Come Viene Calcolato Frama

Risposta diretta: cosa significa il calcolo di “Frama”

FRAMA (spesso scritto come “Frama”) sta per FRactal Adaptive Moving Average. Viene calcolato per produrre una media mobile il cui grado di smoothing si adatta a quanto il movimento recente del prezzo appare “complesso” o “tendenziale”. L’adattamento deriva dalla stima di una dimensione frattale ottenuta dagli intervalli di prezzo su diverse finestre temporali, che viene poi convertita in un fattore di smoothing efficace.

Un punto chiave è che il valore di Frama non deriva da una singola formula con un solo parametro. Dipende da:

• le lunghezze di lookback scelte,
• la definizione dei dati di prezzo (ad esempio, intervalli ottenuti da OHLC),
• e la mappatura dalla dimensione frattale al fattore di smoothing.

La meccanica: input e passaggi principali del calcolo

1) Definire i dati e l’“intervallo” utilizzato

La maggior parte delle implementazioni di Frama utilizza l’intervallo di prezzo su una finestra, tipicamente derivato dai valori massimi e minimi. Un concetto standard di intervallo è:

• Intervallo su una finestra: una misura come (massimo più alto − minimo più basso) all’interno di quella finestra.

Se stai verificando un calcolo autonomamente, il primo passo è fissare con precisione la definizione di “intervallo” utilizzata dalla tua fonte, perché modificare questa definizione cambia la serie Frama risultante.

2) Suddividere la finestra principale in sottofinestre

Un tipico design Frama utilizza una lunghezza di finestra principale (chiamiamola N). Per stimare il comportamento frattale, l’algoritmo considera:

• un intervallo sugli ultimi N barre, e
• intervalli su due sottofinestre consecutive di lunghezza N/2 (quando N è pari).

Ciò significa che per una barra al tempo t si calcolano concettualmente:

• Intervallo1: intervallo sulla prima sottofinestra,
• Intervallo2: intervallo sulla seconda sottofinestra,
• IntervalloTotale: intervallo sull’intera finestra.

3) Calcolare una stima della dimensione frattale

La dimensione frattale (nel senso di Frama) viene stimata in base a come IntervalloTotale si confronta con Intervallo1 e Intervallo2. Un approccio comune è convertire il rapporto in un valore dimensionale che aumenta quando il movimento del prezzo appare più irregolare, e diminuisce quando assomiglia a una tendenza regolare.

Poiché esistono diverse versioni in pratica, la verifica richiede di controllare la tua fonte di riferimento per la mappatura esatta dai rapporti di intervallo alla dimensione frattale.

4) Convertire la dimensione frattale in un fattore di smoothing adattivo

Una volta disponibile una stima della dimensione frattale, Frama la trasforma in un fattore di smoothing. L’idea è che:

• quando la complessità stimata suggerisce “più rumore”, lo smoothing diventa più forte (risposta più lenta),
• quando suggerisce “una struttura più tendenziale”, lo smoothing diventa più debole (risposta più rapida).

Ancora una volta, la conversione esatta dipende dall’implementazione. Molte varianti utilizzano parametri come limiti minimi/massimi di smoothing per mantenere il fattore in un intervallo pratico.

5) Applicare un aggiornamento con smoothing esponenziale

Infine, Frama viene aggiornato in modo ricorsivo, simile a una media mobile:

• il nuovo valore di Frama al tempo t è una combinazione del prezzo corrente (o di un proxy scelto, come un prezzo medio) e il valore precedente di Frama,
• dove il peso della combinazione è il fattore di smoothing adattivo calcolato nei passaggi 2–4.

Pertanto, anche quando la matematica della dimensione frattale è corretta, è necessario verificare:

• quale “prezzo corrente” viene utilizzato nell’aggiornamento (chiusura vs. prezzo medio),
• e come viene inizializzato il primo valore di Frama.

