Ponderata media mobile In risposta a questo post di Luca Delucchi Un metodo online per fare wma (cioè dove è possibile aggiungere un singolo valore in una sola volta) con una finestra expinential (che pesa gli eventi più recenti, più forti di quelli meno recenti) funziona così: xmean (t1) exp (-1tau) (xmean (t) x (t) tau) questo ti dà una wma di x (t). Tau è qualcosa come la lunghezza della memoria (eventi più indietro rispetto tau non saranno quotrememberedquot troppo bene). Sono 10.08.2007 um 09:19 schrieb Luca Delucchi: gt Ciao, posso fare una funzione ponderata media mobile dove il valore si GT prendere in modo automatico questa mia idea gt gt YY1, Y2, Y3, Y4, Y5 gt funzione wma (y) gt (y12y2y3) 4 gt (y22y3y4) 4 gt ecc gt ecc gt funzione fine gt gt non ho potuto ripetere la formula (y12y2y3) 4 (perché se il tempo di gt vettore è diverso devo cambiare la funzione), ma hanno solo una formula gt che utilizzano la formula per tutti i valori di vettore gt gt Spero Ive dato una spiegazione chiara gt gt gt gt Luca Help-ottava mailing list gt-mail nascosto gt non cae. wisc. edumailmanlistinfohelp ottave la sua una cosa ottava, ma una cosa di elaborazione del segnale. An (risposta ingresso finita) del filtro FIR è determinata dal vettore dei coefficienti, per cui se il filtro ha lunghezza 4, l'uscita sarebbe qualcosa come: y (t) b (1) x (t) b (2) x ( b (3) x (t-2) b t-1) (4) x (t-3) Quindi, quando quelle b (1,4) 4, è solo la media degli ultimi quattro elementi. In ottava, è possibile utilizzare la funzione di quotfilterquot di fare esattamente questo, se x è il segnale, si può semplicemente fare Y filtro (B, 1, x) P. S. Questo è quasi la stessa di suggerimento Sren39s utilizzare convoluzione (utilizzando la funzione conv). L'unica differenza (Credo) è che il filtro darà lo stesso output conv, ma troncato alla lunghezza di x. Su 81007, Luca Delucchi lthidden email GT ha scritto: 2.007.810, Schirmacher, Rolf lthidden email gt: gt filtro con una FIR coefficienti del filtro sarebbe gt gt b 1 1 1 1. 4 gt Cos'è questo dispiace ma I39m un novizio di un'ottava gt gt ----- Original Message ----- gt gt Da: Luca Delucchi mailto: hidden email gt gt Inviato: Venerdì 10 Agosto 2007 09:20 gt gt a: ottava gt gt Oggetto: ponderata media mobile gt gt gt gt gt gt Ciao, posso fare una funzione ponderata media mobile dove il valore sono gt gt prendere in modalità automatica questa mia idea gt gt gt gt YY1, y2, Y3, Y4, Y5 gt funzione gt wma (y) gt gt (y12y2y3) 4 gt gt (y22y3y4) 4 gt gt ecc gt gt ecc gt gt fine funzione gt gt gt gt non ho potuto ripetere la formula (y12y2y3) 4 (perché se il tempo di gt gt vettore è diverso devo cambiare la funzione), ma hanno soltanto una formula gt gt che utilizzano la formula per tutti i valori di vettore gt gt gt gt Spero I39ve dato una spiegazione chiara gt gt gt gt Luca gt gt gt gt Help-ottava mailing list gt gt nascosto email gt gt cae. wisc. edumailmanlistinfohelp ottave gt gt gt in risposta a questo post di Luca Delucchi Ciao, posso fare una funzione ponderata media mobile dove il valore è prendere in modo automatico questo la mia idea YY1, Y2, Y3, Y4, la funzione Y5 wma (y) (y12y2y3) 4 (y22y3y4) 4 ecc ecc funzione fine non ho potuto ripetere la formula (y12y2y3) 4 (perché se il tempo di vettore è diverso devo cambiare la funzione), ma hanno solo una formula che utilizza la formula per tutti i valori di vettore si deve pensare circa i vostri dati in modo diverso se si desidera utilizzare il Matlaboctave in modo efficiente. I dati sono rappresentati come vettori o matrici, e si dovrebbe fare tutte le operazioni sull'intero dati --- non penso di elementi y1, y2, ecc ma piuttosto affrontare l'intero vettore y. Si dovrà mescolare elementi vettoriali da posizioni diverse, quindi è necessario costruire versioni spostate del vettore. Ad esempio, y (2: fine) è il vettore cui primo elemento è il secondo elemento di y. Quando si fa in questo modo, ti costringe a riconoscere i vari problemi che vengono spazzati sotto il tappeto altrimenti per esempio, qual è il significato della vostra media ponderata per Y1, che non ha un precedente punto di dati Un approccio potrebbe essere quello di duplicare il primo e l'ultimo punto: Temp y (1) aa (finale) media (temp (1: end-2) 2temp (2: end-1) Temp (3: fine)) 4 o rinunciare e ammettere che si può calcolare solo la media su un sottoinsieme di punti: media (y (1: end-2) 2y (2: end-1) y (3: end)) 4 C'è una chiamata filtro funzione ottava () che può applicare filtro lineare arbitraria sua piuttosto complicato perché permette retroazione lineare che si arent interessato in uso in modo youd una forma specifica di un b1 risposte vettore 0 0 0 0 0. filtro a media (1 2 14,1, y)) Infine, ottava ha dei filtri costruita nel mio preferito è il Savitzky-Golay 2-momento preservando filtri filterFIR, filtri IIR, e l'equazione differenza costante coefficiente lineare causale media mobile filtri (FIR) Weve discussi sistemi in cui ciascun campione dell'uscita è una somma ponderata di (certi della ) i campioni di ingresso. Diamo un sistema somma pesata causale, dove causale significa che un dato campione di uscita dipende solo sul campione corrente di ingresso e altri ingressi precedenti nella sequenza. Né sistemi lineari in sistemi generali, non finite di risposta d'impulso, in particolare, hanno bisogno di essere causale. Tuttavia, la causalità è conveniente per un tipo di analisi che sono state andando a visitare al più presto. Se abbiamo simboleggiato gli ingressi come valori di un vettore x. e le uscite come valori di un vettore y corrispondente. allora tale sistema può essere scritta come dove i valori di aeb sono quotweightsquot applicate ai campioni di ingresso attuali e precedenti per ottenere il campione di uscita corrente. Possiamo pensare l'espressione come un'equazione, con il segno di uguale uguale significato, o come un'istruzione procedurale, con il segno di uguale senso di assegnazione. Consente scrivere l'espressione per ogni campione di uscita come un anello MATLAB di istruzioni di assegnazione, dove x è un N-lunghezza del vettore di campioni di ingresso e b è un M-lunghezza del vettore dei pesi. Al fine di trattare il caso speciale in partenza, ci sarà incorporare x in un xhat vettore più lungo il cui primo M-1 campioni sono pari a zero. Scriveremo la somma ponderata per ogni y (n) come un prodotto interno, e faremo alcune manipolazioni degli ingressi (come inversione b) a tal fine. Questo tipo di sistema è spesso chiamato un filtro a media mobile, per ovvie ragioni. Da nostre precedenti discussioni, dovrebbe essere evidente che tale sistema è lineare e shift-invariante. Naturalmente, sarebbe molto più veloce di utilizzare la funzione di convoluzione MATLAB conv () invece del nostro mafilt (). Invece di considerare il primo M-1 campioni di ingresso pari a zero, potremmo considerare loro di essere la stessa degli ultimi M-1 campioni. Questo è lo stesso come trattare l'ingresso come periodica. Ebbene utilizzare cmafilt () come nome della funzione, una piccola modifica della mafilt precedente funzione (). Nel determinare la risposta all'impulso di un sistema, di solito non c'è differenza tra i due, in quanto tutti i campioni non iniziali di ingresso sono pari a zero: Dato un sistema di questo tipo è lineare e spostare-invariante, sappiamo che il suo effetto sul sinusoide sarà solo in scala e spostarla. Qui è importante che noi usiamo la versione circolare La versione circolare-convoluta è spostato e scalato un po ', mentre la versione con circonvoluzione ordinaria è distorto alla partenza. Vediamo quello che il ridimensionamento e lo spostamento esatto è quello di utilizzare una FFT: Sia ingresso e uscita hanno ampiezza solo a frequenze 1 e -1, che è come dovrebbe essere, dato che l'ingresso era una sinusoide e il sistema è stato lineare. I valori di uscita sono maggiori con un rapporto di 10,62,518 mila 1,3281. Questo è il guadagno del sistema. Che cosa circa la fase Abbiamo solo bisogno di guardare in cui l'ampiezza è diverso da zero: L'ingresso ha una fase di PI2, come avevamo richiesto. La fase di uscita è spostata di un ulteriore 1,0594 (con segno opposto per la frequenza negativa), o circa 16 di un ciclo verso destra, come si può vedere sul grafico. Ora lascia provare una sinusoide con la stessa frequenza (1), ma invece di ampiezza 1 e PI2 di fase, permette di provare l'ampiezza e la fase 1.5 0. Sappiamo che solo la frequenza 