Cos’è un esempio pratico di Kama?

Risposta diretta

Un “esempio pratico di KAMA” significa applicare le formule di KAMA, scegliere numeri specifici (serie di prezzi, parametri di smoothing e un valore iniziale), quindi calcolare KAMA passo dopo passo per almeno un nuovo dato. Il punto chiave è dichiarare ogni ipotesi utilizzata nel calcolo, in modo che qualcun altro possa riprodurre gli stessi valori dagli stessi input.

Meccanismo o definizione

La Media Mobile Adattiva di Kaufman (KAMA) è una media mobile che regola la propria intensità di smoothing. In termini semplici, cerca di muoversi più velocemente quando l’andamento del prezzo è più “efficiente” (relativamente direzionale) e più lentamente quando è meno efficiente (più rumoroso).

Un modo standard per descrivere KAMA prevede:

• Una serie di prezzi (ad esempio, il prezzo di chiusura a ogni intervallo temporale).
• Una lunghezza di lookback n (quanto indietro si misura l’efficienza).
• Due costanti di smoothing finale (spesso indicate come SCmax e SCmin), che rappresentano adattamento rapido e lento.
• Il rapporto di efficienza ER, che confronta il movimento netto con il movimento totale nel lookback.
• Una costante di smoothing SC derivata da ER, che aggiorna KAMA.

Un insieme comune di formule è:

1. Rapporto di efficienza su n passi:
   • Sia change = |Price[t] − Price[t−n]|
   • Sia volatility = Σ_{i=0 to n−1} |Price[t−i] − Price[t−i−1]|
   • ER = change / volatility (definire ER = 0 se volatility = 0)
2. Costante di smoothing:
   • SC = (ER × (SCmax − SCmin) + SCmin)²
3. Aggiornamento di KAMA:
   • KAMA[t] = KAMA[t−1] + SC × (Price[t] − KAMA[t−1])

Evidenza o esempio (pratico, numerico, con ipotesi)

Obiettivo dell’esempio pratico: calcolare KAMA[t] da una breve sequenza ipotetica.

Ipotesi (tutte dichiarate):

• Utilizziamo una lunghezza di lookback n = 3.
• Calcoliamo un aggiornamento di KAMA al tempo t = 3 (quindi Price[0] … Price[3] sono noti).
• I prezzi sono valori di esempio semplici (non dati reali):
  • Price[0] = 100
  • Price[1] = 102
  • Price[2] = 101
  • Price[3] = 105
• Fissiamo il valore precedente di KAMA:
  • KAMA[2] = 101.5
• Scegliamo i punti estremi di adattamento (questa è un’ipotesi modellistica; esistono convenzioni diverse tra le implementazioni):
  • SCmax = 0.4444
  • SCmin = 0.0640

Passo A: calcolo di ER al tempo t = 3 con n = 3

• change = |Price[3] − Price[0]| = |105 − 100| = 5
• volatility = |Price[1] − Price[0]| + |Price[2] − Price[1]| + |Price[3] − Price[2]| = |102 − 100| + |101 − 102| + |105 − 101| = 2 + 1 + 4 = 7
• ER = 5 / 7 ≈ 0.7142857

Passo B: calcolo di SC da ER

• SC = (ER × (SCmax − SCmin) + SCmin)²
• SCmax − SCmin = 0.4444 − 0.0640 = 0.3804
• ER × (SCmax − SCmin) = 0.7142857 × 0.3804 ≈ 0.271714
• Valore tra parentesi = 0.271714 + 0.0640 = 0.335714
• SC ≈ (0.335714)² ≈ 0.112712

Passo C: aggiornamento di KAMA

• Price[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

Cosa notare in questo esempio:

• ER è alto perché il cambiamento netto (5) è grande rispetto al movimento assoluto totale (7).
• Questo aumenta SC rispetto a SCmin, quindi KAMA si avvicina di più a Price[3] rispetto a quanto farebbe in un intervallo rumoroso o irregolare.

Limitazioni e rischi (modalità di errore rilevanti)

1. Dipendenza dai parametri: Il risultato numerico dipende da n, SCmax, SCmin e dal valore iniziale di KAMA. Diversi software possono usare convenzioni diverse, quindi “le stesse impostazioni” devono essere verificate per riprodurre i valori.
2. Rumore e cambi di regime: ER può scendere bruscamente quando il prezzo diventa irregolare, causando uno smoothing maggiore di KAMA. In serie molto rumorose, il comportamento adattivo può ridurre la reattività quando ci si aspetterebbe il contrario.
3. Il ritardo persiste: Anche con l’adattamento, KAMA si aggiorna dal valore precedente e reagisce gradualmente ai nuovi dati. In inversioni rapide o discontinuità, può restare indietro rispetto al prezzo.
4. Gestione della divisione per zero: Se la somma dei movimenti assoluti (volatility) è zero, ER deve essere gestito dall’implementazione (di solito impostato a 0). Diversi approcci ai casi limite alterano i risultati.
5. Non è una previsione autonoma: Anche un valore KAMA calcolato correttamente non garantisce alcun comportamento futuro specifico; i modelli storici non determinano gli esiti futuri.

Verifica o domanda successiva

Per verificare in modo indipendente un calcolo KAMA, riutilizza gli stessi input e passaggi:

• Conferma le formule esatte di ER, SC e KAMA utilizzate dall’implementazione specifica.