Co to jest przykładowe obliczenie Kama?

Bezpośrednia odpowiedź

„Przykładowe obliczenie KAMA” oznacza, że bierzesz wzory KAMA, wybierasz konkretne liczby wejściowe (serię cen, parametry wygładzania i wartość początkową), a następnie obliczasz KAMA krok po kroku dla co najmniej jednego nowego punktu danych. Kluczowe jest to, że musisz podać każde założenie użyte w obliczeniach, aby ktoś inny mógł odtworzyć te same wartości z tych samych danych wejściowych.

Mechanizm lub definicja

Adaptacyjna średnia ruchoma Kaufmana (KAMA) to średnia ruchoma, która ma na celu dostosowanie siły wygładzania. Mówiąc wprost, stara się poruszać szybciej, gdy ruch cen jest bardziej „efektywny” (stosunkowo kierunkowy), a wolniej, gdy ruch cen jest mniej efektywny (więcej szumu).

Standardowy sposób opisu KAMA wykorzystuje:

• Serię cen (na przykład cenę zamknięcia na każdym kroku czasowym).
• Długość wstecznego spojrzenia n (jak daleko wstecz mierzysz efektywność).
• Dwie stałe końcowe wygładzania (często oznaczane jako SCmax i SCmin), które reprezentują szybką vs. wolną adaptację.
• Wskaźnik efektywności ER, który porównuje ruch netto do całkowitego ruchu w okresie wstecznym.
• Stałą wygładzania SC wyprowadzoną z ER, która następnie aktualizuje KAMA.

Jeden z powszechnych zestawów wzorów to:

1. Wskaźnik efektywności na n kroków:
   • Niech zmiana = |Cena[t] − Cena[t−n]|
   • Niech zmienność = Σ_{i=0 do n−1} |Cena[t−i] − Cena[t−i−1]|
   • ER = zmiana / zmienność (zdefiniuj ER = 0, jeśli zmienność = 0)
2. Stała wygładzania:
   • SC = (ER × (SCmax − SCmin) + SCmin)²
3. Aktualizacja KAMA:
   • KAMA[t] = KAMA[t−1] + SC × (Cena[t] − KAMA[t−1])

Dowód lub przykład (obliczony, liczbowy, z założeniami)

Cel przykładowego obliczenia: oblicz KAMA[t] z krótkiej, hipotetycznej sekwencji.

Założenia (wszystkie podane):

• Używamy długości wstecznego spojrzenia n = 3.
• Obliczamy jedną aktualizację KAMA w czasie t = 3 (co oznacza, że znane są Cena[0] … Cena[3]).
• Ceny to proste przykładowe wartości (nie dane na żywo):
  • Cena[0] = 100
  • Cena[1] = 102
  • Cena[2] = 101
  • Cena[3] = 105
• Ustawiamy poprzednią wartość KAMA:
  • KAMA[2] = 101,5
• Wybieramy punkty końcowe adaptacji (to założenie modelowe; różne konwencje istnieją w różnych implementacjach):
  • SCmax = 0,4444
  • SCmin = 0,0640

Krok A: oblicz ER przy t = 3, używając n = 3

• zmiana = |Cena[3] − Cena[0]| = |105 − 100| = 5
• zmienność = |Cena[1] − Cena[0]| + |Cena[2] − Cena[1]| + |Cena[3] − Cena[2]| = |102 − 100| + |101 − 102| + |105 − 101| = 2 + 1 + 4 = 7
• ER = 5 / 7 ≈ 0,7142857

Krok B: oblicz SC z ER

• SC = (ER × (SCmax − SCmin) + SCmin)²
• SCmax − SCmin = 0,4444 − 0,0640 = 0,3804
• ER × (SCmax − SCmin) = 0,7142857 × 0,3804 ≈ 0,271714
• Wewnątrz nawiasów = 0,271714 + 0,0640 = 0,335714
• SC ≈ (0,335714)² ≈ 0,112712

Krok C: zaktualizuj KAMA

• Cena[3] − KAMA[2] = 105 − 101,5 = 3,5
• KAMA[3] = 101,5 + SC × 3,5
• KAMA[3] ≈ 101,5 + 0,112712 × 3,5
• KAMA[3] ≈ 101,5 + 0,394492
• KAMA[3] ≈ 101,8945

Na co zwrócić uwagę w tym przykładzie:

• ER jest wysoki, ponieważ zmiana netto (5) jest duża w stosunku do sumy bezwzględnych ruchów (7).
• To podnosi SC w porównaniu z SCmin, więc KAMA przesuwa się w kierunku Cena[3] bardziej niż w interwale zaszumionym/zmiennym.

Ograniczenia i ryzyka (istotne tryby awarii)

1. Zależność od parametrów: Wynik liczbowy zależy od n, SCmax, SCmin i początkowej wartości KAMA. Różne oprogramowania mogą używać różnych konwencji parametrów, więc „te same ustawienia” muszą być potwierdzone, aby odtworzyć wartości.
2. Szum i zmiany reżimu: ER może gwałtownie spaść, gdy ceny stają się zmienne, powodując większe wygładzanie przez KAMA. W bardzo zaszumionych seriach zachowanie adaptacyjne może zmniejszyć responsywność, gdy można oczekiwać czegoś przeciwnego.
3. Opóźnienie nadal występuje: Nawet z adaptacją, KAMA aktualizuje się z poprzedniej KAMA i reaguje stopniowo na nowe dane. Przy szybkich odwróceniach lub nieciągłościach może pozostawać w tyle za ceną.
4. Obsługa dzielenia przez zero: Jeśli suma bezwzględnych ruchów (zmienność) wynosi zero, ER musi być zdefiniowane przez implementację (często ustawiane na 0). Różne sposoby obsługi przypadków brzegowych zmieniają wyniki.
5. Nie jest samodzielną prognozą: Nawet poprawnie obliczona wartość KAMA nie gwarantuje żadnego konkretnego przyszłego zachowania; historyczne wzorce nie ustanawiają przyszłych wyników.

Weryfikacja lub następne pytanie

Aby niezależnie zweryfikować obliczenie KAMA, użyj ponownie tych samych danych wejściowych i kroków:

• Potwierdź dokładne wzory ER, SC i KAMA używane przez konkretną implementację.