Jak obliczany jest współczynnik efektywności Kaufmana? (Wzór, dane wejściowe i ograniczenia)
Bezpośrednia odpowiedź: wzór na współczynnik efektywności Kaufmana
Współczynnik efektywności Kaufmana (często skracany do ER) jest obliczany jako stosunek ruchu ceny netto do całkowitego ruchu ceny w wybranym oknie wstecznym.
Typowa postać to:
ER = ( |Cenaₜ − Cenaₜ−n| ) / ( Σᵢ=1→n |Cenaₜ−(n−i+1) − Cenaₜ−(n−i)| )
Gdzie:
- Cena to numeryczny szereg cen, który mierzysz (na przykład szereg cen zamknięcia).
- t to indeks końcowy okna.
- n to długość okna wstecznego w słupkach (liczba uwzględnionych interwałów).
- Licznik to bezwzględna różnica między początkiem a końcem okna (ruch netto).
- Mianownik sumuje bezwzględne zmiany krok po kroku w całym oknie (ruch całkowity).
Jeśli mianownik wynosi 0, ER jest niezdefiniowany; implementacje zwykle traktują to jako przypadek brzegowy.
Mechanizm lub definicja: co mierzy wskaźnik
ER porównuje dwie wielkości dla tego samego okna wstecznego:
-
Ruch netto (licznik)
- Ruch netto wykorzystuje tylko punkty początkowe i końcowe okna.
- Jeśli cena kończy się daleko od punktu startowego, ruch netto jest duży.
- Jeśli cena kończy się blisko punktu startowego, ruch netto jest mały.
-
Ruch całkowity (mianownik)
- Ruch całkowity sumuje bezwzględne zmiany między kolejnymi próbkami.
- Jeśli cena porusza się po prostej ścieżce (niewiele wahnięć w przód i w tył), ruch całkowity jest zbliżony do ruchu netto.
- Jeśli cena oscyluje (w przód i w tył), ruch całkowity staje się znacznie większy niż ruch netto.
Koncepcyjnie ER jest miarą efektywności ścieżki:
- Wysoki ER sugeruje, że cena przebyła okno przy stosunkowo niewielkiej korekcie (mniej ruchów w przód i w tył).
- Niski ER sugeruje, że cena poruszała się dużo, ale zakończyła blisko punktu startowego z powodu odwróceń lub szumu.
Dowód lub przykład: obliczanie ER krok po kroku (z wyraźnymi założeniami)
Załóżmy, że próbkujesz szereg cen w regularnych odstępach czasu (na przykład każdy słupek to jedna godzina) i wybierasz:
- Długość okna wstecznego n = 4 słupki.
- Używasz Cena = zamknięcie (konkretny wybór rodzaju ceny ma znaczenie; dane wejściowe ER to wybrany przez Ciebie szereg).
Niech cztery kolejne ceny w oknie będą:
- Cenaₜ−4 = 100
- Cenaₜ−3 = 101
- Cenaₜ−2 = 100
- Cenaₜ−1 = 103
- Cenaₜ = 104
1) Ruch netto
Ruch netto wykorzystuje tylko punkt początkowy i końcowy:
- |Cenaₜ − Cenaₜ−4| = |104 − 100| = 4
2) Ruch całkowity
Ruch całkowity sumuje bezwzględne zmiany krok po kroku:
- |101 − 100| = 1
- |100 − 101| = 1
- |103 − 100| = 3
- |104 − 103| = 1
Ruch całkowity = 1 + 1 + 3 + 1 = 6
3) ER
ER = 4 / 6 ≈ 0,667
Interpretacja (ogólna, nie prognostyczna):
- Jest to wartość wyższa niż 0, co oznacza, że przemieszczenie netto było stosunkowo duże w porównaniu z całkowitą przebyta drogą.
- Nie jest to „idealna efektywność”, ponieważ ruch całkowity przekroczył ruch netto, co sugeruje pewne odwrócenia.
