Разделы



Модели,   основанные на скользящих средних

Скользящие средние включены в многие программные пакеты по техни­ческому анализу и являются темой множества публикаций. Они настоль­ко популярны, что в 1 9 9 8 г. пять из двенадцати выпусков Technical Analysis of Stocks and Commodities содержали посвященные им статьи. В газетах часто публикуются графики 50-дневных скользящих средних биржевых товаров и 20-дневных скользящих средних цен на фьючерсы.

ЧТО ТАКОЕ СКОЛЬЗЯЩЕЕ СРЕДНЕЕ ?

Чтобы понять идею скользящих средних, для начала необходимо обсудить временные ряды, т.е. последовательности данных, расположенных в хро­нологическом порядке. Например, такими данными являются ежеднев­ные цены закрытия каких-либо акций. Они образуют последовательность точек данных, или баров, следующих друг за другом во времени. Во временном ряду серии выборка из нескольких последовательных точек данных может быть названа временным окном. Если точки данных (на­пример, цены закрытия) в данном временном окне сложить и сумму раз­делить на количество этих точек данных, то получится среднее. Сколь­зящее среднее получается тогда, когда этот процесс повторяется снова и снова при смещении временного окна вперед, точка за точкой по ряду данных. Средние, полученные таким образом, образуют новый времен­ной ряд, новый набор упорядоченных во времени значений. Эта серия называется скользящей средней временного ряда (в данном случае — скользящее среднее цен закрытия). Этот вид скользящих средних извес­тен как простое скользящее среднее, поскольку рассчитывается как про­стое арифметическое среднее точек данных, что присваивает каждой точ­ке один и тот же удельный вес.

ЗАЧЕМ НУЖНЫ СКОЛЬЗЯЩИЕ СРЕДНИЕ

Скользящие средние используются для снижения нежелательного шума во временных рядах, чтобы поведение рынка, лежащее в основе процес­са ценообразования, стало более понятным и заметным. Скользящее среднее обеспечивает сглаживание данных. Как метод сглаживания скользя­щее среднее является примитивным фильтром низких частот, т.е. про­пускает низкочастотную активность, отфильтровывая высокочастотные процессы. На графике высокочастотные процессы выглядят как быстрые вертикальные колебания, т.е. как шум, а низкочастотные — как более плавные тренды или волны. Элерс (Ehlers , 1 9 8 9 ) рассматривал взаимосвязь скользящих средних и фильтров низких частот. Он разработал уравне­ния и, сравнивая различные фильтры со скользящими средними по их по­лезности, пришел к выводу, что скользящие средние могут быть исполь­зованы для фильтрации любых данных, а не только ценовых.

Обучение Forex - это хорошая возможность для вас подготовиться к успешной работе на бирже Forex!

ПРОБЛЕМА     ЗАПАЗДЫВАНИЯ

Помимо способности снижать зашумленность временных рядов скользя­щие средние обладают преимуществами понятности, простоты и много­функциональности. При этом, как и любой мощный метод фильтрации данных или сглаживания в реальном времени, они имеют недостаток — запаздывание. Хотя сглаженные данные чище и, следовательно, более подходят для анализа, возникает запаздывание между данными в исход­ной серии и в сглаженной серии данных. Такое запаздывание может пред­ставлять проблему при необходимости быстрой реакции на события, как это бывает важно для трейдеров.

п»ї

В некоторых случаях запаздывание — не проблема, например, когда скользящее среднее одного временного ряда используется для прогнози­рования другого, т.е. исходный ряд достаточно обгоняет прогнозируе­мый, чтобы компенсировать запаздывание. Такие модели возникают, на­пример, при прогнозировании влияния солнечных процессов и сезонных событий. Кроме того, запаздывание может быть неопасным в моделях, где линия цен пересекает скользящее среднее — фактически цена и долж­на обгонять среднее, чтобы такая система работала. Запаздывание более проблематично в моделях, где для принятия решений используются точ­ки разворота графика скользящего среднего или его наклон. В таких слу­чаях запаздывание означает отсроченный ответ, что, скорее всего, при­ведет к невыгодным сделкам.

Существует огромное разнообразие адаптивных скользящих средних и других сложных методов сглаживания, разработанных в целях мини­мизации запаздывания. Одна из таких методик основывается на стандарт­ных способах предсказания временных серий. По Маллой (Mulloy , 1994) используется линейная рекурсивная схема с множественными скользя­щими средними. Когда уровень движения на рынке достаточен для от­ключения фильтра, запаздывание исчезает; впрочем, фильтры имеют тен­денцию недостаточно сглаживать данные и работают заметно хуже, ког­да рынок отклоняется от настроек этих фильтров. Чанд (Chande , 1992)


применил нелинейный подход и разработал скользящее среднее, которое адаптируется к рынку на основе волатильности. Иногда запаздывание можно уменьшить или устранить путем сочетания нескольких скользя­щих средних, образующих полосовой фильтр. Подобные полосовые фильтры могут иметь практически нулевое запаздывание при сигнале с периодичностью, примерно равной середине полосы пропускания; сгла­женный сигнал может совпадать с исходным зашумленным, если актив­ность процесса циклична и частота (период) этой циклической активнос­ ти близка к максимальной частоте, пропускаемой фильтром.

Читать далее: Виды скользящих средних