Jak obliczany jest EMA? (Wykładnicza średnia ruchoma)
Bezpośrednia odpowiedź
Wykładnicza średnia ruchoma (EMA) jest obliczana poprzez aktualizację poprzedniej wartości EMA bieżącym punktem danych, przy użyciu współczynnika wygładzania. W swojej powszechnej formie:
- Niech cena (lub wartość danych) w czasie (t) będzie oznaczona jako (x_t).
- Niech EMA w czasie (t) będzie oznaczona jako (EMA_t).
- Niech (\alpha) będzie współczynnikiem wygładzania.
Wtedy:
[EMA_t = \alpha,x_t + (1-\alpha),EMA_{t-1}]
Powszechnie stosowany sposób wyboru (\alpha) na podstawie wybranej „długości” (n) to:
[\alpha = \frac{2}{n+1}]
Aby rozpocząć rekurencję, należy również wybrać wartość początkową dla (EMA_{0}) (lub dla pierwszego obliczanego punktu EMA), ponieważ wzór zależy od (EMA_{t-1}).
Mechanizm: czym jest EMA i jakie dane wejściowe są potrzebne
EMA jest rodzajem średniej ruchomej, która nadaje większą wagę nowszym wartościom niż starszym. W przeciwieństwie do prostej średniej ruchomej, która uśrednia okno o stałej wielkości, EMA „pamięta” przeszłość poprzez aktualizację rekurencyjną.
Kluczowe terminy (i ich odpowiedniki we wzorze):
- Szereg danych (x_t): Jest to sekwencja, którą wygładzasz. W wielu kontekstach może to być seria cen zamknięcia, ale samo obliczenie zakłada jedynie, że masz numeryczny szereg uporządkowany w czasie.
- Długość (n): Ten parametr kontroluje, jak szybko EMA reaguje na nowe zmiany. Większe (n) zazwyczaj oznacza mniejsze (\alpha) i wolniejszą reakcję; mniejsze (n) oznacza większe (\alpha) i szybszą reakcję.
- Współczynnik wygładzania (\alpha): Kontroluje on proporcję między bieżącą wartością (x_t) a poprzednią wartością EMA (EMA_{t-1}).
- Początkowa wartość EMA: Ponieważ EMA jest obliczana krok po kroku, pierwsza wybrana wartość EMA wpływa na wczesne wyniki.
Jak to działa koncepcyjnie Każdy krok łączy:
- część najnowszej obserwacji (x_t), oraz
- część poprzedniej wartości EMA (EMA_{t-1}), która zawiera już wpływ wcześniejszych obserwacji.
Matematycznie, wielokrotne podstawienie pokazuje, że EMA jest ważoną średnią przeszłych wartości, gdzie wagi maleją wykładniczo w czasie. Dlatego reaguje szybko na niedawne zmiany, jednocześnie wygładzając szum.
Dowód lub przykład: obliczanie EMA krok po kroku
Poniżej znajduje się mały, konkretny przykład pokazujący mechanikę bez zakładania danych w czasie rzeczywistym.
Założenia
- Wybierz długość (n = 3).
- Oblicz (\alpha = \tfrac{2}{n+1} = \tfrac{2}{4} = 0.5).
- Użyj prostej inicjalizacji do celów demonstracyjnych: ustaw pierwszą wartość EMA na pierwszą wartość danych, (EMA_1 = x_1).
- Użyj hipotetycznego szeregu (x_1=10,; x_2=12,; x_3=11).
Obliczenia
- Inicjalizacja:
- (EMA_1 = x_1 = 10)
- Następny krok ((t=2)):
- (EMA_2 = \alpha x_2 + (1-\alpha)EMA_1)
- (EMA_2 = 0.5\cdot 12 + 0.5\cdot 10 = 11)
- Następny krok ((t=3)):
- (EMA_3 = 0.5\cdot 11 + 0.5\cdot 11 = 11)
Ilustruje to dwie praktyczne kwestie:
- EMA zawsze znajduje się między bieżącą wartością a poprzednią wartością EMA, gdy (\alpha\in[0,1]).
