Weighted Moving Average Filter C ++

Uma Média Móvel Ponderada é uma média de dados calculados durante um período de tempo, onde maior peso é anexado aos dados mais recentes. A média móvel ponderada pode ser usada com qualquer preço incluindo o preço Hi, Low, Open ou Close e pode ser aplicada a outros indicadores também. A média móvel ponderada suaviza uma série de dados, que é importante em um mercado volátil, pois ajuda a identificar tendências muito mais facilmente. A ponderação é calculada a partir de uma soma de dias. Dundas Chart para Windows Forms tem quatro tipos de médias móveis, incluindo Simple. Exponencial. Triangular. E ponderada. A diferença mais importante entre as médias móveis acima é como eles pesam seus pontos de dados. Recomendamos que você leia Usando fórmulas financeiras antes de prosseguir. Usando fórmulas financeiras fornece uma explicação detalhada sobre como usar fórmulas e também explica as várias opções disponíveis para você ao aplicar uma fórmula. Um gráfico de linhas é uma boa opção ao exibir uma média móvel ponderada. Interpretação financeira: A média móvel ponderada é usada para comparar um valor com sua média móvel ponderada, e dá mais influência para dados recentes e menos influência para dados passados. O elemento mais importante utilizado no cálculo da média móvel é um período de tempo, que deve ser igual ao ciclo de mercado observado. A média móvel ponderada é indicador de atraso, e estará sempre por trás do preço. Quando o preço está seguindo uma tendência a média móvel ponderada é muito perto do preço. Quando um preço está aumentando, a média móvel ponderada provavelmente permanecerá baixa devido à influência dos dados históricos. Cálculo: A média móvel ponderada é calculada utilizando uma soma de índices de períodos de tempo (pontos de dados). O peso para cada período é calculado como índice (Número de pontos de dados). A tabela a seguir demonstra como calcular uma média móvel ponderada de 5 dias: É possível implementar uma média móvel em C sem a necessidade de uma janela de amostras? Encontrei que posso otimizar um pouco, escolhendo um tamanho de janela que é um poder de Dois para permitir bit-shifting em vez de dividir, mas não precisando de um buffer seria bom. Existe uma maneira de expressar um novo resultado da média móvel apenas como uma função do antigo resultado e da nova amostra Definir um exemplo de média móvel, através de uma janela de 4 amostras para ser: Adicionar nova amostra e: Uma média móvel pode ser implementada recursivamente , Mas para um cálculo exato da média móvel você deve se lembrar da amostra de entrada mais antiga na soma (ou seja, o a no seu exemplo). Para um comprimento N média móvel você calcula: onde yn é o sinal de saída e xn é o sinal de entrada. Eq. (1) pode ser escrito recursivamente como Então você sempre precisa lembrar a amostra xn-N para calcular (2). Como indicado por Conrad Turner, você pode usar uma janela exponencial (infinitamente longa), que permite calcular a saída somente da saída anterior e da entrada atual: mas esta não é uma média móvel padrão (não ponderada), mas uma média exponencial Ponderada média móvel, onde as amostras mais no passado obter um menor peso, mas (pelo menos em teoria) você nunca se esqueça nada (os pesos apenas ficar menor e menor para amostras no passado). Eu implementei uma média móvel sem memória de item individual para um programa de rastreamento GPS que eu escrevi. Eu começo com 1 amostra e dividir por 1 para obter o avg atual. Eu adiciono então uma outra amostra e divido por 2 à corrente avg. Isso continua até que eu chegar ao comprimento da média. Cada vez depois, eu adiciono na nova amostra, obter a média e remover essa média do total. Eu não sou um matemático, mas isso parecia ser uma boa maneira de fazê-lo. Eu imaginei que iria transformar o estômago de um cara de matemática real, mas, verifica-se que é uma das formas aceitas de fazê-lo. E funciona bem. Basta lembrar que quanto maior o seu comprimento, mais lento é seguir o que você deseja seguir. Isso pode não importar a maior parte do tempo, mas quando os satélites seguintes, se você é lento, a trilha poderia estar longe da posição real e vai ficar mal. Você poderia ter uma lacuna entre o sat e os pontos de arrasto. Eu escolhi um comprimento de 15 atualizado 6 vezes por minuto para obter alisamento adequado e não ficar muito longe da posição real sentado com os pontos de trilha suavizada. Respondida Nov 16 16 at 23:03 initialize total 0, count0 (cada vez vendo um novo valor Então uma entrada (scanf), um add totalnewValue, um incremento (count), uma divide average (totalcount) Todas as entradas Para calcular a média apenas nas últimas 4 entradas, seria necessário 4 variáveis ​​de entrada, talvez copiando cada entrada para uma variável de entrada mais antiga, calculando a nova média móvel como a soma das 4 variáveis ​​de entrada, dividida por 4 Bom se todos os insumos foram positivos para fazer o cálculo médio respondido Feb 3 15 at 4:06 Isso vai realmente