技术指标

重心指标:精准捕捉市场转折点的秘密
MetaTrader4
重心指标:精准捕捉市场转折点的秘密

重心指标简介 重心指标(Center of Gravity)是一种零延迟的技术分析工具,能够帮助我们精准地识别市场的转折点。这一指标是基于Ehlers对自适应滤波器研究的成果。 重心指标的原理 重心指标几乎没有延迟,能够快速识别主要的支撑和阻力位。其计算方法源于对不同有限脉冲响应(FIR)滤波器延迟的研究。简单移动平均(SMA)作为一种FIR滤波器,所有的系数都是相同的,因此其重心正好在滤波器的中心。而加权移动平均(WMA)则对价格变化进行加权,最后的价格变化在滤波器的长度上占据了更大的比重。 WMA与SMA的重心比较 WMA的权重系数可以用三角形的轮廓来表示,重心位于三角形底边的1/3处。这意味着,相同长度的WMA的重心相对于SMA的重心向右偏移,从而减少了延迟。在所有FIR滤波器的例子中,系数与价格的乘积之和必须除以系数之和,以保留原始价格。 重心指标的计算公式 重心指标的计算使用Ehlers滤波器,公式如下: 参数设置 在这个指标中,Per=10 参数设置了指标计算的周期;PriceType=0 则设置了计算指标的价格类型,从而得出主线(蓝色)。对于信号线(红色),SmoothPer=3 用于平滑主指标线的周期,而SmoothType=0 则表示平滑类型。参数值的解释在指标代码中以注释形式给出。

2008.02.10
斯皮尔曼等级相关性:交易中的统计工具
MetaTrader4
斯皮尔曼等级相关性:交易中的统计工具

斯皮尔曼等级相关性是一种非参数方法,常用于研究变量之间的关系。在这里,我们主要是检测两个数值序列之间的平行程度。计算斯皮尔曼等级相关性的步骤第一步:将每个指标与其对应的排名进行配对,并按从高到低或从低到高的顺序排列。第二步:对每对需要比较的值的两个排名进行相减。第三步:将每个差值平方后加总。第四步:使用以下公式计算等级相关性:其中,为排名差值的平方和,为配对观察的数量。使用等级相关性时,通常将相关系数小于或等于0.3视为低相关性,0.4至0.7视为中等相关性,而大于0.7则视为高度相关性。总体来说,斯皮尔曼等级相关性在统计能力上稍逊于参数相关性。当观察数量较少时,使用等级相关性是合理的。这个方法可以用于数值数据,也适用于注册值的不同强度属性情况。另外,这个指标属于振荡器的一种。与随机振荡器相比,它的平滑度更高,并且不会在转折点上滞后。参数设置影响计算算法的唯一外部参数是 rangeN。它设定了我们试图寻找规律的 bars 数量。如果 rangeN = 14,那么我们将取收盘价格序列 Close[i], Close[i+1], ... Close[i+rangeN-1],并为它们构建一个排名序列,即在序列排序时找到每个收盘价的位置。在这种情况下,一个实际图表将与另一个单调递增的图表进行比较。direction 参数表示从最高值到最低值(true)或从最低值到最高值(false)的排序。值为 true 时显示的是更常见的图像,而 false 则生成反转的图像。CalculatedBars 参数的引入是为了限制计算的 bars 数量,以节省 CPU 资源(尽管这其实并不必要)。该参数为零时,表示将对所有可用历史进行计算。Maxrange = 30 则设置最大计算周期,这个参数也是为了节省资源,也许有人会需要它。

2008.02.10
平滑ADX指标详解:提升交易决策的利器
MetaTrader4
平滑ADX指标详解:提升交易决策的利器

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: Value1 = DirMovement(H, L, C, Length, DMI正, DMI负, ADX);   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负引导 = 2*DMI负 + (alpha1 - 2) * DMI负[1] + (1 - alpha1) * DMI负引导[1];DI负最终 = alpha2*DI负引导 + (1 - alpha2) * DMI负最终[1];   ADX引导 = 2*ADX + (alpha1 - 2) * ADX[1] + (1 - alpha1) * ADX引导[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”。

2008.02.10
首页 上一页 379 380 381 382 383 384 385 386 387 388 389 下一页 末页