Como a Frama é Calculada

Resposta direta: o que significa o cálculo da “Frama”

FRAMA (frequentemente escrita como “Frama”) significa FRactal Adaptive Moving Average (Média Móvel Adaptativa Fractal). Ela é calculada para produzir uma média móvel cuja força de suavização se adapta a quão “complexa” ou “tendenciosa” a ação recente do preço parece. A adaptação vem da estimativa de uma dimensão fractal a partir das amplitudes de preço em múltiplas janelas de lookback e, em seguida, da conversão dessa estimativa em um fator de suavização efetivo.

Um ponto-chave é que o valor da Frama não é produzido por uma única fórmula usando apenas um parâmetro. Ele depende de:

• os comprimentos de lookback escolhidos,
• a definição dos dados de preço (por exemplo, usando amplitudes de alta/baixa derivadas de OHLC),
• e o mapeamento da dimensão fractal para o fator de suavização.

A mecânica: entradas e etapas principais do cálculo

1) Defina os dados e a “amplitude” usada

A maioria das implementações da Frama usa a amplitude do preço em uma janela, tipicamente derivada dos valores de alta e baixa. Um conceito padrão de amplitude é:

• Amplitude em uma janela: uma medida como (máxima mais alta − mínima mais baixa) dentro dessa janela.

Se você está verificando um cálculo por conta própria, a primeira tarefa é fixar a definição exata de “amplitude” que sua fonte usa, porque mudar a definição de amplitude muda a série resultante da Frama.

2) Divida o lookback principal em subjanelas

Um design típico da Frama usa um comprimento de janela principal (chame-o de N). Para estimar o comportamento fractal, o algoritmo considera:

• uma amplitude sobre as últimas N barras, e
• amplitudes sobre duas subjanelas consecutivas de comprimento N/2 (quando N é par).

Isso significa que, para uma barra no tempo t, você conceitualmente calcula:

• Amplitude1: amplitude sobre a primeira subjanela,
• Amplitude2: amplitude sobre a segunda subjanela,
• AmplitudeTotal: amplitude sobre a janela completa.

3) Calcule uma estimativa de dimensão fractal

A dimensão fractal (no sentido da Frama) é estimada a partir de como a AmplitudeTotal se compara à Amplitude1 e à Amplitude2. Uma abordagem comum é converter a razão em um valor de dimensão que aumenta quando o movimento do preço parece mais irregular e diminui quando parece mais uma tendência suave.

Como existem múltiplas versões na prática, a verificação exige checar sua referência escolhida para o mapeamento exato das razões de amplitude para a dimensão fractal.

4) Converta a dimensão fractal em um fator de suavização adaptativo

Uma vez que uma estimativa de dimensão fractal está disponível, a Frama a transforma em um fator de suavização. A ideia é:

• quando a complexidade estimada sugere “mais ruído”, a suavização se torna mais forte (resposta mais lenta),
• quando sugere “mais estrutura de tendência”, a suavização se torna mais fraca (resposta mais rápida).

Novamente, a conversão exata depende da implementação. Muitas variantes usam parâmetros como limites mínimos/máximos de suavização para manter o fator de suavização em uma faixa prática.

5) Aplique uma atualização de suavização exponencial

Finalmente, a Frama atualiza recursivamente no estilo de uma média móvel:

• o novo valor da Frama no tempo t é uma combinação do preço atual (ou um proxy escolhido, como um preço médio) e do valor anterior da Frama,
• onde o peso da combinação é o fator de suavização adaptativo calculado nas etapas 2–4.

Portanto, mesmo quando a matemática da dimensão fractal está correta, você ainda precisa verificar:

• qual “preço atual” é usado na atualização (fechamento vs. preço médio), e
• como o primeiro valor da Frama é inicializado.

Evidência ou exemplo: como verificar um cálculo da Frama sem suposições de negociação

Como a fórmula exata pode variar entre fontes, a maneira mais confiável de verificar “como é calculada” é reproduzi-la a partir de suposições fixas em um pequeno conjunto de dados.

Um procedimento de autoverificação

1. Escolha um trecho histórico curto e uma definição fixa de barra (por exemplo, OHLC com alta/baixa e fechamento).
2. Escolha N e a regra de divisão das subjanelas (por exemplo, N/2 em cada lado, exigindo um N par).
3. Calcule Amplitude1, Amplitude2 e AmplitudeTotal usando a mesma definição de amplitude da sua fonte alvo.
4. Aplique o mapeamento de dimensão fractal exatamente como declarado nessa fonte.
5. Calcule o fator de suavização adaptativo e, em seguida, a atualização recursiva da Frama.
6. Compare os valores finais da sua série com a saída alvo para as mesmas entradas.

Suposição material a declarar explicitamente

Declare suas suposições em suas anotações:

• se você usou (máxima mais alta − mínima mais baixa) como amplitude,
• se você usou fechamento ou preço médio na atualização final,
• como você lida com as primeiras N barras (sem saída, aquecimento ou inicialização),
• e se você usa apenas N par ou arredondamento para as subjanelas.

Se você mudar qualquer uma dessas coisas, deve esperar que os valores da Frama mudem—mesmo se você mantiver a mesma “ideia central” de adaptação fractal.

Limitações e modos de falha

1) Diferenças de implementação são comuns

“Frama” é um conceito algorítmico, mas diferentes plataformas e artigos podem usar detalhes diferentes para:

• o mapeamento da dimensão fractal,
• os limites de suavização,
• o proxy de preço na atualização,
• e a inicialização.

Portanto, você não pode comparar com segurança os valores da Frama entre provedores, a menos que os detalhes do cálculo coincidam.

2) Entradas baseadas em amplitude podem ser sensíveis a ruído

Usar amplitudes de alta/baixa significa que o indicador pode reagir fortemente a extremos intrabarra. Em condições instáveis, oscilações aleatórias podem mudar as razões de amplitude e, portanto, o fator de suavização adaptativo, mesmo quando a “tendência” subjacente não é clara.

3) As escolhas de parâmetros podem dominar o comportamento

O comprimento do lookback e quaisquer limites de suavização afetam fortemente a rapidez com que a Frama se adapta. Uma janela curta tende a ser mais responsiva, mas também pode ser mais instável. Uma janela mais longa tende a ser mais suave, mas pode atrasar. Isso é uma troca matemática e estatística, não uma garantia de correção.

4) Indicadores recursivos dependem das condições iniciais

Como a Frama é tipicamente recursiva, decisões de inicialização precoce e o tratamento do aquecimento podem afetar valores posteriores. Em históricos longos, a influência pode diminuir, mas em amostras mais curtas pode importar.

Verificação e próxima pergunta a fazer

Para explicar a Frama com precisão a outra pessoa, produza três coisas:

1. Os detalhes exatos da fórmula que você está usando, incluindo como amplitude, dimensão fractal, fator de suavização e atualização recursiva são definidos.
2. Uma lista de entradas necessárias (pelo menos alta/baixa e um preço para a etapa de atualização) e os parâmetros necessários (por exemplo, N e quaisquer limites de suavização).
3. Uma declaração de limitação com base nas escolhas de implementação que você assumiu (por exemplo, sensibilidade ao ruído de alta/baixa ou dependência da inicialização).

Uma próxima pergunta útil é: como as configurações que você escolhe mudam o equilíbrio entre responsividade e suavização? Se você compartilhar os nomes específicos dos parâmetros e as definições de preço/amplitude da fonte que está usando, o cálculo da Frama pode ser verificado passo a passo em relação ao seu conjunto de dados.