calcular a média total e NÃO a média móvel. Como a contagem fica maior o impacto de qualquer nova amostra de entrada torna-se ndash nitidamente pequeno Hilmar fevereiro 3 15 at 13:53 Sua resposta 2017 Stack Exchange, IncEu estou tentando calcular a média móvel de um sinal. O valor do sinal (um duplo) é atualizado em tempos aleatórios. Eu estou procurando uma maneira eficiente para calcular a sua média ponderada em tempo Ove R uma janela de tempo, em tempo real. Eu poderia fazer isso sozinho, mas é mais desafiador do que eu pensava. A maioria dos recursos que eu encontrei na internet estão calculando a média móvel do sinal periódico, mas as atualizações de minas em tempo aleatório. Alguém sabe bons recursos para que o truque é o seguinte: Você recebe atualizações em tempos aleatórios por meio de atualização void (tempo int, valor float). No entanto, você também precisa acompanhar quando uma atualização cai fora da janela de tempo, então você definir um alarme que chamado no tempo N que remove a atualização anterior de ser sempre considerado novamente na computação. Se isso acontecer em tempo real, você pode solicitar que o sistema operacional faça uma chamada para um método void dropoffoldestupdate (int time) para ser chamado no momento N Se esta é uma simulação, você não pode obter ajuda do sistema operacional e você precisa Faça-o manualmente. Em uma simulação você chamaria métodos com o tempo fornecido como um argumento (que não se correlaciona com o tempo real). No entanto, uma suposição razoável é que as chamadas são garantidas de tal forma que os argumentos de tempo estão aumentando. Neste caso, você precisa manter uma lista ordenada de valores de tempo de alarme e, para cada atualização e chamada de leitura, você verifica se o argumento de tempo é maior que o cabeçalho da lista de alarmes. Enquanto é maior você faz o processamento relacionado com o alarme (solte a atualização mais antiga), remova a cabeça e verifique novamente até que todos os alarmes antes do tempo determinado sejam processados. Em seguida, faça a chamada de atualização. Até agora tenho assumido que é óbvio o que você faria para a computação real, mas vou elaborar apenas no caso. Eu suponho que você tem um método float read (tempo int) que você usa para ler os valores. O objetivo é tornar essa chamada o mais eficiente possível. Portanto, você não calcula a média móvel sempre que o método de leitura é chamado. Em vez disso, você precompute o valor a partir da última atualização ou o último alarme e ajustar esse valor por um par de operações ponto flutuante para conta para a passagem do tempo desde a última atualização. (Isto é, um número constante de operações excepto para talvez processar uma lista de alarmes acumulados). Esperemos que isso seja claro - este deve ser um algoritmo bastante simples e bastante eficiente. Otimização adicional. Um dos problemas restantes é se um grande número de atualizações acontecer dentro da janela de tempo, então há um longo tempo para que não há nem lê nem atualizações e, em seguida, uma leitura ou atualização vem junto. Neste caso, o algoritmo acima será ineficiente na atualização incremental do valor para cada uma das atualizações que está caindo. Isso não é necessário porque só nos preocupamos com a última atualização além da janela de tempo, por isso, se houver uma maneira de descartar eficientemente todas as atualizações antigas, isso ajudaria. Para fazer isso, podemos modificar o algoritmo para fazer uma busca binária de atualizações para encontrar a atualização mais recente antes da janela de tempo. Se houver relativamente poucas atualizações que precisam ser descartadas, então um pode atualizar incrementalmente o valor para cada atualização descartada. Mas se houver muitas atualizações que precisam ser descartadas, então um pode recalcular o valor do zero após deixar as atualizações antigas. Apêndice sobre Computação Incremental: Eu deveria esclarecer o que eu quero dizer por computação incremental acima na sentença tweak este valor por um par de operações de ponto flutuante para explicar a passagem do tempo desde a última atualização. Cálculo inicial não incremental: então iterar sobre datas relevantes por ordem crescente de tempo: movendo-se (sum lastupdate timesincelastupdate) windowlength. Agora, se exatamente uma atualização cai da janela, mas nenhuma nova atualização chegar, ajuste a soma como: (note que é priorupdate que tem seu timestamp modificado para iniciar o último início da janela). E se exatamente uma atualização entra na janela, mas nenhuma nova atualização cai, ajuste a soma como: Como deve ser óbvio, este é um esboço aproximado, mas espero que ele mostra como você pode manter a média de tal forma que é O (1) operações por atualização Sobre uma base amortizada. Mas observe otimização adicional no parágrafo anterior. Observe também as questões de estabilidade aludidas em uma resposta mais antiga, o que significa que os erros de ponto flutuante podem se acumular em um grande número de tais