- Jeśli bieżąca wartość równa się poprzedniej wartości EMA, EMA pozostaje taka sama dla tego kroku.
Co może zmienić wynik
Nawet przy tym samym (n) i tym samym wzorze na (\alpha), wyniki mogą się różnić, jeśli:
- inaczej zainicjalizujesz EMA (np. używając pierwszej prostej średniej ruchomej zamiast (x_1)),
- Twój szereg danych ma brakujące punkty (musisz zdecydować, jak obsłużyć luki),
- użyjesz innej konwencji mapowania długości (n) na (\alpha) (niektóre systemy używają równoważnych, ale nie identycznych mapowań).
Ograniczenia i tryby awarii: co EMA może, a czego nie może Ci powiedzieć
EMA jest mechanizmem wygładzającym, a nie silnikiem predykcyjnym.
Istotne ograniczenia
-
Opóźnienie jest nieodłączną cechą Ponieważ EMA częściowo zależy od przeszłych wartości poprzez (EMA_{t-1}), reaguje na zmiany z opóźnieniem. Szybsze EMA (mniejsze (n), większe (\alpha)) zmniejszają opóźnienie, ale mogą zwiększyć wrażliwość na szum.
-
Wczesne wartości zależą od inicjalizacji EMA wymaga wartości początkowej. „Ścieżka” EMA w pobliżu początku próbki zależy od tego wyboru. Jeśli porównujesz EMA między systemami, mogą się one różnić na początku wyłącznie z powodu różnych konwencji inicjalizacji.
-
Zmiany niestacjonarne i zmiany reżimu W danych, które zmieniają swój charakter statystyczny w czasie (na przykład wzrost zmienności), ten sam współczynnik wygładzania może nie dawać już tego samego rodzaju efektu wygładzania. EMA nadal będzie obliczana poprawnie, ale jej interpretowalność może się zmienić.
-
Jakość danych wejściowych ma znaczenie Jeśli szereg (x_t) jest niespójny (wartości odstające, brakujące wartości lub inna definicja „ceny”, np. zamknięcie vs. inne pole), EMA odzwierciedla tę definicję. EMA nie może skorygować złych lub niespójnych danych wejściowych.
Jak samodzielnie zweryfikować obliczenia
Aby samodzielnie zweryfikować obliczenia EMA, potrzebujesz tylko:
- tego samego szeregu wejściowego (x_t),
- tej samej wybranej długości (n) (lub dokładnego użytego (\alpha)), oraz
- tej samej konwencji początkowej wartości EMA.
Następnie możesz przeliczyć (EMA_t) dla kilku kolejnych (t), używając: [EMA_t = \alpha,x_t + (1-\alpha),EMA_{t-1}] Jeśli Twoje wyniki się różnią, najczęstsze przyczyny to niedopasowane mapowanie (\alpha), inna inicjalizacja lub inne podejście do brakujących/dodatkowych obserwacji.
Weryfikacja i kolejne pytanie
Jeśli Twoim celem jest interpretacja wyników EMA, głównym kolejnym krokiem jest zrozumienie, czym EMA różni się od innych średnich ruchomych oraz co zmiana ustawień (zwłaszcza długości) robi z responsywnością. Możesz zacząć od porównania EMA z innymi wzorami średnich ruchomych, a następnie sprawdzić, jak współczynnik wygładzania wpływa na to, jak szybko EMA podąża za nowymi wartościami.
W celu głębszego porównania i efektów ustawień, zobacz:
- link wewnętrzny: /forex-indicators/moving-averages/ema/how-does-ema-differ-from-related-forex-concepts/
- link wewnętrzny: /forex-indicators/moving-averages/ema/how-do-settings-change-ema/