Jak obliczany jest wskaźnik Frama

Bezpośrednia odpowiedź: co oznacza obliczanie „Framy”

FRAMA (często zapisywana jako „Frama”) oznacza FRactal Adaptive Moving Average (fraktalną adaptacyjną średnią ruchomą). Jest obliczana w celu uzyskania średniej ruchomej, której siła wygładzania dostosowuje się do tego, jak „złożony” lub „trendowy” wydaje się ostatni ruch cen. Adaptacja polega na oszacowaniu wymiaru fraktalnego na podstawie zakresów cen w wielu oknach wstecznych, a następnie przekształceniu tego oszacowania w efektywny współczynnik wygładzania.

Kluczową kwestią jest to, że wartość Framy nie jest tworzona za pomocą jednego wzoru z tylko jednym parametrem. Zależy ona od:

• wybranych długości okresów wstecznych,
• definicji danych cenowych (np. wykorzystania zakresów high/low wynikających z OHLC),
• oraz odwzorowania wymiaru fraktalnego na współczynnik wygładzania.

Mechanika: dane wejściowe i podstawowe kroki obliczeniowe

1) Zdefiniuj dane i używany „zakres”

Większość implementacji Framy wykorzystuje zakres ceny w oknie, zwykle wywodzący się z wartości najwyższych i najniższych. Standardowa koncepcja zakresu to:

• Zakres w oknie: miara taka jak (najwyższe maksimum − najniższe minimum) w tym oknie.

Jeśli samodzielnie weryfikujesz obliczenia, pierwszym zadaniem jest ustalenie dokładnej definicji „zakresu” używanej przez Twoje źródło, ponieważ zmiana definicji zakresu zmienia wynikowy szereg Framy.

2) Podziel główny okres wsteczny na podokna

Typowa konstrukcja Framy wykorzystuje główną długość okna (nazwijmy ją N). Aby oszacować zachowanie fraktalne, algorytm uwzględnia:

• zakres dla ostatnich N świec oraz
• zakresy dla dwóch kolejnych podokien o długości N/2 (gdy N jest parzyste).

Oznacza to, że dla świecy w czasie t obliczasz koncepcyjnie:

• Zakres1: zakres w pierwszym podoknie,
• Zakres2: zakres w drugim podoknie,
• ZakresCałkowity: zakres w całym oknie.

3) Oblicz oszacowanie wymiaru fraktalnego

Wymiar fraktalny (w sensie Framy) jest szacowany na podstawie tego, jak ZakresCałkowity wypada w porównaniu z Zakres1 i Zakres2. Typowe podejście polega na przekształceniu tego stosunku w wartość wymiaru, która rośnie, gdy ruch ceny wydaje się bardziej nieregularny, a maleje, gdy wygląda bardziej jak gładki trend.

Ponieważ w praktyce istnieje wiele wersji, weryfikacja wymaga sprawdzenia w wybranym źródle dokładnego odwzorowania stosunków zakresów na wymiar fraktalny.

4) Przekształć wymiar fraktalny w adaptacyjny współczynnik wygładzania

Gdy dostępne jest oszacowanie wymiaru fraktalnego, Frama przekształca je we współczynnik wygładzania. Idea jest następująca:

• gdy oszacowana złożoność sugeruje „więcej szumu”, wygładzanie staje się silniejsze (wolniejsza reakcja),
• gdy sugeruje „strukturę bardziej trendową”, wygładzanie staje się słabsze (szybsza reakcja).

Ponownie, dokładna konwersja zależy od implementacji. Wiele wariantów używa parametrów, takich jak minimalne/maksymalne granice wygładzania, aby utrzymać współczynnik wygładzania w praktycznym zakresie.

5) Zastosuj aktualizację wygładzania wykładniczego

Na koniec Frama aktualizuje się rekurencyjnie w stylu średniej ruchomej:

• nowa wartość Framy w czasie t jest mieszanką bieżącej ceny (lub wybranego jej odpowiednika, takiego jak cena średnia) i poprzedniej wartości Framy,
• gdzie waga mieszanki to adaptacyjny współczynnik wygładzania obliczony w krokach 2–4.

Zatem nawet jeśli matematyka wymiaru fraktalnego jest poprawna, nadal musisz zweryfikować:

• jaka „bieżąca cena” jest używana w aktualizacji (cena zamknięcia vs. cena średnia),
• oraz jak inicjalizowana jest pierwsza wartość Framy.

