Jak działa Frama na rynku forex
Bezpośrednia odpowiedź
Frama na rynku forex odnosi się do Fraktalnej Adaptacyjnej Średniej Kroczącej (Fractal Adaptive Moving Average), wskaźnika typu średnia krocząca, który zmienia szybkość podążania za ceną. Zamiast używać stałego współczynnika wygładzania, Frama szacuje, czy ostatnie zachowanie ceny wygląda bardziej jak płynny trend, czy jak nieregularny, fraktalny wzorzec, a następnie wykorzystuje to oszacowanie do adaptacji wygładzania.
Oznacza to, że mechanizm Framy polega na: zmierzeniu „efektywności fraktalnej” na podstawie ceny w wielu oknach, przekształceniu tej efektywności w dynamiczną stałą wygładzania oraz zastosowaniu jej do krokowego aktualizowania wartości średniej kroczącej.
Mechanizm lub definicja
Średnia krocząca to sposób podsumowania ceny poprzez filtrowanie szumu. W typowej średniej kroczącej o stałych parametrach siła wygładzania pozostaje stała. Kluczową ideą Framy jest to, że siła filtrowania powinna się zmieniać.
1) Wybór danych wejściowych (okna lookback i seria cenowa)
Frama wymaga co najmniej jednej podstawowej długości lookback (często oznaczanej jako N) i wykorzystuje pochodne zakresy oparte na N (zwykle N/2 i N/4 w opisach podręcznikowych). Dane wejściowe serii cenowej są zazwyczaj oparte na maksimach i minimach w każdym oknie (wiele implementacji używa zakresu high-low, a nie tylko cen zamknięcia).
Ponieważ różne narzędzia do tworzenia wykresów mogą implementować szczegóły w różny sposób, najważniejszym założeniem do zweryfikowania podczas odtwarzania wyników jest: które wartości cen i które definicje zakresu są używane w obliczeniach (na przykład zakres high-low w każdym segmencie oraz to, czy uwzględniać ceny punktów końcowych).
2) Obliczanie miar zakresu w trzech skalach
Frama szacuje, jak cena zachowuje się w różnych skalach, porównując:
- „pełny” zakres dla N
- połączone zakresy dwóch połówek dla N/2
- połączone zakresy czterech ćwiartek dla N/4
Typowym podejściem jest zdefiniowanie zakresu jako różnicy między najwyższą i najniższą wartością w wybranym oknie. Następnie oblicza się osobne sumy zakresów dla każdej skali.
3) Przekształcanie zakresów wieloskalowych w „efektywność fraktalną”
Wykorzystując te miary zakresów, Frama tworzy wielkość często opisywaną jako wskaźnik efektywności lub wymiaru fraktalnego. Intuicyjnie:
- jeśli ruch ceny jest stosunkowo uporządkowany w różnych skalach, efektywność sugeruje bardziej „trendową” strukturę
- jeśli ruch jest nieregularny i podobny w różnych skalach, efektywność sugeruje bardziej „fraktalną” strukturę
Różne implementacje mogą wyrażać ten krok za pomocą logarytmów i stosunków; jednak koncepcyjny cel pozostaje ten sam: wyprowadzić wartość, która rośnie, gdy seria wygląda na bardziej efektywnie trendującą, i maleje, gdy wygląda na bardziej fraktalną.
4) Przekształcanie efektywności w adaptacyjną stałą wygładzania
Następnie Frama mapuje oszacowanie efektywności na stałą wygładzania, zwykle ograniczoną między minimalnymi i maksymalnymi limitami, aby wskaźnik nie stawał się arbitralnie wolny lub szybki. Limity te zależą od wyboru parametrów (na przykład szybki koniec i wolny koniec).
Ten krok tworzy współczynnik wygładzania, który zmienia się w każdym kroku czasowym, ponieważ efektywność zmienia się wraz z najnowszym zachowaniem ceny w okresie N.
5) Rekurencyjna aktualizacja średniej kroczącej Framy
Na koniec Frama aktualizuje swój wynik za pomocą rekurencji w postaci:
- weź poprzednią wartość Framy
- przesuń ją w kierunku bieżącego odniesienia cenowego o wielkość proporcjonalną do adaptacyjnej stałej wygładzania
Zatem wynikiem jest zmienna w czasie średnia krocząca: może poruszać się szybciej, gdy obliczona efektywność sugeruje zachowanie trendowe, i wolniej, gdy sugeruje zmienność.
