Come funziona Frama nel forex

Risposta diretta

Frama nel forex si riferisce alla Fractal Adaptive Moving Average, un indicatore di tipo media mobile che modifica la rapidità con cui segue il prezzo. Invece di utilizzare un fattore di smoothing fisso, Frama stima se l’andamento recente del prezzo assomiglia di più a un trend regolare o a un andamento irregolare e frattale, quindi usa tale stima per adattare lo smoothing.

Questo significa che il meccanismo di Frama è: misurare l’«efficienza frattale» del prezzo su più finestre temporali, convertire tale efficienza in una costante di smoothing dinamica e applicarla per aggiornare progressivamente il valore della media mobile.

Meccanismo o definizione

Una media mobile è un modo per riassumere il prezzo filtrando il rumore. In una media mobile tipica con parametri fissi, la forza di smoothing rimane costante. L’idea centrale di Frama è che la forza di filtraggio dovrebbe variare.

1) Scegliere gli input (finestre di riferimento e serie dei prezzi)

Frama richiede almeno una lunghezza primaria di riferimento (spesso chiamata N), e utilizza intervalli derivati da N (comunemente N/2 e N/4 nelle descrizioni didattiche). L’input della serie dei prezzi si basa tipicamente su massimi e minimi in ogni finestra (molte implementazioni usano l’intervallo tra massimo e minimo piuttosto che solo i prezzi di chiusura).

Poiché diversi strumenti grafici possono implementare i dettagli in modo diverso, l’assunzione più importante da verificare quando si riproducono i risultati è: quali valori di prezzo e quali definizioni di intervallo utilizza il calcolo (ad esempio, l’intervallo massimo-minimo in ogni segmento, e se includere o meno i prezzi finali).

2) Calcolare le misure di intervallo su tre scale

Frama stima il comportamento del prezzo su diverse scale confrontando:

• l’intervallo «completo» su N
• la somma degli intervalli delle due metà su N/2
• la somma degli intervalli dei quattro quarti su N/4

Un approccio comune è definire un intervallo come la differenza tra il valore più alto e quello più basso nella finestra scelta. Quindi si calcolano totali di intervallo separati per ogni scala.

3) Convertire gli intervalli multi-scala in un’«efficienza frattale»

Utilizzando queste misure di intervallo, Frama calcola una quantità spesso descritta come efficienza o proxy della dimensione frattale. Intuitivamente:

• se il movimento del prezzo è relativamente ordinato su diverse scale, l’efficienza indica una struttura più «simile a un trend»
• se il movimento è irregolare e simile su diverse scale, l’efficienza indica una struttura più «frattale»

Diverse implementazioni possono esprimere questo passaggio con logaritmi e rapporti; tuttavia, lo scopo concettuale rimane lo stesso: ottenere un valore che aumenta quando la serie sembra più efficiente (trend) e diminuisce quando sembra più frattale.

4) Trasformare l’efficienza in una costante di smoothing adattiva

Frama mappa quindi la stima dell’efficienza in una costante di smoothing, tipicamente limitata tra un minimo e un massimo, in modo che l’indicatore non diventi arbitrariamente lento o veloce. Questi limiti dipendono dalle scelte dei parametri (ad esempio, un’estremità veloce e una lenta).

Questo passaggio produce un fattore di smoothing che cambia ad ogni periodo, poiché l’efficienza cambia con il comportamento recente del prezzo negli ultimi N periodi.

5) Aggiornare ricorsivamente la media mobile Frama

Infine, Frama aggiorna il suo output usando una ricorsione della forma:

• prendere il valore precedente di Frama
• spostarlo verso un riferimento di prezzo corrente in una misura proporzionale alla costante di smoothing adattiva

L’output è quindi una media mobile variabile nel tempo: può muoversi più velocemente quando l’efficienza calcolata suggerisce un comportamento di trend, e più lentamente quando suggerisce irregolarità.

Esempio o evidenza

Di seguito è riportato un esempio semplificato, basato su assunzioni, che mostra la sequenza senza utilizzare dati di mercato in tempo reale.

