分类
如何选择好用的交易平台

开始是基于均线的MASample

  • 文章作者 伍丽
  • 发布日期 8月 19, 2022
开始是基于均线的MASample
05-07 921

Please verify you are a human

Access to this page has been denied because we believe you are using automation tools to browse the website.

This may happen as a result of the following:

  • Javascript is disabled or blocked by an extension (ad blockers for example)
  • Your browser does not support cookies

Please make sure that Javascript and cookies are enabled on your browser and that you are not blocking them from loading.

MA均线及序列值

bus_lupe 于 2018-12-07 22:59:12 发布 701 收藏

ima = Average(C, 30);PlotNumeric("ima", ima);Vars NumericSeries ser;Begin ser = C; PlotString("ser", Text(ser[1]), L); End

05-07 921

时序预测 | MATLAB实现MA时间序列预测 目录时序预测 | MATLAB实现MA时间序列预测基本介绍模型描述程序设计参考资料 基本介绍 如果某个时间序列的任意数值服从q阶的移动平均过程，可以表示为MA(q)。可以发现，某个时间点的指标数值等于白噪声序列的加权和，如果回归方程中，白噪声只有两项，那么该移动平均过程为2阶移动平均过程MA(2)。比较自回归过程和移动平均过程可知，移动平均过程其实可以作为自回归过程的补充，解决自回归方差中白噪声的求解问题，两者的组合就成为自回归移动平均过程，称为ARMA模型

移动平均线的使用技巧－54098545八大法则 移动平均线的买入时机： 平均线从下降逐渐走平，而价格从平均线的下方突破平均线时，是买进信号。 价格虽跌入平均线之下，而平均线在上扬，不久价格又回到平均线上时为买进信号。 价格线走在平均线之上，价格虽然下跌，但未跌破平均线，价格又上升时可以加码买进。 价格线低于平均线，突然暴跌，远离平均线之时，极可能再趋向平均线，是为买进时机。 移动平均线的卖出时机： 平均线从上升逐渐走平，而价格从平均线的上方往下跌破平均线时，应是卖出信号。 价格呈上升突破平均线，但又立刻回复到平均线之下，而且平均线仍在继续下跌时，是卖出时机。 价格线在平均线之下，价格上升但未达平均线又告回落，是卖出时机。 价格线在上升中，且走在平均线之上，突然暴涨，远离平均线，很可能再趋向平均线，为卖出时机。

01-28 3712

Python教程网：www.python88.cn 1 什么是时间序列 时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。 例如：某监控系统的折线图表，显示了请求次数和响应时间随时间的变化趋势 2 Pandas的时间类型 pd.to_datetime(.

01-31 2250

均方误差(MSE)

yleavesw 于 2019-08-18 13:51:30 发布 119939 收藏 248

  1. SSE(和方差、误差平方和)：The sum 开始是基于均线的MASample 开始是基于均线的MASample of squares due to error
  2. MSE(均方差、方差)：Mean squared error
  3. RMSE(均方根、标准差)：Root mean squared error

数理统计中均方误差是指参数估计值与参数真值之差平方的期望值，记为MSE。MSE是衡量“平均误差”的一种较方便的方法，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
首先先回顾复习三个概念：
1）方差：方差是在概率论和统计方差衡量随机变量或一组数据的离散程度的度量方式，方差越大，离散度越大。求解方式为，各随机变量与平均值差值的平方和的平均数（先求差，再平方，再平均）

M = x 1 + x 2 + ⋯ + x n n M=\frac M = n x 1 ​ + x 2 ​ + ⋯ + x n ​ ​

s 2 = ( x 1 − M ) 2 + ( x 1 − M ) 2 + ⋯ + ( x n − M ) 2 n s^2=\frac s 2 = n ( x 1 ​ − M ) 2 + ( x 1 ​ − M ) 2 + ⋯ + ( x n ​ − M ) 2 ​

D ( x ) = E ( x 开始是基于均线的MASample 2 ) − ( E ( x ) ) 2 D(x)=E(x^2)-(E(x))^2 D ( x ) = E ( x 2 ) − ( E ( x ) ) 2

标准差公式：

σ = 1 n ∑ i = 1 n ( x i − μ ) 2 \sigma=\sqrt\sum_^n(x_i-\mu)^2> σ = n 1 ​ i = 1 ∑ n ​ ( x i ​ − μ ) 2

σ ^ 2 = 开始是基于均线的MASample 1 n − 1 ∑ i = 1 n ( x i − μ ) 2 \hat^2=\frac\sum_^n(x_i-\mu)^2 σ ^ 2 = n − 1 1 ​ i = 1 ∑ n ​ ( x i ​ − μ ) 2