1 e -1 avranno diverso da zero ampiezza, così lascia basta guardare a loro: Anche in questo caso il rapporto di ampiezza (15.937712.0000) è 1,3281 - e per quanto riguarda la fase è di nuovo spostato di 1,0594 Se questi esempi sono tipici, siamo in grado di prevedere l'effetto del nostro sistema (risposta impulsiva .1 .2 .3 .4 .5) su qualsiasi sinusoide a frequenza 1 - l'ampiezza sarà aumentato di un fattore di 1,3281 e la frequenza positiva) fase (sarà spostato di 1,0594. Potremmo continuare per calcolare l'effetto di questo sistema sinusoidi di altre frequenze con gli stessi metodi. Ma c'è un modo molto più semplice, e che definisce il punto generale. Poiché convoluzione (circolare) nel dominio del tempo significa moltiplicazione nel dominio della frequenza, da segue che In altre parole, la DFT della risposta all'impulso è il rapporto tra la DFT dell'uscita al DFT dell'ingresso. In questa relazione i coefficienti DFT sono numeri complessi. Poiché abs (C1C2) abs (c1) abs (c2) per tutti i numeri complessi c1, c2, questa equazione ci dice che lo spettro di ampiezza della risposta all'impulso sarà sempre il rapporto dello spettro di ampiezza dell'uscita a quella dell'ingresso . Nel caso dell'angolo spettro di fase, angolo (C1C2) (c1) - angolo (c2) per tutti c1, c2 (con la condizione che le fasi che differiscono di n2pi sono considerati uguali). Pertanto lo spettro di fase della risposta all'impulso sarà sempre la differenza tra gli spettri fase di uscita e l'ingresso (con qualunque correzioni 2pi sono necessari per mantenere il risultato tra - pi e pi). Possiamo vedere gli effetti di fase più chiaramente se scartare la rappresentazione della fase, cioè se si aggiungono vari multipli di 2pi come necessario per minimizzare i salti che sono prodotte dalla natura periodica della funzione dell'angolo (). Sebbene l'ampiezza e la fase sono di solito utilizzati per la presentazione grafica e anche tabulare, poiché sono un modo intuitivo di pensare agli effetti di un sistema sui vari componenti di frequenza del suo ingresso, i coefficienti di Fourier complessi sono più utili algebricamente, in quanto consentono la semplice espressione del rapporto l'approccio generale abbiamo visto possa funzionare con filtri arbitrari del tipo delineato, in cui ogni campione di uscita è una somma pesata di un insieme di campioni di ingresso. Come accennato in precedenza, questi sono spesso chiamati filtri Finite Impulse Response, perché la risposta all'impulso è di dimensione finita, o, talvolta, Moving Average filtri. Possiamo determinare le caratteristiche di risposta in frequenza di un tale filtro dalla FFT della sua risposta all'impulso, e possiamo anche progettare nuovi filtri con caratteristiche desiderate da IFFT da una specificazione della risposta in frequenza. Autoregressive (IIR) Filtri ci sarebbe poco senso avere nomi per filtri FIR a meno che non ci fosse un altro tipo (s) per distinguerli da, e così coloro che hanno studiato pragmatica non sarà sorpreso di sapere che c'è davvero un altro importante tipo di filtro lineare tempo-invariante. Questi filtri sono a volte chiamate ricorsiva perché il valore di output precedente (così come ingressi precedenti) questioni, anche se gli algoritmi sono generalmente scritti usando costrutti iterativi. Essi sono chiamati anche filtri Infinite Impulse Response (IIR), perché in generale la loro risposta ad un impulso va avanti per sempre. Talvolta sono anche chiamati filtri autoregressivi, poiché i coefficienti possono essere considerati come il risultato di fare regressione lineare per esprimere i valori dei segnali in funzione dei valori di segnale precedenti. Il rapporto di filtri FIR e IIR può essere visto chiaramente in un'equazione differenza costante coefficiente lineare, ossia impostando una somma pesata di uscite pari ad una somma pesata di ingressi. Questo è come l'equazione che abbiamo dato in precedenza per il filtro FIR causale, tranne che, oltre alla somma ponderata degli input, abbiamo anche una somma pesata di uscite. Se vogliamo pensare a questo come una procedura per la generazione di campioni di uscita, abbiamo bisogno di riorganizzare l'equazione per ottenere un'espressione per il campione y