اعتبارات متقدمة حول WMA (المتوسط المتحرك المرجّح)

الإجابة المباشرة

WMA (المتوسط المتحرك المرجّح) هو أسلوب للمتوسطات المتحركة يقوم بتنعيم سلسلة زمنية عبر دمج الملاحظات الأحدث باستخدام مجموعة محددة مسبقًا من الأوزان. تأتي “الاعتبارات المتقدمة” بشكل أساسي من اختيار تلك الأوزان والتحقق منها، وفهم كيف يغيّر طول نافذة المراجعة الاستجابة، والتعرّف على أنماط الفشل (على سبيل المثال، الحساسية للمدخلات المليئة بالضوضاء أو التشوهات الناتجة عن الفجوات وعدم تطابق البيانات). وبما أن WMA حساب حتمي (deterministic)، يمكنك التحقق منه بشكل مستقل عبر إعادة إنتاج الصيغة خطوة بخطوة على نفس سلسلة المدخلات.

الآلية والتعريف

يُعرَّف WMA بمجرد تحديد:

• طول فترة المراجعة (N): كم عدد الملاحظات السابقة التي يتم تضمينها في كل خطوة زمنية.
• قاعدة الأوزان: كيف تُوزَّع الأوزان عبر تلك الـ N ملاحظات.
• سلسلة البيانات: ما “السعر” أو “القيمة” التي تُدخلها في المتوسط (على سبيل المثال، الإغلاقات)، وبأي وتيرة أخذ عينات.

غالبًا ما يخصص نظام أوزان شائع وزنًا أكبر للملاحظات الأحدث. إذا رمزنا للملاحظة الأحدث (عند الزمن t) على أنها x_t، وللملاحظات الأقدم على أنها x_{t-1} وx_{t-2} و… وx_{t-(N-1)}، فيمكن كتابة WMA نموذجية على النحو التالي:

WMA_t = (\sum_{i=0}^{N-1} w_i · x_{t-i}) / (\sum_{i=0}^{N-1} w_i)

حيث إن w_0 هو وزن القيمة الأحدث x_t، وw_{N-1} هو وزن القيمة الأقدم x_{t-(N-1)}. تستخدم العديد من التطبيقات أوزانًا متزايدة باتجاه الحاضر (على سبيل المثال، أوزان خطية). قد تستخدم بعض المنصات اصطلاحات مختلفة (على سبيل المثال، ما إذا كانت الأوزان خطية بشكل صارم أو ما إذا كانت تُبرز مواقع مختلفة). وهذا يعني أن تطبيقين لـ “WMA(10)” قد يختلفان إذا اختلفت قواعد الأوزان.

دليل أو مثال يمكنك التحقق منه

نظرًا لعدم وجود حقائق مطلوبة خاصة بالسوق هنا، فإن أقوى “دليل” هو قابلية إعادة إنتاج الرياضيات.

مثال عملي مع افتراضات مُصرّح بها

افترض:

• طول فترة المراجعة N = 4
• أوزان خطية متزايدة باتجاه الحاضر: الأوزان لـ x_t وx_{t-1} وx_{t-2} وx_{t-3} هي 4 و3 و2 و1
• لا توجد قيم مفقودة في سلسلة الإدخال

لتكن آخر أربع ملاحظات:

• x_t = 100
• x_{t-1} = 98
• x_{t-2} = 101
• x_{t-3} = 97

احسب مجموع الأوزان الموزونة:

• 4·100 + 3·98 + 2·101 + 1·97 = 400 + 294 + 202 + 97 = 993

احسب مجموع الأوزان:

• 4 + 3 + 2 + 1 = 10

ثم:

• WMA_t = 993 / 10 = 99.3

هذا حتمي بالكامل وفقًا للفرضيات. إذا أعدت إنتاج الحساب نفسه ووجدت أن نتيجتك تختلف، فغالبًا تكون الأسباب أحد الأمور التالية:

• وجود اصطلاح مختلف لترتيب الأوزان (على سبيل المثال، عكس ترتيب الأوزان)
• تعريف مختلف لـ N (كم نقطة يتم تضمينها)
• معالجة مختلفة للطوابع الزمنية أو وتيرة أخذ العينات

قيود التنفيذ التي يجب مراعاتها

عمليًا، تظهر مشكلات “متقدمة” غالبًا حول المدخلات أكثر من ظهورها في الصيغة نفسها:

• محاذاة أخذ العينات: إذا كانت بياناتك غير منتظمة أو قمت بتجميعها إلى وتيرة مختلفة، تتغير قيم x_t، وبالتالي يتغير WMA.
• التطبيع (Normalization): يجب أن يتطابق المقام (مجموع الأوزان) مع تعريفك للأوزان. قد يقوم بعض الكود بالتطبيع ضمنيًا.
• فترة الإحماء (Warm-up period): بالنسبة لأول N−1 نقاط، لا يمكن حساب WMA دون توفر تاريخ كافٍ. قد تُخرج المنصات فراغات، أو حسابات جزئية، أو قيمًا مزاحة.
• معالجة ما قبل البيانات: الانقسامات أو توزيعات الأرباح أو إجراءات الشركات الأخرى أقل صلة بالـ FX مقارنةً بالأسهم، لكن تعديلات أخرى (مثل تنظيف القيم الشاذة) قد تغيّر السلسلة التي تُغذّى إلى WMA.

القيود والمخاطر (أنماط فشل جوهرية)

لا يقوم WMA بـ “التنبؤ” بالقيم المستقبلية؛ بل هو آلية للتنعيم والترجيح. تتمثل القيود الرئيسية في الجوانب التشغيلية والإحصائية.

1. الحساسية للضوضاء والحركات قصيرة الأمد نظرًا لأن WMA يعطي وزنًا أكبر للملاحظات الأحدث، فقد يستجيب بسرعة أكبر من المتوسط المتحرك البسيط، لكن هذا يعني أيضًا أنه قد يضخم تأثير القمم القصيرة أو ضوضاء القياس.

2. اعتماد المعاملات (N والأوزان) إن تغيير N أو قاعدة الأوزان يغيّر “ذاكرة” المتوسط الفعّالة. قد تنتج اختيارات مختلفة مخرجات تبدو متشابهة لفترة، ثم تتباعد أثناء تغيّرات النظام. وهذا متوقع؛ فالتشابه التاريخي لا يضمن التشابه في المستقبل.

3. حالات طرفية بسبب فجوات البيانات أو سلاسل غير متسقة إذا كانت سلسلة الإدخال تحتوي على نقاط مفقودة وقام تطبيقك بملئها (على سبيل المثال، بالاستيفاء أو الإكمال للأمام forward-fill)، فقد يكون ناتج WMA منحازًا لأن التسلسل “الحقيقي” قد تم تعديله. حتى الاختلافات الصغيرة في كيفية التعامل مع البيانات المفقودة يمكن أن تنتج متوسطات مختلفة.

4. مقارنات مضللة عبر الأطر الزمنية لا يمكن تفسير WMA المحسوب على إطار زمني محدد لأخذ العينات على أنه “المؤشر نفسه” بشكل مباشر على إطار آخر. إذا استخدمت سلسلة ما شموع دقيقة واحدة بينما استخدمت أخرى شموع خمس دقائق، فإن ملاحظات x_t الأساسية تمثل تجميعات زمنية مختلفة.

5. تغيّر النظام وعدم الثبات (non-stationarity) غالبًا ما تتغير سلوكيات السلاسل الزمنية مع مرور الوقت (على سبيل المثال، أنظمة التقلب). وبما أن WMA يستخدم أوزانًا ثابتة، فقد يتأخر أو يبالغ في الاستجابة عندما يتغير البنية الإحصائية للسلسلة.

تعني هذه القيود أن WMA ينبغي التعامل معه كتحويل وصفي للبيانات الماضية التي تختارها، وليس كيقين قائم بذاته بشأن اتجاه المستقبل.

التحقق والسؤال التالي

للتحقق بشكل مستقل من حقائق WMA لحالة استخدامك:

• أعد حساب WMA من قيم x_t الخام باستخدام N نفسه تمامًا، وقاعدة الأوزان نفسها، والتطبيع نفسه.
• تأكد من كيفية تعامل الأداة التي اخترتها مع فترة الإحماء وأي بيانات مفقودة.
• وثّق مصدر البيانات ووتيرة أخذ العينات بحيث تتطابق عملية التحقق مع المدخلات.

سؤال مفيد تالٍ للاستكشاف (دون افتراض إشارة) هو: كيف يغيّر اختيار الإطار الزمني ونظام الأوزان استجابة WMA مقارنةً بالمتوسطات المتحركة البديلة على السلسلة نفسها؟ إذا قارنت النتائج، فتأكد من الحفاظ على N ومحاذاة أخذ العينات ثابتة من أجل تحقق عادل.

إذا رغبت، شاركني الصيغة الدقيقة لـ WMA أو قاعدة الأوزان التي تستخدمها منصتك (على سبيل المثال، ما إذا كانت تستخدم أوزانًا خطية أو نظامًا آخر)، وسأساعدك في تحويلها إلى حساب قابل للتحقق وبأسلوب مبسط.