Esempio o verifica: come verificare un calcolo Frama senza ipotesi di trading

Poiché la formula esatta può variare tra le fonti, il modo più affidabile per verificare “come viene calcolato” è riprodurlo partendo da ipotesi fisse su un piccolo dataset.

Una procedura di autoverifica

1. Scegli un breve intervallo storico e una definizione fissa di barra (ad esempio, OHLC con massimo/minimo e chiusura).
2. Scegli N e la regola di suddivisione della sottofinestra (ad esempio, N/2 per ciascun lato, richiedendo N pari).
3. Calcola Intervallo1, Intervallo2 e IntervalloTotale utilizzando la stessa definizione di intervallo della tua fonte di riferimento.
4. Applica esattamente la mappatura della dimensione frattale indicata in quella fonte.
5. Calcola il fattore di smoothing adattivo e quindi l’aggiornamento ricorsivo di Frama.
6. Confronta i tuoi valori finali della serie con l’output di riferimento per gli stessi input.

Ipotesi fondamentali da dichiarare esplicitamente

Dichiara le tue ipotesi nelle note:

• se hai usato (massimo più alto − minimo più basso) come intervallo,
• se hai usato il prezzo di chiusura o medio nell’aggiornamento finale,
• come gestisci le prime N barre (nessun output, warm-up o inizializzazione),
• e se usi solo N pari o arrotondamenti per le sottofinestre.

Se modifichi una di queste ipotesi, devi aspettarti che i valori di Frama cambino, anche se mantieni la stessa “idea generale” dell’adattamento frattale.

Limitazioni e modi di errore

1) Le differenze di implementazione sono comuni

“Frama” è un concetto algoritmico, ma diverse piattaforme e articoli possono usare dettagli diversi per:

• la mappatura della dimensione frattale,
• i limiti di smoothing,
• il proxy di prezzo nell’aggiornamento,
• e l’inizializzazione.

Pertanto, non puoi confrontare in sicurezza i valori di Frama tra diversi fornitori a meno che i dettagli del calcolo non corrispondano.

2) Gli input basati sull’intervallo possono essere sensibili al rumore

L’uso degli intervalli massimo/minimo significa che l’indicatore può reagire fortemente agli estremi intrabar. In condizioni irregolari, oscillazioni casuali possono alterare i rapporti di intervallo e quindi il fattore di smoothing adattivo, anche quando la “tendenza” sottostante non è chiara.

3) Le scelte dei parametri possono dominare il comportamento

La lunghezza di lookback e eventuali limiti di smoothing influenzano fortemente la rapidità con cui Frama si adatta. Una finestra breve tende a essere più reattiva ma può essere più instabile. Una finestra più lunga tende a essere più regolare ma può ritardare. Questo è un compromesso matematico e statistico, non una garanzia di correttezza.

4) Gli indicatori ricorsivi dipendono dalle condizioni iniziali

Poiché Frama è tipicamente ricorsivo, le decisioni iniziali di inizializzazione e la gestione del warm-up possono influenzare i valori successivi. Su serie storiche lunghe, l’influenza può diminuire, ma su campioni brevi può essere significativa.

Verifica e prossima domanda da porre

Per spiegare Frama con precisione a qualcun altro, fornisci tre elementi:

1. I dettagli esatti della formula che stai usando, inclusa la definizione di intervallo, dimensione frattale, fattore di smoothing e aggiornamento ricorsivo.
2. Un elenco degli input richiesti (almeno massimo/minimo e un prezzo per il passaggio di aggiornamento) e i parametri necessari (ad esempio, N e eventuali limiti di smoothing).
3. Un’affermazione sui limiti basata sulle scelte di implementazione ipotizzate (ad esempio, sensibilità al rumore di massimo/minimo o dipendenza dall’inizializzazione).

Una domanda utile successiva è: come le impostazioni che scegli modificano l’equilibrio tra reattività e smoothing? Se condividi i nomi specifici dei parametri e le definizioni di prezzo/intervallo della fonte che stai utilizzando, il calcolo di Frama può essere verificato passo dopo passo rispetto al tuo dataset.