Dowód lub przykład
Poniżej znajduje się uproszczony przykład oparty na założeniach, który pokazuje sekwencję bez użycia danych z rynku na żywo.
Konfiguracja przykładu (założenia)
Załóż, że:
- Obliczasz zakresy za pomocą high minus low w każdym oknie.
- Używasz długości lookback N.
- W każdym czasie t masz okno maksimów/minimów ceny, aby obliczyć zakresy pełne, połowiczne i ćwiartkowe.
- Obliczasz wartość podobną do efektywności z tych zakresów, a następnie mapujesz ją na stałą wygładzania między wybranymi limitami.
Sekwencja krok po kroku
- W czasie t oblicz pełny zakres okna dla N okresów.
- Oblicz zakresy połowiczne, dzieląc to samo okno N na dwie części i sumując ich zakresy high-low.
- Oblicz zakresy ćwiartkowe, dzieląc na cztery części i sumując ich zakresy.
- Użyj tych miar zakresów, aby obliczyć oszacowanie efektywności/fraktalności.
- Przekształć to oszacowanie w adaptacyjną stałą wygładzania (ograniczoną).
- Zaktualizuj Framę rekurencyjnie:
- zacznij od wczorajszej wartości Framy
- dodaj korektę w kierunku wybranego bieżącego odniesienia cenowego (często punktu środkowego lub zamknięcia, w zależności od implementacji) skalowaną przez adaptacyjną stałą wygładzania.
Co powinieneś być w stanie zweryfikować
Jeśli odtworzysz te same dane wejściowe i te same definicje parametrów, adaptacyjna stała wygładzania powinna zmieniać się z słupka na słupek. Gdy ostatni ruch ceny tworzy relacje zakresów wskazujące na wyższą „efektywność”, stała wygładzania ma tendencję do bycia większą (Frama reaguje bardziej). Gdy relacje zakresów wskazują na niższą efektywność, stała wygładzania ma tendencję do bycia mniejszą (Frama reaguje mniej).
Ponieważ ten wskaźnik jest rekurencyjny i używa wielu skal lookback, małe różnice w szczegółach implementacji (obliczanie zakresu, mapowanie parametrów, zaokrąglanie) mogą tworzyć różne linie wyjściowe nawet przy użyciu tego samego wykresu rynkowego.
Ograniczenia i ryzyka
1) Zachowanie modelu zależy od wyboru parametrów i implementacji
Frama jest wrażliwa na to, jak zdefiniujesz:
- dane wejściowe ceny (zakres high-low vs inne wybory)
- dokładne podziały okien (na przykład sposób obsługi podziałów niecałkowitych)
- mapowanie z efektywności na wygładzanie (w tym limity)
Jeśli dwie platformy używają różnych formuł lub różnych domyślnych parametrów, wyświetlane wartości Framy mogą się nie zgadzać.
2) Logika „fraktalna” może nadal błędnie klasyfikować reżimy
Idea efektywności fraktalnej jest klasyfikacją ostatniej struktury, a nie bezpośrednim pomiarem przyszłego kierunku. W okresach wysokiej zmienności lub napędzanych wiadomościami cena może być hałaśliwa w sposób, który prowadzi do spowolnienia wskaźnika, gdy można oczekiwać, że zareaguje.
I odwrotnie, w ostrych, ale nieregularnych ruchach obliczona struktura może czasami wyglądać na „efektywną”, nawet jeśli kierunek później się zmieni.
3) Ryzyko fałszywej pewności: nie jest to samodzielny sygnał transakcyjny
Wynik Framy najlepiej rozumieć jako przefiltrowaną reprezentację zachowania ceny, a nie jako gwarantowaną prognozę. Używanie go jako samodzielnego sygnału może prowadzić do nadmiernej pewności siebie, ponieważ adaptacja wskaźnika jest napędzana wyłącznie przez ostatnie relacje zakresów.
4) Warunki brzegowe i okresy rozgrzewki
Na najwcześniejszych słupkach może nie być wystarczającej historii, aby spójnie obliczyć pełny zestaw zakresów okien. Może to tworzyć artefakty rozgrzewki lub nieciągłości, dopóki lookbacki nie zostaną w pełni wypełnione.
Weryfikacja lub następne pytanie
Aby niezależnie zweryfikować, jak Frama działa na Twoich danych:
- Wybierz platformę lub implementację kodu i zapisz jej dokładne definicje parametrów (długość lookback i wszelkie limity).