1.SSE（和方差）

S S E = ∑ i = 1 m w i ( y i − y i ^ ) 2 SSE=\sum_^w_i(y_i-\hat)^2 S S E = i = 1 ∑ m ​ w i ​ ( y i ​ − y i ​ ^ ​ ) 2

其中 y i y_i y i ​ 是真实数据 y i ^ \hat y i ​ ^ 开始是基于均线的MASample ​ 是拟合的数据， w i > 0 w_i>0 w i ​ > 0 从这里可以看出SSE越接近于0，说明模型选择和拟合更好，数据预测也越成功。接下来的MSE和RMSE因为和SSE是同出一宗，所以效果一样。

2.MSE（均方误差）

该统计参数是预测数据和原始数据对应点误差的平方和的均值，也就是 开始是基于均线的MASample S S E n \frac n S S E ​ 和 S S E SSE S S E 没有太大的区别，计算公式为:

M S E = S S E n = 1 n ∑ i = 1 m w i ( y i − y i ^ ) 2 MSE=\frac=\frac\sum_^w_i(y_i-\hat)^2 M S E = n S S E ​ = n 1 ​ i = 1 ∑ m ​ w i ​ ( y i ​ − y i ​ ^ ​ ) 2

其中 n n n 为样本的个数。

3.RMSE（均方根误差）

R M S E = M S E = S S E n = 1 n ∑ i = 1 m w i ( y i − y i ^ ) 2 RMSE=\sqrt=\sqrt>=\sqrt\sum_^w_i(y_i-\hat)^2> R M S E = M S E

自适应均线策略

SherlockGh 于 2014-12-13 21:20:35 发布 18881 收藏 14

Filter =percentage * stdev( ama[i] –ama[i-1], n)

Ama[i] – ama[i-1]> filter or Ama[i] – ama[i-2]> filter 买入

Filter =percentage * stdev( ma10[i] – ma10[i-1], 20) , 系数取值同上

Close – ma10 > filter 买入

Filter =percentage * stdev( ama[i] – ama[i-1], n) , 系数取值同上

Close – ama > filter 买入

20060825—20070202 64%，20070720—20071019 43%，19990520—1999070632%，

20090429—20090807 32%，20060315-20060609 21%

从上述结果可以看到， 基于原文自适应均线的交易策略，以上证综指为对象，获得了比较不错的效果， 比正常的指数收益超出126%左右，比以10日均线的买卖策略超出107%。究其原因，主要是自适应均线在保留均线策略在指数大幅下跌时能够避开主要跌幅的优势外，在牛市时不会因为暂时跌破短期均线频繁操作而减少利润。

已破解的交易策略源码：

DIRECTION:=CLOSE-REF(CLOSE,10);
VOLATILITY:=SUM(ABS((CLOSE-REF(CLOSE,1))),10);
ER:=ABS(DIRECTION/VOLATILITY);
FASTSC:=2/(2 + 1);
SLOWSC:=2/(30 + 1);
SSC:=ER*(FASTSC-SLOWSC)开始是基于均线的MASample +SLOWSC;
cxh99.com:c,nodraw;
CONSTANT:=SSC*SSC;
AMAHIGH:=REF(EMA(HIGH,100),1)+CONSTANT*(HIGH- EMA(HIGH,100));
AMACLOSE:=REF(EMA(CLOSE,100),1)+CONSTANT*(CLOSE- REF(EMA(CLOSE,100),1));
AMALOW:=REF(EMA(LOW,100),1)+CONSTANT*(LOW- EMA(LOW,100));
REF(LOW>AMAHIGH,1),BK;
REF(CLOSE REF(HIGH REF(CLOSE>AMACLOSE OR CLOSE>=1.005*SKPRICE,1),BP;
AUTOFILTER;

源码解析：

DIRECTION赋值:收盘价-10日前的收盘价
VOLATILITY赋值:(收盘价-昨收)的绝对值的10日累和
ER赋值:DIRECTION/VOLATILITY的绝对值
FASTSC赋值:2/(2 + 1)
SLOWSC赋值:2/(30 + 1)
SSC赋值:ER*(FASTSC-SLOWSC)+SLOWSC
输出CXH99.COM:收盘价,NODRAW
CONSTANT赋值:SSC*SSC
AMAHIGH赋值:昨日最高价的100日指数移动平均+CONSTANT*(最高价- 最高价的100日指数移动平均)
AMACLOSE赋值:昨日收盘价的100日指数移动平均+CONSTANT*(收盘价- 昨日收盘价的100日指数移动平均)
AMALOW赋值:昨日最低价的100日指数移动平均+CONSTANT*(最低价- 最低价的100日指数移动平均)
昨日最低价>AMAHIGH,BK
昨日收盘价 昨日最高价 昨日收盘价>AMACLOSEORCLOSE>=1.005*SKPRICE,BP
AUTOFILTER