Apa itu contoh perhitungan Kama?

Jawaban langsung

“Contoh perhitungan KAMA” berarti Anda mengambil rumus KAMA, memilih angka input tertentu (deret harga, parameter penghalusan, dan nilai awal), lalu menghitung KAMA langkah demi langkah untuk setidaknya satu titik data baru. Poin utamanya adalah Anda harus menyatakan setiap asumsi yang digunakan dalam perhitungan, sehingga orang lain dapat mereproduksi nilai yang sama dari input yang sama.

Mekanisme atau definisi

Kaufman’s Adaptive Moving Average (KAMA) adalah rata-rata bergerak yang bertujuan menyesuaikan kekuatan penghalusannya. Secara sederhana, ia mencoba bergerak lebih cepat ketika aksi harga lebih “efisien” (relatif terarah) dan bergerak lebih lambat ketika aksi harga kurang efisien (lebih banyak noise).

Cara standar untuk mendeskripsikan KAMA menggunakan:

• Deret harga (misalnya, harga penutupan pada setiap langkah waktu).
• Panjang lookback n (seberapa jauh ke belakang Anda mengukur efisiensi).
• Dua konstanta penghalusan akhir (sering dilambangkan SCmax dan SCmin), yang mewakili adaptasi cepat vs. lambat.
• Rasio efisiensi ER, yang membandingkan pergerakan bersih dengan pergerakan total selama lookback.
• Konstanta penghalusan SC yang diturunkan dari ER, yang kemudian memperbarui KAMA.

Satu set rumus umum adalah:

1. Rasio efisiensi selama n langkah:
   • Misalkan perubahan = |Harga[t] − Harga[t−n]|
   • Misalkan volatilitas = Σ_{i=0 hingga n−1} |Harga[t−i] − Harga[t−i−1]|
   • ER = perubahan / volatilitas (definisikan ER = 0 jika volatilitas = 0)
2. Konstanta penghalusan:
   • SC = (ER × (SCmax − SCmin) + SCmin)²
3. Pembaruan KAMA:
   • KAMA[t] = KAMA[t−1] + SC × (Harga[t] − KAMA[t−1])

Bukti atau contoh (terhitung, numerik, dengan asumsi)

Tujuan contoh perhitungan: menghitung KAMA[t] dari urutan hipotetis pendek.

Asumsi (semua dinyatakan):

• Kami menggunakan panjang lookback n = 3.
• Kami menghitung satu pembaruan KAMA pada waktu t = 3 (artinya Harga[0] … Harga[3] diketahui).
• Harga adalah nilai contoh sederhana (bukan data langsung):
  • Harga[0] = 100
  • Harga[1] = 102
  • Harga[2] = 101
  • Harga[3] = 105
• Kami menetapkan nilai KAMA sebelumnya:
  • KAMA[2] = 101,5
• Kami memilih titik akhir adaptasi (ini adalah asumsi pemodelan; konvensi berbeda ada di berbagai implementasi):
  • SCmax = 0,4444
  • SCmin = 0,0640

Langkah A: hitung ER pada t = 3 menggunakan n = 3

• perubahan = |Harga[3] − Harga[0]| = |105 − 100| = 5
• volatilitas = |Harga[1] − Harga[0]| + |Harga[2] − Harga[1]| + |Harga[3] − Harga[2]| = |102 − 100| + |101 − 102| + |105 − 101| = 2 + 1 + 4 = 7
• ER = 5 / 7 ≈ 0,7142857

Langkah B: hitung SC dari ER

• SC = (ER × (SCmax − SCmin) + SCmin)²
• SCmax − SCmin = 0,4444 − 0,0640 = 0,3804
• ER × (SCmax − SCmin) = 0,7142857 × 0,3804 ≈ 0,271714
• Di dalam tanda kurung = 0,271714 + 0,0640 = 0,335714
• SC ≈ (0,335714)² ≈ 0,112712

Langkah C: perbarui KAMA

• Harga[3] − KAMA[2] = 105 − 101,5 = 3,5
• KAMA[3] = 101,5 + SC × 3,5
• KAMA[3] ≈ 101,5 + 0,112712 × 3,5
• KAMA[3] ≈ 101,5 + 0,394492
• KAMA[3] ≈ 101,8945

Apa yang perlu diperhatikan dalam contoh ini:

• ER tinggi karena perubahan bersih (5) besar relatif terhadap jumlah pergerakan absolut (7).
• Ini menaikkan SC dibandingkan dengan SCmin, sehingga KAMA bergerak menuju Harga[3] lebih banyak daripada yang akan terjadi pada interval yang bising/bergejolak.

Keterbatasan dan risiko (mode kegagalan material)

1. Ketergantungan parameter: Hasil numerik bergantung pada n, SCmax, SCmin, dan nilai KAMA awal. Perangkat lunak yang berbeda mungkin menggunakan konvensi parameter yang berbeda, jadi “pengaturan yang sama” harus dikonfirmasi untuk mereproduksi nilai.
2. Noise dan pergeseran rezim: ER dapat turun tajam ketika harga menjadi bergejolak, menyebabkan KAMA menghaluskan lebih banyak. Dalam deret yang sangat bising, perilaku adaptif dapat mengurangi responsivitas ketika Anda mungkin mengharapkan sebaliknya.
3. Lag masih ada: Bahkan dengan adaptasi, KAMA diperbarui dari KAMA sebelumnya dan bereaksi secara bertahap terhadap data baru. Dalam pembalikan cepat atau diskontinuitas, ia bisa tertinggal dari harga.
4. Penanganan pembagian dengan nol: Jika jumlah pergerakan absolut (volatilitas) adalah nol, ER harus didefinisikan oleh implementasi (biasanya diatur ke 0). Penanganan kasus tepi yang berbeda mengubah hasil.
5. Bukan prediksi mandiri: Bahkan nilai KAMA yang dihitung dengan benar tidak menjamin perilaku masa depan tertentu; pola historis tidak menetapkan hasil masa depan.

Verifikasi atau pertanyaan berikutnya

Untuk memverifikasi perhitungan KAMA secara independen, gunakan kembali input dan langkah yang sama:

• Konfirmasikan rumus ER, SC, dan KAMA yang tepat yang digunakan oleh implementasi spesifik.