uscita in corrente (n), adottando la convenzione che un (1) 1 (ad esempio scalando altro come e BS), siamo in grado di sbarazzarsi della 1a (1) termine: y (n) B (1) x (n) b (2) x (n-1). b (NB1) x (n-nb) - a (2) y (n-1) -. - Un (NA1) y (n-na) Se tutti un (n) diverso da (1) sono zero, questo riduce al nostro vecchio amico il filtro FIR causale. Questo è il caso generale di un (causale) Filtro LTI, ed è implementato dal filtro funzione MATLAB. Vediamo il caso dove il B coefficienti diversi da b (1) sono zero (invece del caso FIR, dove a (n) sono zero): In questo caso, il campione di uscita y corrente (n) viene calcolato come ponderata combinazione del campione x ingresso corrente (n) e le precedenti campioni di uscita y (n-1), y (n-2), ecc Per avere un'idea di ciò che accade con tali filtri, lascia l'inizio con il caso in cui: Cioè, il campione di uscita corrente è la somma della corrente di ingresso del campione e la metà del campione di uscita precedente. Ebbene prendere un impulso di ingresso attraverso un qualche tempo passi, uno alla volta. Dovrebbe essere chiaro a questo punto che possiamo facilmente scrivere un'espressione per il valore di campionamento di uscita n-esima: si tratta solo (se MATLAB contata da 0, questo sarebbe semplicemente .5n). Poiché ciò che stiamo calcolando è la risposta all'impulso del sistema, abbiamo dimostrato con l'esempio che la risposta all'impulso può infatti avere infiniti campioni diversi da zero. Per implementare questa banale filtro del primo ordine in MATLAB, potremmo usare il filtro. La chiamata sarà simile a questo: e il risultato è: è questo business davvero ancora lineare Possiamo guardare a questo empiricamente: Per un approccio più generale, si consideri il valore di un campione di uscita y (n). Con la sostituzione successiva potremmo scrivere questo come questo è proprio come il nostro vecchio amico forma convoluzione somma di un filtro FIR, con la risposta all'impulso fornito dal .5k espressione. e la lunghezza della risposta all'impulso essendo infinito. Così gli stessi argomenti che abbiamo usato per dimostrare che filtri FIR è lineare verrà ora applicata qui. Finora questo può sembrare come un sacco di storie per non molto. Che cosa è tutta questa linea di indagine buono per ben rispondere a questa domanda in più fasi, a partire da un esempio. La sua non è una grande sorpresa che siamo in grado di calcolare un esponenziale campionato per moltiplicazione ricorsiva. Vediamo un filtro ricorsivo che fa qualcosa di meno ovvio. Questo tempo ben rendono un filtro del secondo ordine, in modo che la chiamata per filtrare sarà della scheda consente impostato secondo a2 coefficiente uscita -2cos (2pi40), e il terzo coefficiente uscita a3 1 e osservare l'impulso risposta. Non molto utile come filtro, in realtà, ma non genera una sinusoide campionata (da un impulso) con tre moltiplicazione aggiunge per campione Per comprendere come e perché lo fa, e come filtri ricorsiva può essere progettato e analizzato il caso più generale, è necessario un passo indietro e dare un'occhiata ad alcune altre proprietà dei numeri complessi, sulla strada per comprendere la z transform. Documentation Questo esempio mostra come utilizzare movimento filtri medi e ricampionamento isolare l'effetto di componenti periodiche dal momento della giornata in letture di temperatura orarie, nonché rimuovere rumore di linea indesiderati da una misurazione di tensione ad anello aperto. L'esempio mostra inoltre come lisciare i livelli di un segnale di clock preservando i bordi utilizzando un filtro mediano. L'esempio mostra anche come utilizzare un filtro Hampel per rimuovere grandi valori anomali. La motivazione Smoothing è il modo in cui scopriamo importanti modelli attualmente in vendita, lasciando fuori le cose che sono poco importante (rumore cioè). Usiamo il filtro per eseguire questa levigante. L'obiettivo di smoothing è quello di produrre lenti cambiamenti di valore in modo che la sua più facile vedere le tendenze attualmente in vendita. A volte, quando si esaminano i dati di input si potrebbe desiderare di smussare i dati al fine di vedere una tendenza nel segnale. Nel nostro esempio abbiamo una serie di letture di temperatura in