros de ponto flutuante podem se acumular em um grande número dessas operações incrementais, de modo que há uma divergência em relação ao resultado da computação completa que é significativa para a aplicação. Se uma aproximação é OK e há um tempo mínimo entre as amostras, você pode tentar super-amostragem. Tenha uma matriz que represente intervalos de tempo uniformemente espaçados que sejam mais curtos que o mínimo, e em cada período de tempo armazene a amostra mais recente que foi recebida. Quanto menor o intervalo, mais próxima será a média do valor real. O período não deve ser maior que a metade do mínimo ou há uma chance de faltar uma amostra. Respondeu Dec 15 11 at 18:12 respondeu Dec 15 11 at 22:38 Obrigado pela resposta. Uma melhoria que seria necessário para realmente quotcachequot o valor da média total para que don39t loop o tempo todo. Além disso, pode ser um ponto menor, mas não seria mais eficiente usar um deque ou uma lista para armazenar o valor, uma vez que assumimos que a atualização virá na ordem correta. A inserção seria mais rápida do que no mapa. Ndash Arthur 16 dez às 8:55 Sim, você poderia armazenar em cache o valor de soma. Subtraia os valores das amostras que você apaga, adicione os valores das amostras inseridas. Além disso, sim, um dequeltpairltSample, Dategtgt pode ser mais eficiente. Eu escolhi o mapa para a legibilidade, ea facilidade de invocar map :: upperbound. Como sempre, escreva o código correto primeiro e, em seguida, perfile e mude as alterações incrementais. Ndash Rob Dec 16 11 at 15:00 Nota: Aparentemente esta não é a maneira de abordar isso. Deixando aqui para referência sobre o que está errado com esta abordagem. Verifique os comentários. UPDATED - com base no comentário Olis. Não tenho certeza sobre a instabilidade que ele está falando embora. Use um mapa ordenado de tempos de chegada contra valores. Na chegada de um valor adicione a hora de chegada ao mapa ordenado junto com seu valor e atualize a média móvel. Aviso este é pseudo-código: Lá. Não totalmente desenvolvido, mas você começa a idéia. Coisas a observar. Como eu disse o acima é pseudo código. Você precisará escolher um mapa apropriado. Não remova os pares à medida que você iterar através como você irá invalidar o iterador e terá que começar novamente. Veja Olis comentário abaixo também. Este trabalho não funciona: ele não leva em conta que proporção do comprimento da janela de cada valor existe para. Além disso, essa abordagem de adição e subtração é apenas estável para tipos inteiros, não para flutuadores. Ndash Oliver Charlesworth Dec 15 11 em 12:29 OliCharlesworth - desculpe eu perdi alguns pontos-chave na descrição (duplo e ponderada em tempo). Eu vou atualizar. Obrigado. Ndash Dennis Dec 15 11 at 12:33 A ponderação de tempo é ainda outro problema. Mas isso não é o que eu estou falando. Eu estava me referindo ao fato de que quando um novo valor entra pela primeira vez na janela de tempo, sua contribuição para a média é mínima. Sua contribuição continua a aumentar até que um novo valor entre. Ndash Oliver Charlesworth Dez 15 11 at 12: 35Não estou certo da solução correta, embora uma vez que a soma da média de cada amostra iria introduzir uma quantidade razoável de erro de arredondamento. Hmm. Gostaria de saber se seperating a parte fracionária de toda a parte iria ajudar. Divida a parte inteira de cada número pela contagem. Manter três somas correntes: 1) A média das partes inteiras, 2) O restante de cada divisão, e 3) A parte fracionária de cada número. Cada vez que a parte inteira de um número é dividida, o resultado da parte inteira é adicionado à soma corrente média e o restante é adicionado à soma corrente restante. Quando a soma corrente restante obtém um valor maior ou igual à contagem, a sua divisão pela contagem com o resultado da parte inteira adicionada à soma média corrente e o restante adicionado à soma restante em curso. Também, em cada cálculo, a parte fracionária é adicionada à soma de corrida fracionária. Quando a média é terminada, a soma corrente restante é dividida pela contagem e o resultado é adicionado à soma média