Come si calcola la media mobile a zero lag? (Formula, parametri e requisiti dei dati)

Risposta diretta

La media mobile a zero lag (ZLMA) si calcola prendendo un’idea esistente di media mobile (tipicamente una media pesata o lisciata del prezzo) e applicandola a una serie di input modificata (“de-lagged”). In altre parole, la ZLMA non è un nuovo dataset magico: rielabora lo stesso tipo di media in modo che questa reagisca prima ai cambiamenti recenti.

Per calcolarla con precisione e verificarla autonomamente, è necessario specificare in anticipo quattro elementi:

1. la fonte del prezzo (ad esempio, il prezzo di chiusura),
2. il metodo di smoothing utilizzato nell’indicatore (spesso una EMA, ma la definizione esatta varia),
3. la lunghezza del lookback (comunemente indicata come L), e
4. la regola esatta di aggiustamento “de-lag” che trasforma la serie originale del prezzo nell’input aggiustato.

Poiché le definizioni di ZLMA variano a seconda dell’implementazione, la parte più importante di qualsiasi calcolo è utilizzare la stessa formula di quella che si sta testando.

Meccanismo o definizione

Una media mobile trasforma una serie temporale (valori del prezzo nel tempo) in una serie più liscia mediando le osservazioni recenti. Il compromesso è il ritardo: una media mobile standard tende a reagire dopo il cambiamento sottostante.

Gli approcci “a zero lag” cercano di ridurre questo ritardo stimando cosa avrebbe fatto la serie dei prezzi senza il ritardo introdotto dallo smoothing. Un modo comune per esprimere questo concetto è creare una serie di input aggiustata combinando il prezzo corrente con una versione ritardata del prezzo, quindi applicando un filtro di smoothing a questo input aggiustato.

Una struttura didattica ampiamente utilizzata è la seguente:

1. Scegliere una serie di prezzi (P_t) (ad esempio, il prezzo di chiusura al tempo (t)).
2. Scegliere una lunghezza (L).
3. Calcolare un input “de-lagged” (P^{*}_t) utilizzando una regola che dipende da (L) (e talvolta da semilunghezze o offset di ritardo).
4. Calcolare l’output come media lisciata di (P^{*}_t), ad esempio uno smoothing di tipo EMA:

[\text{ZLMA}_t = \text{Smooth}(P^{*}_t, L)]

Diverse varianti di ZLMA scelgono parti diverse dei passaggi (3) e (4). È per questo motivo che due grafici etichettati come “media mobile a zero lag” possono apparire diversi: l’etichetta potrebbe riferirsi allo stesso concetto generale, ma le formule sottostanti possono differire.

Parametri che devi definire

Anche per un calcolo “autonomo”, devi definire i parametri dell’indicatore:

• Lunghezza (L): il numero di periodi su cui si estende lo smoothing.
• Fonte (P_t): quale prezzo viene mediato (chiusura, prezzo tipico, ecc.).
• Metodo di smoothing all’interno della ZLMA: smoothing di tipo EMA, SMA o un altro filtro ricorsivo.
• Regola di de-lag: la formula esatta di aggiustamento che produce (P^{*}_t) dal (P_t) originale.

Se non fissi queste definizioni, la verifica diventa ambigua.

Evidenza o esempio

Di seguito è riportato un approccio adatto alla verifica che puoi applicare senza fare affidamento su dati di mercato in tempo reale.

Struttura di esempio (con assunzioni chiaramente dichiarate)

Supponiamo:

• La fonte del prezzo è il prezzo di chiusura: (P_t).
• La lunghezza dello smoothing è (L = 10).
• Un input “de-lagged” viene creato utilizzando un offset di ritardo (d) derivato dalla lunghezza.
• L’output finale è un filtro di smoothing applicato all’input “de-lagged”.