gradi Celsius prese ogni ora all'aeroporto Logan per tutto il mese di gennaio 2011. Si noti che possiamo vedere visivamente l'effetto che l'ora del giorno ha sulle letture di temperatura. Se si è interessati solo alla variazione di temperatura giornaliera nel corso del mese, le fluttuazioni orarie contribuiscono solo rumore, che può rendere le variazioni giornaliere difficile da discernere. Per rimuovere l'effetto del momento della giornata, vogliamo ora per lisciare i nostri dati utilizzando un filtro media mobile. Un Moving Filter Media Nella sua forma più semplice, un filtro a media mobile di lunghezza N prende la media di ogni N campioni consecutivi di forma d'onda. Per applicare un filtro media mobile a ciascun punto di dati, costruiamo i nostri coefficienti del nostro filtro in modo che ogni punto è equamente ponderato e contribuisce 124 alla media totale. Questo ci dà la temperatura media su un periodo di 24 ore. Filter Delay noti che l'uscita filtrato viene ritardata di circa dodici ore. Ciò è dovuto al fatto che il nostro filtro a media mobile ha un ritardo. Qualsiasi filtro simmetrica di lunghezza N avrà un ritardo di (N-1) 2 campioni. Siamo in grado di tenere conto di questo ritardo manualmente. Estrazione differenze medie In alternativa, si può anche utilizzare il filtro media mobile per ottenere una stima migliore di come l'ora del giorno influenza la temperatura generale. Per fare questo, prima, sottrarre i dati levigate dalle misure di temperatura orarie. Poi, segmentare i dati differenziata in giorni e prendono la media su tutti i 31 giorni del mese. Estrazione Peak Busta A volte ci vorrebbe anche avere una stima senza intoppi o meno di come gli alti e bassi del nostro segnale di temperatura cambiano ogni giorno. Per fare questo possiamo usare la funzione di inviluppo per collegare alti e bassi estremi rilevati nel corso di un sottoinsieme del periodo di 24 ore. In questo esempio, ci assicuriamo che ci sono almeno 16 ore tra ogni estremamente bassa alta ed estrema. Possiamo anche ottenere un senso di come gli alti e bassi sono trend prendendo la media tra i due estremi. Weighted Moving Filtri media Altri tipi di movimento filtri medi non appesantire ogni campione ugualmente. Un altro filtro comune segue l'espansione binomiale (12,12) n Questo tipo di filtro approssima una curva normale per grandi valori di n. È utile per filtrare il rumore ad alta frequenza per n piccolo. Per trovare i coefficienti per il filtro binomiale, Convolve 12 12 con se stesso e quindi in modo iterativo convolve l'uscita con 12 12 un determinato numero di volte. In questo esempio, utilizzare cinque iterazioni totale. Un altro filtro in qualche modo simile al filtro gaussiano espansione è il filtro a media mobile esponenziale. Questo tipo di filtro a media mobile ponderata è facile da costruire e non richiede una grande dimensione della finestra. Di regolare un filtro media mobile esponenziale ponderata da un parametro alfa tra zero e uno. Un valore più elevato di alfa avrà meno lisciatura. Ingrandire la letture per un giorno. Seleziona il tuo CountryTechnical Analysis - Linear Weighted Moving Average (LWMA) Marcus Holland scrive: Il LWMA è un indicatore tecnico che risponde più velocemente dei lsquoSimple Moving Averagersquo (SMA) per i nuovi sviluppi dei prezzi, perché le sue ultime letture sono enfatizzati di più rispetto ai suoi più vecchi. Tuttavia, il LWMA non è così popolare come il (SMA) e il lsquoExponential Moving Averagersquo (EMA). Il LWMA è stato progettato per contrastare i problemi di ritardo di sviluppo individuati con l'SMA in un modo simile come l'EMA. Anche se i posti LWMA più risalto sui suoi ultimi dati dispiegando tecniche simili alla EMA, si differenzia in quanto una progressione lineare è usato per pesare le sue ultime letture. Ad esempio, se si utilizza un LWMA di cinque giorni, allora il prezzo del primo giorno di chiusura sarebbe moltiplicato per uno, il 2 ° giorno per due, e il quinto giorno (5 ° giorno) per cinque. I valori finali vengono quindi ottenuti dividendo letture quotidiane in peso. Come tale, le più recenti letture LWMA ricevono più attenzione rispetto a quelli più anziani. Troverete che il LWMA è meglio