Quali dati sono necessari per valutare lo Smma?

Risposta diretta: quali dati sono necessari per valutare lo Smma?

Per valutare lo Smma (comunemente usato per indicare una Media Mobile Smussata), sono necessari dati appartenenti a quattro categorie: (1) la definizione e i parametri che si intende utilizzare, (2) le serie temporali di input sottostanti che entrano nel calcolo, (3) la provenienza e l’attualità di tali input, e (4) controlli di qualità per garantire che il calcolo sia riproducibile. Con soltanto un’immagine di grafico o uno screenshot singolo, la valutazione è solitamente incompleta perché non è possibile verificare quale formula, parametri e feed di dati siano stati utilizzati.

Meccanismo e definizione: su cosa dipende il calcolo dello Smma

Prima di discutere le implicazioni, è necessario chiarire cosa si intende per “Smma” nel contesto specifico. Le medie mobili smussate possono essere implementate con regole di smoothing diverse, quindi lo Smma valutato deve essere collegato a un metodo di calcolo esplicito.

I dati fondamentali necessari per il calcolo includono tipicamente:

• La serie temporale ordinata (ad esempio, dati OHLC come i prezzi di chiusura) da cui viene derivata la media. È necessario sapere quale campo viene utilizzato (chiusura, prezzo tipico, ecc.).
• Una finestra o periodo (spesso chiamato “length”) che controlla il grado di smoothing.
• La condizione iniziale utilizzata all’inizio della serie (come viene inizializzato il valore iniziale dello Smma). Diversi approcci di inizializzazione producono valori iniziali differenti.
• La cadenza temporale (timeframe/granularità) e l’allineamento del fuso orario per i timestamp. Se un dataset utilizza confini diversi per le candele, la serie risultante può divergere.

Meccanismi stabili da distinguere dalle condizioni variabili:

• Calcolo deterministico: data la stessa definizione, lo stesso periodo, la stessa serie di input e la stessa regola di inizializzazione, l’output dello Smma dovrebbe corrispondere esattamente.
• Condizioni variabili: i dati di mercato cambiano nel tempo e l’elaborazione da parte del provider/piattaforma può alterare la serie (ad esempio, come vengono formate o aggiustate le candele).

Evidenza ed esempio: cosa raccogliere per verificare uno Smma valutato

Un modo pratico per valutare in modo indipendente lo Smma è assicurarsi di poter riprodurre la serie a partire dagli input sottostanti. A tal fine, raccogliere:

1. Una formula scritta o regole inequivocabili per il passaggio di smoothing dello Smma utilizzato nella definizione che si sta valutando.
2. Il dataset di input esatto utilizzato per calcolarlo (al minimo: la sequenza di valori che entrano in ogni aggiornamento, più i timestamp).
3. I valori dei parametri (periodo/length) e la regola per il valore iniziale.
4. Note di pre-elaborazione: se sono state applicate regolazioni ai dati, se le candele mancanti sono state riempite o saltate, e come vengono rappresentati i gap fuori orario.

Le assunzioni devono essere esplicite. Ad esempio, se si assume che lo Smma utilizzi il prezzo di chiusura di ogni candela su un determinato timeframe, allora la serie di input deve essere proprio quella serie di chiusure. Se invece utilizza un altro prezzo derivato, sono necessari quei valori derivati.

Controlli di qualità (la “prova” che si sta valutando la cosa giusta):

• Controllo di riproducibilità: ricalcola lo Smma a partire dagli input raccolti e verifica che i valori corrispondano alla serie che si sta valutando.
• Controllo di allineamento: verifica che i confini dei timestamp e l’indicizzazione corrispondano (stesso timeframe, stesso numero di candele). Un mancato allineamento spesso genera differenze apparentemente coerenti ma errate.
• Controllo di coerenza: assicurati che il periodo/length e la regola di inizializzazione siano identici; le differenze iniziali possono essere minime ma quelle successive possono accumularsi.

Dovresti inoltre tenere traccia di ciò che non può essere dedotto da un grafico pubblicato: una semplice linea visiva non rivela la variante della formula, la regola di inizializzazione, la gestione dei dati mancanti o il campo esatto del prezzo di input.

Limitazioni e rischi: modalità di errore da considerare

Nella valutazione dello Smma, almeno una limitazione dovrebbe essere considerata esplicitamente.

Le principali modalità di errore includono:

• Definizione ambigua: “Smma” può riferirsi a diverse regole di smoothing a seconda della fonte. Utilizzare una regola errata rende il confronto privo di significato.
• Elaborazione nascosta dei dati: i provider possono differire nella costruzione delle candele e nelle regolazioni dei dati. Anche se si hanno “prezzi”, la serie potrebbe non essere identica.
• Differenze di inizializzazione: le regole di inizializzazione per i primi valori possono alterare la curva iniziale e influenzare i valori successivi a seconda del comportamento di smoothing.
• Input mancanti o modificati: se le candele sono mancanti, duplicate o ricampionate in modo diverso, lo Smma calcolato può discostarsi pur sembrando plausibile.
• Cambiamenti di mercato e incertezza sui costi: anche se un metodo di smoothing viene calcolato correttamente, il suo utilizzo per qualsiasi interpretazione dipende da condizioni mutevoli e da fattori esterni come attriti di esecuzione, normative giurisdizionali e costi. Le relazioni storiche non garantiscono somiglianze future.