Jakie dane wejściowe wykorzystuje Multi Timeframe Trend?
Co Multi Timeframe Trend wykorzystuje jako dane wejściowe
Multi Timeframe Trend (MTT) to podejście do określania kierunku trendu, które tworzy ramy decyzyjne na podstawie wielu wykresów o różnych ramach czasowych, zamiast polegać na jednej ramie czasowej. Mówiąc wprost, „dane wejściowe” to dane oraz ustawienia używane do (1) określenia kierunku trendu na każdej ramie czasowej oraz (2) połączenia tych kierunków w jeden, nadrzędny sygnał.
Ponieważ różne platformy i dostawcy wdrażają MTT w odmienny sposób, dokładną listę danych wejściowych należy traktować jako „zależną od konkretnych reguł”. W tym artykule opisano typowe, stabilne kategorie danych wejściowych, które można zweryfikować we własnej implementacji.
Mechanizm i definicja: typowe kategorie danych wejściowych
MTT zazwyczaj rozpoczyna się od następujących kategorii danych wejściowych.
- Dane cenowe (surowy zbiór danych)
- Serie cen rynkowych, takie jak otwarcie, maksimum, minimum, zamknięcie (OHLC) i/lub serie pochodne (na przykład średnie obliczone na podstawie tych cen).
- Źródło serii ma znaczenie: niektóre systemy obliczają wskaźniki z tych samych wyświetlanych świec; inne mogą korzystać z wewnętrznych strumieni danych lub nieco innej konstrukcji świec. Nawet jeśli widzisz te same etykiety ram czasowych, dokładne słupki mogą się różnić.
- Wybór ram czasowych (które wykresy są używane)
- Co najmniej dwie ramy czasowe: „wyższa” rama czasowa reprezentująca szerszą strukturę rynku oraz „niższa” rama czasowa reprezentująca timing lub potwierdzenie.
- Konkretna para ram czasowych (na przykład dowolny wybór wyższa/niższa) jest parametrem wejściowym, który może znacząco zmienić zachowanie.
- Metoda definiowania trendu (jak mierzony jest „trend”)
- Wiele implementacji określa kierunek trendu, stosując technikę pomiaru trendu do danych cenowych z każdej ramy czasowej.
- Typowe metody obejmują: porównywanie średnich kroczących, ocenę, czy cena jest konsekwentnie powyżej/poniżej punktu odniesienia, lub szacowanie kierunkowego nachylenia na podstawie reguł struktury/stromości.
- Wybrana metoda staje się kluczowym danym wejściowym, ponieważ zmienia to, co kwalifikuje się jako „wzrost” lub „spadek”.
- Progi i parametry (ustawienia reguł)
- Jeśli definicja trendu wykorzystuje progi, są one danymi wejściowymi. Przykłady typów parametrów obejmują długość okresu wstecznego dla danej miary trendu, długość wygładzania oraz wszelkie warunki „buforowe”.
- Parametry te są zwykle liczbami całkowitymi lub zmiennoprzecinkowymi wewnątrz reguły, a ich zmiana może odwrócić klasyfikację.
- Logika łączenia (jak wiele ram czasowych staje się jednym sygnałem)
- Dane wejściowe obejmują również regułę decyzyjną dotyczącą łączenia wyników: na przykład, czy niższa rama czasowa musi być zgodna z wyższą ramą czasową, czy też brak zgodności anuluje sygnał.
- Niektóre reguły wymagają „wyrównania” na obu ramach czasowych; inne przypisują większą wagę jednej ramie czasowej.
Dowody lub przykład: co wymienić podczas weryfikacji danych wejściowych
Praktycznym sposobem opisania danych wejściowych MTT jest zapisanie ich w formie listy kontrolnej. Poniżej znajduje się samodzielny przykładowy szablon, który można dostosować (bez zakładania domyślnych ustawień żadnej konkretnej platformy).
Załóżmy, że:
- Używane są dwie ramy czasowe: wyższa rama czasowa H i niższa rama czasowa L.
- Kierunek trendu na każdej ramie czasowej jest określany przez porównanie referencyjnej miary trendu.
- System generuje sygnał tylko wtedy, gdy H i L są zgodne.
W takim przypadku lista danych wejściowych powinna wyraźnie obejmować:
- Dane: serie OHLC używane dla H i L (oraz założenia dotyczące strefy czasowej/sesji, jeśli wykres ich używa).
- Ramy czasowe: dokładny wybór H i L.
- Miara trendu: metoda zastosowana na każdej ramie czasowej (na przykład porównanie średnich kroczących lub reguła struktury).
- Parametry trendu: wartości okresu wstecznego/wygładzania/progów.
- Reguła łączenia: czy wymaga zgodności (H w górę ORAZ L w górę), czy dopuszcza częściową zgodność.
Nawet bez cen na żywo można niezależnie zweryfikować dane wejściowe, odtwarzając te same stałe ustawienia na danych historycznych i sprawdzając, czy klasyfikacja jest zgodna z opisaną logiką.
Ograniczenia i ryzyka: istotne tryby awarii
Największe ryzyka MTT wynikają z rozbieżności między zakładanymi danymi wejściowymi a tym, co jest faktycznie obliczane.
- Zmiany reżimu rynkowego: rynek może przejść z trendu bocznego w trend (lub odwrotnie). Gdy definicje trendu opierają się na ciągłości historycznej, klasyfikacje mogą być opóźnione.
- Różnice w danych i konstrukcji świec: dwie implementacje mogą oznaczać ramy czasowe w ten sam sposób, ale obliczać nieco inne świece, co prowadzi do różnych pomiarów trendu.
- Wrażliwość na parametry: długości okresów wstecznych, progi i logika wyrównania mogą znacząco zmienić okresy kwalifikujące się jako „trend”.
- Opóźnienie potwierdzenia: wymaganie zgodności wielu ram czasowych często zmniejsza wczesne wykrywanie, ale w niektórych reżimach może zmniejszyć liczbę fałszywych sygnałów; ten kompromis nie jest uniwersalny.
Ograniczeniem istotnym dla każdego obliczenia lub przykładu jest to, że zależności historyczne nie przesądzają o przyszłych wynikach. Ponadto wyniki różnią się w zależności od warunków rynkowych, kosztów, wykonania i jurysdykcji, nawet przy identycznych danych wejściowych.