Ograniczenia i ryzyka: co może pójść źle lub wprowadzić w błąd
Chociaż obliczenia są deterministyczne po wybraniu danych wejściowych, znaczenie i wiarygodność zależą od sposobu konfiguracji.
1) Dzielenie przez zero, gdy ruch całkowity wynosi zero
Jeśli mianownik (ruch całkowity) wynosi 0, to wszystkie kolejne ceny w oknie były identyczne (brak ruchu między próbkowanymi punktami). W takim przypadku ER nie może być obliczony w standardowej formie ilorazu.
Staranna implementacja musi zdefiniować zachowanie dla tego przypadku brzegowego (na przykład zwrócenie specjalnej wartości lub pominięcie punktu). Prawidłowe postępowanie zależy od Twojego przepływu pracy analitycznej.
2) Wrażliwość na wybraną długość okna wstecznego (n)
ER wykorzystuje ostatnie n interwałów. Zmiana n może znacząco zmienić ER, ponieważ:
- Dłuższe okno obejmuje więcej ruchu i więcej okazji do odwróceń.
- Krótsze okno skupia się na węższej ścieżce, co może wyolbrzymiać szum.
Zatem ER nie jest „uniwersalny”; podsumowuje efektywność konkretnego okna, które wybierzesz.
3) Zależność od próbkowania cen i rodzaju ceny
Dane wejściowe ER to konkretny szereg cen próbkowany według konkretnego harmonogramu.
- Użycie cen zamknięcia zamiast cen typowych lub innego pochodnego szeregu zmienia wartości krok po kroku.
- Użycie różnych rozmiarów słupków (więcej lub mniej próbek na jednostkę czasu) zmienia ścieżkę i ruch całkowity.
Dlatego dwa obliczenia ER przy użyciu różnych wyborów danych nie są bezpośrednio porównywalne.
4) Podatność na zaszumione dane i efekty mikrostruktury
Ponieważ mianownik wykorzystuje bezwzględne różnice między kolejnymi próbkami, na ER mogą wpływać:
- Małe wahania i szum
- Efekty związane z spreadem bid-ask w niektórych kontekstach
- Artefakty związane z wykonaniem w danych opartych na zdarzeniach
Nie czyni to wzoru „błędnym”, ale może sprawić, że obliczony ER będzie odzwierciedlał szum handlowy, a nie płynny ruch kierunkowy.
5) Historyczne zależności nie oznaczają przyszłych wyników
ER jest statystyką opisową ostatniej efektywności ruchu. Sam w sobie nie jest prognozą.
- Wysoki lub niski ER w przeszłości nie przesądza o tym, co wydarzy się w przyszłości.
- Każda interpretacja zakładająca przewidywalność jest dodatkowym krokiem wykraczającym poza obliczenia.
Weryfikacja lub kolejne pytanie: jak samodzielnie sprawdzić wynik
Aby samodzielnie zweryfikować obliczenia ER:
- Zapisz dokładne okno, którego używasz (który indeks to t i jakie jest n).
- Potwierdź dokładny szereg cen użyty dla Ceny (na przykład zamknięcie).
- Przelicz licznik, używając tylko cen początkowych i końcowych okna.
- Przelicz mianownik, sumując bezwzględne różnice między każdą kolejną parą wewnątrz okna.
- Sprawdź przypadek brzegowy, gdy ruch całkowity wynosi 0.
- Powtórz po zmianie jednego wejścia (takiego jak n), aby zobaczyć, jak wrażliwy jest ER na ten wybór.
Jeśli chcesz pójść dalej, użytecznym kolejnym pytaniem jest to, jak zmiana danych wejściowych (długość okna wstecznego i próbkowanie danych) zmienia zachowanie liczbowe ER oraz jakie ogólne interpretacje są odpowiednie dla opisowej metryki efektywności.