Configurazione dell’esempio (assunzioni)

Si supponga:

• di calcolare gli intervalli usando massimo meno minimo all’interno di ogni finestra.
• di utilizzare una lunghezza di riferimento N.
• di avere, a ogni tempo t, una finestra di massimi/minimi per calcolare gli intervalli completo, a metà e a un quarto.
• di calcolare un valore simile all’efficienza da questi intervalli, quindi di mapparlo in una costante di smoothing compresa tra limiti scelti.

Sequenza passo dopo passo

1. Al tempo t, calcolare l’intervallo della finestra completa su N periodi.
2. Calcolare gli intervalli a metà finestra dividendo la stessa finestra N in due parti e sommando i loro intervalli massimo-minimo.
3. Calcolare gli intervalli a un quarto di finestra dividendo in quattro parti e sommando i loro intervalli.
4. Usare queste misure di intervallo per calcolare la stima di efficienza/frattalità.
5. Convertire tale stima in una costante di smoothing adattiva (limitata).
6. Aggiornare Frama ricorsivamente:
   • partire dal valore di Frama del giorno precedente
   • aggiungere un aggiustamento verso un riferimento di prezzo corrente (spesso un punto medio o la chiusura, a seconda dell’implementazione) scalato dalla costante di smoothing adattiva.

Cosa si dovrebbe essere in grado di verificare

Se si riproducono gli stessi input e le stesse definizioni di parametro, la costante di smoothing adattiva dovrebbe cambiare da barra a barra. Quando il movimento recente del prezzo produce relazioni di intervallo che indicano un’«efficienza» più alta, la costante di smoothing tende ad essere più grande (Frama reagisce di più). Quando le relazioni di intervallo indicano un’efficienza più bassa, la costante di smoothing tende ad essere più piccola (Frama reagisce meno).

Poiché questo indicatore è ricorsivo e utilizza più scale di riferimento, piccole differenze nei dettagli di implementazione (calcolo dell’intervallo, mappatura dei parametri, arrotondamenti) possono produrre linee di output diverse anche utilizzando lo stesso grafico di mercato.

Limitazioni e rischi

1) Il comportamento del modello dipende dalle scelte di parametri e implementazione

Frama è sensibile a come si definiscono:

• gli input di prezzo (intervallo massimo-minimo rispetto ad altre scelte)
• le divisioni esatte delle finestre (ad esempio, come vengono gestite le divisioni non intere)
• la mappatura da efficienza a smoothing (inclusi i limiti)

Se due piattaforme usano formule diverse o parametri predefiniti diversi, i valori di Frama visualizzati potrebbero non corrispondere.

2) La logica «frattale» può comunque classificare male i regimi

L’idea di efficienza frattale è una classificazione della struttura recente, non una misurazione diretta della direzione futura. In periodi di elevata volatilità o guidati da notizie, il prezzo può essere rumoroso in modo tale da indurre l’indicatore a rallentare quando ci si aspetterebbe una risposta.

Viceversa, in movimenti bruschi ma irregolari, la struttura calcolata può talvolta sembrare «efficiente» anche se la direzione cambia successivamente.

3) Rischio di falsa certezza: non è un segnale di trading autonomo

L’output di Frama è meglio interpretato come una rappresentazione filtrata del comportamento del prezzo, non come una previsione garantita. Utilizzarlo come segnale autonomo può portare a eccessiva sicurezza, poiché l’adattamento dell’indicatore è guidato solo dalle relazioni recenti degli intervalli.

4) Condizioni limite e periodi di avvio

Nei primi bar, potrebbe non esserci abbastanza storia per calcolare in modo coerente l’intero insieme di intervalli. Questo può creare artefatti o discontinuità durante il periodo di avvio, finché le finestre di riferimento non sono completamente popolate.

Verifica o prossima domanda

Per verificare autonomamente come funziona Frama sui tuoi dati:

1. Scegli una piattaforma o un’implementazione di codice e registra le sue esatte definizioni di parametro (lunghezza di riferimento e eventuali limiti).