operações incrementais, de modo que há uma divergência em relação ao resultado da computação completa que é significativa para a aplicação. Se uma aproximação é OK e há um tempo mínimo entre as amostras, você pode tentar super-amostragem. Tenha uma matriz que represente intervalos de tempo uniformemente espaçados que sejam mais curtos do que o mínimo, e em cada período de tempo armazene a amostra mais recente que foi recebida. Quanto mais curto o intervalo, mais próxima a média será do valor verdadeiro. O período não deve ser maior do que a metade do mínimo ou há uma chance de faltar uma amostra. Respondeu Dec 15 11 at 18:12 respondeu Dec 15 11 at 22:38 Obrigado pela resposta. Uma melhoria que seria necessário para realmente quotcachequot o valor da média total para que don39t loop o tempo todo. Além disso, pode ser um ponto menor, mas não seria mais eficiente usar um deque ou uma lista para armazenar o valor, uma vez que assumimos que a atualização virá na ordem correta. A inserção seria mais rápida do que no mapa. Ndash Arthur 16 dez às 8:55 Sim, você poderia armazenar em cache o valor de soma. Subtraia os valores das amostras que você apaga, adicione os valores das amostras inseridas. Além disso, sim, um dequeltpairltSample, Dategtgt pode ser mais eficiente. Eu escolhi o mapa para a legibilidade, ea facilidade de invocar map :: upperbound. Como sempre, escreva o código correto primeiro, depois perfil e mude as mudanças incrementais. Ndash Rob 16 de dezembro às 15:00 Nota: Aparentemente esta não é a maneira de abordar isso. Deixando aqui para referência sobre o que está errado com esta abordagem. Verifique os comentários. UPDATED - com base no comentário Olis. Não tenho certeza sobre a instabilidade de que ele está falando embora. Use um mapa ordenado de tempos de chegada contra valores. Após a chegada de um valor adicionar a hora de chegada para o mapa ordenado juntamente com o seu valor e atualizar a média móvel. Aviso este é pseudo-código: Lá. Não totalmente desenvolvido, mas você começa a idéia. Coisas a observar. Como eu disse o acima é pseudo código. Você precisará escolher um mapa apropriado. Não remova os pares à medida que você iterar através como você irá invalidar o iterador e terá que começar novamente. Veja Olis comentário abaixo também. Este trabalho não funciona: ele não leva em conta que proporção do comprimento da janela de cada valor existe para. Além disso, essa abordagem de adição e subtração é apenas estável para tipos inteiros, e não para flutuadores. Ndash Oliver Charlesworth Dec 15 11 em 12:29 OliCharlesworth - desculpe eu perdi alguns pontos-chave na descrição (duplo e ponderada). Eu vou atualizar. Obrigado. Ndash Dennis Dec 15 11 at 12:33 A ponderação de tempo é ainda outro problema. Mas isso não é o que eu estou falando. Eu estava me referindo ao fato de que quando um novo valor entra pela primeira vez na janela de tempo, sua contribuição para a média é mínima. Sua contribuição continua a aumentar até que um novo valor entre. Ndash Oliver Charlesworth Dec 15 11 at 12: 35A Média Móvel Simples é uma média de dados calculados durante um período de tempo. A média móvel é o indicador de preços mais utilizado nas análises técnicas. Esta média pode ser usada com qualquer preço incluindo Hi, Low, Open ou Close, e pode ser aplicada a outros indicadores também. Uma média móvel suaviza uma série de dados, que é muito importante em um mercado volátil, pois ajuda a identificar tendências significativas. Dundas Gráfico para ASP tem quatro tipos de médias móveis, incluindo simples, exponencial. Triangular. E ponderada. A diferença mais importante entre as médias móveis acima é como eles pesam seus pontos de dados. Recomendamos que você leia Usando fórmulas financeiras antes de prosseguir. Usando fórmulas financeiras fornece uma explicação detalhada sobre como usar fórmulas e também explica as várias opções disponíveis para você ao aplicar uma fórmula. Um gráfico de linhas é uma boa opção ao exibir uma média móvel simples. Interpretação Financeira: A Média Móvel é usada para comparar os preços dos títulos com sua média móvel. O elemento mais importante utilizado no cálculo da média móvel é um período de tempo, que deve ser igual ao ciclo de mercado observado. A média móvel é um indicador atrasado, e estará sempre atrás do preço. Quando o preço está seguindo uma tendência a média móvel é muito perto do preço de segurança. Quando um preço está subindo, a média móvel provavelmente vai ficar para baixo devido à influência dos dados históricos. Cálculo: A média móvel é calculada usando a seguinte fórmula: Na fórmula anterior o valor n representa um período de tempo. Os períodos de tempo mais comuns são: 10 dias, 50 dias e 200 dias. Uma média móvel se move porque, à medida que cada novo ponto de dados é adicionado, o ponto de dados mais antigo é eliminado. Uma média móvel simples dá igual peso a cada preço de ponto de dados. Este exemplo demonstra como calcular uma média móvel de 20 dias usando o método Formula.