distribuito come un indicatore tecnico a lungo termine, perché l'importanza di ponderazione aumenta con le scadenze più lunghe. È possibile utilizzare il LWMA nello stesso modo in cui si utilizza l'EMA. Troverete che molti commercianti utilizzano una combinazione di LWMA e SMA contemporaneamente. Questo perché è possibile ricevere acquisto e vendita di notifica quando questi due spostamento di crossover media. Inoltre, è possibile confermare le tendenze identificando quando la SMA e LWMA si muovono in direzioni identiche. È possibile confermare queste caratteristiche sul grafico GBPUSD sopra. Si noterà verso la metà del grafico che l'attraversamento della LWMA (linea rossa) sopra la SMA (linea nera) è accompagnato da un movimento di prezzo rialzista. È necessario rendersi conto che il LWMA viene valutata moltiplicando un determinato numero di letture daysrsquo precedenti con un fattore ponderato. Il parametro peso è determinato utilizzando il conteggio dei giorni che si sceglie per il vostro media mobile. Per selezionare la media mobile più adatto per le vostre esigenze, è necessario rendersi conto che essi svolgono in modo diverso a seconda dei coefficienti di peso associato con le loro ultime letture di dati. Ad esempio, le letture della SMA sono calcolati per quanto riguarda ogni periodo di tempo di pari importanza se si tratta di nuovo o vecchio. Al contrario, l'EMA e LWMA posto molto più risalto sui loro ultime letture. Inoltre, le letture di lsquomoving averagersquo indicatori tecnici sono calcolati utilizzando una serie di fattori, vale a dire il più alto, più basso, apertura e prezzi di chiusura di ogni periodo di tempo, ecc Come si dovrebbe essere in grado di confermare di studiare lo schema di cui sopra, riceverà vendere e comprare i segnali quando il prezzo scende al di sotto e al di sopra del sale LWMA. Tuttavia, vi accorgerete che il LWMA non è l'indicatore tecnico ideale per utilizzare al fine di individuare le inversioni dei prezzi associati con l'inizio e la fine delle tendenze. Il grafico sopra mostra le diverse medie mobili in azione. La SMA è colorato di verde l'EMA è blu ed il LWMA è oro. Dallo studio grafico sopra, si può confermare che il LWMA risponde il più veloce per variazioni di prezzo, perché questo indicatorrsquos ultimi valori sono enfatizzate oltre le sue letture più anziani. Di conseguenza, molti commercianti sfruttano questa caratteristica preziosa della LWMA per aiutarli a determinare se il prezzo è scambiato un trend rialzista o ribassista. Ad esempio, nel grafico di cui sopra, la LWMA attraversa il SMA all'inizio della tendenza rialzista visualizzata al centro del diagramma. Il LWMA poi rimane significativamente superiore alla SMA come sale di prezzo. Un'altra caratteristica principale illustrato è che il prezzo rimane costantemente al di sopra del LWMA nel corso di questo trend rialzista. Il EMA mostra anche le stesse caratteristiche, ma non sono distinti da quelli della LWMA. La tabella dimostra che la LWMA rimane ben sotto la SMA nel corso di un trend ribassista. Tuttavia, si dovrebbe anche notare che l'EMA incrocia al di sotto della SMA all'inizio della tendenza ribassista molto più veloce rispetto alla LWMA. Infatti, il LWMA non raggiunge questo stato finché la tendenza è ben sviluppata. Questo è il motivo per cui i commercianti preferiscono l'EMA per rilevare inversioni dei prezzi a scapito della LWMA. Tuttavia, il LWMA è ancora la prima scelta per tracciare e monitorare le tendenze, una volta che sono completamente sviluppati. copia 2013 Copyright Marcus Olanda - Tutti i diritti riservati Disclaimer: Quanto sopra è una questione di opinione prevista solo a scopo informativo generale e non è inteso come consiglio di investimento. Informazione e analisi di cui sopra sono derivati da fonti e metodi che utilizzano ritenute attendibili, ma non possiamo accettare la responsabilità per eventuali perdite si può incorrere a seguito di questa analisi. Gli individui dovrebbero rivolgersi ai propri consulenti finanziari personali copiare 2005-2016 MarketOracle. co. uk - Il mercato di Oracle è un amplificatore giornaliero gratuito Mercati Finanziari Analisi Previsione pubblicazione on-line.
Comments
Post a Comment