Beranda Indikator Teknis Postingan

Indikator Tren Berdasarkan Analisis Spektrum Tunggal untuk MetaTrader 5

Mike • 2016-10-10 23:26
3 0 0
Lampiran
15865.zip (7.77 KB, Unduh 0 kali)

Halo, para trader! Kali ini kita akan membahas tentang cara mengekstrak tren dan menyaring noise menggunakan metode analisis spektrum tunggal. Dengan menyesuaikan parameter indikator, kita bisa mengontrol kehalusan tren yang diekstrak dan ambang penyaringan noise.

Waktu yang digunakan dalam strategi trading sangat menentukan bagaimana kita membagi data menjadi komponen tren, frekuensi rendah, dan frekuensi tinggi. Setelah itu, kita bisa melakukan rekonstruksi sinyal. Keunggulan dari indikator ini adalah tidak adanya keterlambatan fase, berbeda dengan metode penyaringan konvensional dan rata-rata yang halus.

Indikator tren yang berbasis metode "Caterpillar" melibatkan pengembangan seri harga menjadi komponen aditif. Menariknya, ini tidak membutuhkan seri untuk bersifat stasioner, model tren, atau informasi tentang adanya komponen periodik dan periode mereka.

Fitur dari indikator yang dikembangkan ini memungkinkan kita untuk melancarkan seri, mengekstrak tren, dan dengan memilih parameter penyesuaian dari model untuk seri harga awal, kita bisa mempertimbangkan kontribusi dari komponen osilator pada skala waktu yang lebih kecil — menyaring fluktuasi "noise".


Parameter Indikator

Parameter utama dari indikator ini adalah:

  1. SegmentLength — panjang fragmen "sejarah terbaru" dalam seri harga.
  2. SegmentLag — panjang dari "caterpillar". Dipilih dalam rentang dari 1/4 hingga 1/2 dari panjang fragmen. Parameter ini mempengaruhi kemampuan untuk membedakan komponen dan kehalusan tren.
  3. EigMax — jumlah komponen utama (mode diseksi). Menentukan dimensi subruang sinyal dan mempertimbangkan fluktuasi pada skala yang berbeda.
  4. EigNoiseFlag — flag untuk menghitung jumlah komponen utama, untuk beralih antara jumlah mode yang "tetap" dan nilai noise yang diperbolehkan. Opsi = 0,1,2.
  5. EigNoiseLevel — persentase noise yang diperbolehkan dalam "energi fluktuasi" total seri, jika EigNoiseFlag != 0. Ini akan menggantikan EigMax selama perhitungan.

Opsi dari parameter integer EigNoiseFlag:

  • 0 - dimensi ruang sinyal bersifat tetap: [1,EigMax] ( EigNoiseLevel diabaikan. Jika EigMax lebih besar dari yang diperbolehkan, maka akan dibatasi pada nilai yang diperbolehkan).
  • 1 — nilai mode individu terhadap total tidak kurang dari kesalahan yang ditentukan EigNoiseLevel. EigMax dipilih secara otomatis.
  • 2 — mempertimbangkan mode dengan total bagian tidak berbeda dari "satu" (penuh) tidak lebih dari EigNoiseLevel. EigMax dipilih secara otomatis.

Pemilihan dan dampak parameter yang khas:

  • SegmentLength — panjang fragmen seri harga di akhir sejarah data. Dipilih berdasarkan stabilitas sejarah dan sifat perubahan data yang lebih kurang seragam atau periode strategi.
  • SegmentLag — mengatur dimensi untuk "lebar filter" untuk mode individu (berbanding terbalik). Mempengaruhi kehalusan dan penyesuaian tren terhadap volatilitas grafik harga.
  • EigMax — mengatur dimensi subruang "sinyal" dengan informasi berguna. Mengatur ambang "noise".
  • EigNoiseLevel — mengatur nilai "noise" dalam total dispersi seri. Harus ditentukan sebagai Persentase.


Implementasi

Kelas CCaterpillar yang diimplementasikan dalam file CCaterpillar.mqh mencakup semua yang diperlukan untuk perhitungan tren, kecuali prosedur aljabar linier (perpustakaan ALGLIB digunakan untuk diseksi tunggal dari matriks trajektori). Kode yang disajikan dalam file mencakup deskripsi untuk anggota dan prosedur kelas.

