大家好，今天我们来聊聊平滑ADX指标，这个指标是应某位论坛朋友的要求而编写的，实际上也不算太复杂。不过，关于平滑ADX算法的描述在网上几乎没有找到，因此我将直接分享代码。
输入参数:
长度(14),
ADX趋势(25), alpha1(0.25), alpha2(0.33);
变量:
DMI正(0), DMI负(0), DMI(0), ADX(0),
DMI正引导(0), DMI负引导(0), DMI正最终(0), DMI负最终(0),
ADX引导(0), ADX最终(0);
接下来，我们调用内置的ADX函数，这样就不需要自己计算了：
接下来是对原始ADX指标进行平滑处理，DI+、DI-和ADX线都将被平滑：
DI正引导 = 2*DMI正 + (alpha1 - 2) * DMI正[1] + (1 - alpha1) * DMI正引导[1];DI正最终 = alpha2*DI正引导 + (1 - alpha2) * DMI正最终[1];
DI负最终 = alpha2*DI负引导 + (1 - alpha2) * DMI负最终[1];
ADX最终 = alpha2*ADX引导 + (1 - alpha2) * ADX最终[1];
最后，我们将在图表上绘制这些线：
Plot1(DI正最终, "DMI+");
Plot2(DI负最终, "DMI-");
Plot3(ADX最终, "ADX");
实际上，如果你不深入理解平滑ADX背后的深层含义，这个平滑过程可以分为两个阶段。假设我们有一个数值序列P，需要以最小滞后进行平滑。我们在第一阶段构建函数V(P)来表示P序列的振荡，公式如下：
- P0是当前序列的值（价格或指标）；
- P1是前一个序列的值；
- V1是前一个振荡值；
- V0是当前振荡值。
另一种表达方式是：
V0 = (Vol(P) + 3*V1) / 4,
其中：
Vol(P) = 8*P0 - 7*P1 - Ehlers的爆发（这个术语是我自己创造的）。
在第二阶段，我们应用简单的加权平滑：
W0 = (1*V0 + 2*W1) / (2 + 1)。
其中：
- W0是序列P的当前平滑值；
- V0是当前的P序列振荡值；
- W1是前一个平滑值。
在平滑ADX中，这个平滑算法被应用于标准ADX指标的所有三个缓冲区。这就是为什么我们称它为平滑ADX。如果我们对RSI指标进行平滑，我们就称之为平滑RSI等等。下面的图表显示，平滑ADX确实不像原始的标准ADX（平均方向运动指数）那样“剧烈”。