Dowód lub przykład: jak zweryfikować obliczenia Framy bez założeń handlowych

Ponieważ dokładny wzór może się różnić w zależności od źródła, najbardziej niezawodnym sposobem weryfikacji „jak to jest obliczane” jest odtworzenie go na podstawie ustalonych założeń na małym zbiorze danych.

Procedura samokontroli

1. Wybierz krótki wycinek historyczny i stałą definicję świecy (np. OHLC z high/low i close).
2. Wybierz N oraz regułę podziału na podokna (np. N/2 z każdej strony, wymagające parzystego N).
3. Oblicz Zakres1, Zakres2 i ZakresCałkowity, używając tej samej definicji zakresu co w docelowym źródle.
4. Zastosuj odwzorowanie wymiaru fraktalnego dokładnie tak, jak podano w tym źródle.
5. Oblicz adaptacyjny współczynnik wygładzania, a następnie rekurencyjną aktualizację Framy.
6. Porównaj wartości swojego końcowego szeregu z docelowym wynikiem dla tych samych danych wejściowych.

Materiałowe założenie do jednoznacznego określenia

Zapisz swoje założenia w notatkach:

• czy użyłeś (najwyższe maksimum − najniższe minimum) jako zakresu,
• czy w końcowej aktualizacji użyłeś ceny zamknięcia czy ceny średniej,
• jak obsługujesz pierwsze N świec (brak danych wyjściowych, rozgrzewanie lub inicjalizacja),
• oraz czy używasz wyłącznie parzystego N, czy zaokrąglania dla podokien.

Jeśli zmienisz którekolwiek z tych założeń, należy spodziewać się zmian wartości Framy—nawet jeśli zachowasz tę samą „główną ideę” adaptacji fraktalnej.

Ograniczenia i tryby awarii

1) Różnice w implementacjach są powszechne

„Frama” to koncepcja algorytmiczna, ale różne platformy i artykuły mogą używać różnych szczegółów dotyczących:

• odwzorowania wymiaru fraktalnego,
• granic wygładzania,
• odpowiednika ceny w aktualizacji,
• oraz inicjalizacji.

Dlatego nie można bezpiecznie porównywać wartości Framy między dostawcami, chyba że szczegóły obliczeń są zgodne.

2) Dane oparte na zakresie mogą być wrażliwe na szum

Używanie zakresów high/low oznacza, że wskaźnik może silnie reagować na ekstrema wewnątrz świecy. W zmiennych warunkach rynkowych przypadkowe wahania mogą zmieniać stosunki zakresów, a tym samym adaptacyjny współczynnik wygładzania, nawet gdy podstawowy „trend” nie jest wyraźny.

3) Wybór parametrów może dominować nad zachowaniem

Długość okresu wstecznego i wszelkie granice wygładzania silnie wpływają na to, jak szybko Frama się dostosowuje. Krótkie okno zwykle reaguje szybciej, ale może być też bardziej niestabilne. Dłuższe okno zwykle jest gładsze, ale może powodować opóźnienia. Jest to matematyczno-statystyczny kompromis, a nie gwarancja poprawności.

4) Wskaźniki rekurencyjne zależą od warunków początkowych

Ponieważ Frama jest zazwyczaj rekurencyjna, wczesne decyzje dotyczące inicjalizacji i obsługi rozgrzewania mogą wpływać na późniejsze wartości. W długich historiach wpływ ten może słabnąć, ale w krótszych próbkach może mieć znaczenie.

Weryfikacja i kolejne pytanie do zadania

Aby dokładnie wyjaśnić Framę innej osobie, przygotuj trzy rzeczy:

1. Dokładne szczegóły wzoru, którego używasz, w tym sposób definiowania zakresu, wymiaru fraktalnego, współczynnika wygładzania i aktualizacji rekurencyjnej.
2. Listę wymaganych danych wejściowych (co najmniej high/low oraz cenę do kroku aktualizacji) i potrzebnych parametrów (np. N i ewentualne granice wygładzania).
3. Jedno stwierdzenie o ograniczeniach oparte na przyjętych założeniach implementacyjnych (np. wrażliwość na szum high/low lub zależność od inicjalizacji).

Przydatnym kolejnym pytaniem jest: jak wybrane ustawienia zmieniają równowagę między reaktywnością a wygładzaniem? Jeśli podasz konkretne nazwy parametrów oraz definicje ceny/zakresu ze źródła, którego używasz, obliczenia Framy można sprawdzić krok po kroku na Twoim zbiorze danych.