Operasi indikator memerlukan file:

  • 1) MQL5\Include\SSA\CCaterpillar.mqh
  • 2) MQL5\Indicators\SingularMA.mq5
  • Perpustakaan ALGLIB (saya sejalan dengan banyak orang, yang berterima kasih kepada Sergey Bochkanov karena menyediakan perpustakaan metode numerik yang luar biasa ini)


Keunikan Penggunaan

Sebaiknya tidak mengatur fragmen data lebih dari 300 nilai karena beban komputasi yang tinggi. Optimalnya, gunakan 150-200. Anda selalu dapat beralih ke periode perhitungan grafik lain untuk mencakup interval sejarah yang lebih besar.

Disarankan untuk mengubah jendela "caterpillar" dalam rentang dari 1/3 hingga 1/2 dari panjang fragmen. Jika jendela melebihi setengah dari fragmen, maka karena simetri trajektori dan matriks yang ditransposisi, itu setara dengan segmen dengan panjang yang simetris relatif terhadap tengah fragmen. Panjang jendela yang kecil tidak memberikan rata-rata yang berkualitas dan pemisahan informasi pada mode tertentu.

Jika ada aliran data yang lambat di antarmuka grafis seri harga, solusi yang mungkin adalah: a) mengurangi panjang fragmen; b) meningkatkan parameter ReCalcLim dari diskrit perhitungan dalam fungsi OnCalculate.

Periode 5 menit. Dua tren SSA(120,50,4), SSA(50,20,7) dan rata-rata bergerak MA(14)

Gambar 1. Periode 5 menit. Dua tren SSA(120,50,4), SSA(50,20,7) dan rata-rata bergerak MA(14)


Periode 1 jam. Dua tren SSA(120,50,4), SSA(50,20,7) dan rata-rata bergerak MA(14)

Gambar 2. Periode 1 jam. Dua tren SSA(120,50,4), SSA(50,20,7) dan rata-rata bergerak MA(14)


Periode 1 hari. Dua tren SSA(120,50,4), SSA(50,20,7) dan rata-rata bergerak MA(14)

Gambar 3. Periode 1 hari. Dua tren SSA(120,50,4), SSA(50,20,7) dan rata-rata bergerak MA(14)

Penggunaan analisis tunggal untuk penerapan indikator tren dalam bentuk ini adalah ilustrasi dasar. Penggunaan luas metode SSA di sektor keuangan untuk analisis dan peramalan seri waktu telah dipresentasikan sebelumnya.


Referensi

  1. Elsner J.B., Tsonis A.A. Analisis Spektrum Tunggal: Alat Baru dalam Analisis Seri Waktu. Plenum Press. New York, 1996. 164 p.
  2. D. L. Danilov dan A. A. Zhiglyavskii Komponen Utama dalam Seri Waktu: Metode Caterpillar. Universitas Negeri St. Petersburg, 1997 - 308 p.
  3. N. E. Golyandina Metode "Caterpillar"-SSA: analisis seri waktu: Panduan Studi. St. Petersburg: 2004. - 76 p.
  4. Komponen Utama dalam Seri Waktu: Metode Caterpillar, disunting oleh D. L. Danilov, A. A. Zhigljavsky. St. Petersburg: Presskom, 1997. P. 308.
  5. Metode «Caterpillar»-SSA — ARIMA — SIGARCH dan ARSIMA — SIGARCH model untuk analisis dan peramalan seri waktu ekonomi dan keuangan: Prosiding Konferensi Ilmiah Internasional Kedua "Metode matematis, model dan teknologi informasi dalam ekonomi", 4-6 Mei 2011, Chernivtsi. — P. 306—308.
  6. Kozhihova N.A., Shiryaev V.I. Peramalan seri waktu menggunakan komponen kacau. Buletin Universitas Negeri Ural Selatan, № 22, 2010, P. 22-25.
  7. A.M. Avdeenko Penasihat dan indikator berdasarkan model SSA dan generalisasi non-linier // lihat. arXiv:

Postingan terkait

Daftar
Komentar (0)