corrente como um número flutuante. Por exemplo: Agora o que fazer com a soma de execução fracionada. O perigo de estouro é muito menos provável aqui, embora ainda possível, então uma maneira de lidar com isso seria dividir a soma de execução fracionária pela contagem no final e adicioná-lo ao nosso resultado: Uma alternativa seria verificar a execução fracionária Soma em cada cálculo para ver se ele é maior ou igual a contar. Quando isso acontece, basta fazer a mesma coisa que fazemos com o restante executando soma. Excelente Jomit Vaghela 6-Mar-07 20:00 Eu gostei do que você disse pequenos trabalhos rapidamente se transformar em grandes empregos. Pensar em otimização durante a codificação é uma boa prática. Grande esforço e explicação, negociação automatizada Renko com média móvel na tabela de castiçais Esta estratégia de negociação automatizada é construída sobre pseudo renko gráfico em castiçais comuns um. Originalmente codificado por solicitação em fóruns franceses, esta estratégia usa uma combinação do renko no gráfico indicador disponível aqui. prorealcode / prorealtime-indicators / renko-boxes-on-price-chart / e uma média móvel construída dentro do fim de cada tijolo renko. A estratégia consiste em uma cruz simples do fim do renko e da média móvel. Este código parece funcionar bem no DAX em um período de 15 minutos. Eu sei renko não lidar com o tempo, mas meu teste simples mostra que as condições que são testadas apenas uma vez por bar estão dando bons resultados neste prazo. Eu não tenho teste muito em qualquer outro instrumento ou outro prazo embora. Mas certamente seria rentável com quaisquer outros como há apenas 2 parâmetros para definir. O tamanho do tijolo (20 pontos de tamanho padrão) eo período de média móvel (20 períodos por padrão), que são tranquilos comuns e não podem ser assim curva ajustada .. Testes foram feitos com spread de 1 ponto. Nenhuma informação neste site é conselho de investimento ou uma solicitação para comprar ou vender qualquer instrumento financeiro. O desempenho passado não é indicativo de resultados futuros. A negociação pode expô-lo ao risco de perda maior do que seus depósitos e só é adequado para investidores experientes que têm meios financeiros suficientes para suportar tal risco. Arquivos ITF ProRealTime e outros anexos: Nova PRC também está agora no YouTube, inscreva-se em nosso canal para conteúdo exclusivo e tutoriais Código Nice. Eu só estava olhando para fazer o meu próprio sistema Renko, porque eu acho que Renko é realmente rentável no longo prazo. Meus backtests manuais em Renko mostram testes muito rentáveis ​​com drawdown aceitável, mas eu haven8217t testar dados suficientes. Eu tenho minhas próprias regras de negociação para Renko, talvez eu postar meu próprio código quando eu criá-lo. Atenciosamente, Obrigado. As representações gráficas que dependem apenas do preço e não do tempo são sempre mais precisas (renko, range, tick bars). Encorajo a sua investigação desta forma Este sistema é apenas um preço simples sobre a média móvel. A forma como eu mudei o cálculo da média móvel para não levar tempo em consideração seria adaptado a quaisquer outros indicadores, como Supertrend, RSI e assim por diante .. melhor curva de equidade no site. E com spread incluído 8230 .. nicolas. Sim, eu acho que seria o mesmo que na negociação em tempo real, não usar qualquer tipo de takeprofit, stoploss ou trailing stop, apenas parar e inverter as ordens e comércio Aberto e fechado não pode estar na mesma vela. A pior coisa nesta estratégia é que você está sempre no mercado e você tem que lidar com taxas overnight que não estão incluídos. Spread também são maiores na noite em DAX. Mas essa estratégia foi feita por solicitação no fórum, eu vi que poderia deu bons resultados, por isso aqui está. DAX foi o gráfico aberto quando eu codifiquei essa estratégia, qualquer um pode testá-lo com qualquer outro instrumento com tamanhos de tijolos diferentes e período de média móvel, ele certamente pode dar uma vantagem sobre a equidade fina em outro lugar ou fazer parte de um portfólio de estratégias de negociação automatizado.