Puoi scrivere il calcolo in una forma generica e verificabile:

1. Scegli (d) (ad esempio, un offset proporzionale a (L)).
2. Costruisci l’input de-lagged (P^{*}t) come funzione di (P_t) e (P{t-d}).
3. Applica lo smoothing:
   • Se lo smoothing è di tipo EMA, utilizza un fattore di ponderazione (\alpha) basato su (L) (comunemente (\alpha = 2/(L+1))) e un aggiornamento ricorsivo.

Quindi, per ogni passo temporale (t) in cui esiste una storia sufficiente, calcoli: [P^{}t = f(P_t, P{t-d}, L)] [\text{ZLMA}_t = \text{EMA-like-smooth}(P^{}_t, L)]

Cosa verificare numericamente

Per confermare che la tua ZLMA calcolata corrisponda a un’implementazione di riferimento, controlla questi punti in ordine:

• Allineamento: assicurati che l’indice temporale t sia lo stesso su entrambi i lati (errori di uno sono comuni).
• Periodo di avvio (warm-up): molti calcoli di media mobile richiedono diversi bar prima che i valori si stabilizzino.
• Definizione dell’input: il prezzo utilizzato all’interno dell’indicatore deve corrispondere (chiusura rispetto ad altro prezzo).
• Mappatura dei parametri: verifica come l’implementazione converte la lunghezza in (d) e nel fattore di smoothing.

Se uno di questi elementi differisce, i tuoi risultati possono divergere anche se il concetto generale è lo stesso.

Limitazione materiale rivelata dagli esempi

Anche con matematica corretta, la ZLMA rimane un filtro di media. In dati rumorosi, l’aggiustamento “de-lag” può aumentare la reattività a scapito di maggiore volatilità nell’output. In inversioni brusche, la riduzione del ritardo può far sì che l’indicatore “giri” prima di una media mobile tradizionale, il che può portare a un overshoot rispetto al successivo andamento del prezzo.

Pertanto, la limitazione non è un problema di codifica; è intrinseca ai filtri “a minor ritardo” che interagiscono con casualità e bruschi cambiamenti di regime.

Limitazioni e rischi

1. Le definizioni degli indicatori non sono universali. Il termine “media mobile a zero lag” è usato con diverse regole di de-lag e di smoothing. Se scegli una variante diversa da quella mostrata su una piattaforma, il tuo calcolo non corrisponderà.

2. È comunque un filtro, non un predittore. Un metodo di smoothing con input de-lagged può ridurre il ritardo rispetto alla media mobile dei dati passati, ma non garantisce che il prezzo futuro seguirà l’indicatore.

3. Il rumore può essere amplificato. Quando aggiusti l’input per reagire prima, potresti aumentare la sensibilità alle fluttuazioni a breve termine.

4. I requisiti dei dati sono importanti. Hai bisogno di un campionamento storico coerente. Bar mancanti, interruzioni di sessione diverse o variazioni nella costruzione delle candele possono alterare la serie calcolata.

5. Il calcolo dipende dalle condizioni iniziali. Lo smoothing ricorsivo (comune nei calcoli di tipo EMA) richiede un valore iniziale o un metodo di inizializzazione; diverse inizializzazioni possono influenzare gli output iniziali.

Queste limitazioni definiscono i modi di fallimento: discrepanza nella definizione della variante, sensibilità agli input rumorosi ed effetti di avvio/inizializzazione.

Verifica o prossima domanda

Per verificare autonomamente la ZLMA:

1. Scrivi la formula esatta della variante che stai utilizzando, inclusa la regola di de-lag (P^{*}_t) e il metodo di smoothing.
2. Scegli una fonte di prezzo fissa e una lunghezza (L).
3. Calcola l’indicatore dai dati storici utilizzando lo stesso indice temporale e gestione del periodo di avvio.
4. Confronta i risultati punto per punto dopo il periodo di avvio.

Una domanda utile successiva per ridurre l’ambiguità è: Quale esatta definizione di variante ZLMA stai utilizzando (regola di de-lag e passaggio di smoothing)? Se condividi la formula specifica che stai cercando di replicare (o il codice pseudo-esatto), il calcolo può essere verificato con precisione rispetto a essa.