自适应均线原理修订稿

自适应均线原理
自适应均线原理是股市技术分析中常用的一种方法，通过对股价走势的均线进行调整，以适应不同的市场情况和周期。

这种原理的应用可以帮助投资者更准确地把握市场趋势，降低投资风险，提高投资效益。

在股市中，均线是一种通过统计一段时间内股价的平均值来反映股价走势的指标。

常见的均线有5日均线、10日均线、20日均线等。

而自适应均线原理则是根据市场的实际情况来调整均线的周期和权重，使其更好地适应不同的市场环境。

自适应均线原理的核心思想是根据市场的波动情况，动态地调整均线的周期和权重，以确保均线能够及时反映市场的变化。

在市场波动较大时，均线的周期可以适当延长，以平滑股价走势，降低噪音干扰；而在市场趋势明显时，均线的周期可以缩短，以更快地反应市场的变化。

通过自适应均线原理，投资者可以更好地把握市场的主要趋势，及时调整投资策略，避免盲目跟风或追涨杀跌。

同时，自适应均线也可以帮助投资者过滤掉市场中的噪音信号，提高交易的胜率和盈利能力。

在实际操作中，投资者可以通过技术分析软件或自行编写程序来实现自适应均线原理。

根据市场的实际情况和个人的交易偏好，调整
均线的参数，以达到最佳的投资效果。

总的来说，自适应均线原理是一种有效的技术分析方法，可以帮助投资者更好地把握市场走势，提高投资效益。

然而，投资有风险，投资者在使用自适应均线原理时也应注意风险控制，合理分散投资，做好止损和止盈的策略，以保护自己的资金安全。

希望投资者在实践中能够灵活运用自适应均线原理，取得更好的投资收益。

自适应移动平均线（AMA）长期来说，价格会显示一种回归其本来价值的特性，在二维图形上显示一种收敛或者说回归均值的图形。

这似乎也反映了政府金融或利息政策改变所带来的影响。

一个超出市场平均波动周期的趋势则可能是一个好的趋势，一个波动周期如有特别变化的关键变量，则趋势有可能发生改变，在股市上通常表现为量能和价格区间的变化。

以下为Perry J.Kaufman的自适应移动平均系统，资料来源于其著作《Smarter Trading》。

关于移动平均由一个时间周期的价格平均值构成，并以单位时间的价格周期不断计算，加入新的一个单位时间的价格时去掉第一个单位时间的价格，并计算平均值。

一个过去几天的平均值，减少了人为的由消息引起的过激反应的影响。

平均较长的数据周期，给出了较平滑的趋势，其结果经常是长期市场方向的一个很好的代表，也反映了市场运行状况和人们对于利率和政策的预期。

趋势系统趋势计算把价格移动归纳为一个净方向，并假设价格将会继续沿着这个方向运动。

趋势跟踪系统则是对趋势作出反应，而不是对它们进行预期。

噪音一个持续横盘的期的波动水平，可以很方便的用来测量内在噪音。

如果一个趋势是由一个不大于市场内在噪音水平移动所引起的，那么这个趋势就是不可靠的。

自适应当市场沿着一个方向快速移动时，快得移动平均值是最好的。

当市场在横盘的市场中立拉锯时，慢的移动平均值是最好的。

三种价格波动性测量a. 简单地计算价格的净变化，从开始点到结束点。

这倾向于最保守的测量，因为它平滑了从开始到结尾之间发生的任何价格移动。

b. 高-低范围更好地描述了在周期内可能产生的任意极端值。

c. 所有变化总和，它是最概括的测量，因为能识别一个价格移动从高到低的次数。

自适应移动平均值步骤1：价格方向价格方向被表示为整个时间段中的净价格变化。

比如，使用n天的间隔（或n小时）：步骤2：波动性波动性是市场噪音的总数量，计算了时间段内价格变化的总和volatility= @ sum( @ abs(price-price[1]),n)步骤3：效率系数(ER)方向移动对噪音之比，成为效率系数EREfficiency_Ratio = direction/volatility步骤4：变换上述系数为趋势速度为了应用于一个指数式移动平均值，比率将被变换为一个平滑系数c，依靠使用下面的公式，每天的均线速度可以简单地用改变平滑系数来改变，成为自适应性的。

我的自适应均线回答自适应均线是什么：1均线在趋势跟踪系统中的作用：买卖的依据点位2均线的优势：平滑价格波动，显示趋势3均线的劣势：长期均线迟钝，不利于锁定利润。

短期均线敏感，试错成本过高。

4自适应均线的由来：希望均线在强趋势时敏感以锁定利润，在整理时迟钝以包容假信号。

5考夫曼的自适应均线原理：统计某个周期内价格波动的速率，用这个速率作线。

上拐买，下拐卖。

6考夫曼线的优点：盘整期速率在0附近波动，均线走平，试错成本低。

趋势期速率上下拐头，斜率由趋势强弱自动调节，离市成本低。

7考夫曼线的缺点：拐头定义模糊，整理期大量假信号，需要过滤器。

参数n固定，对整理行情的判断有局限性。

我定义的自适应均线，初衷和上述的3是一样的：希望整理期用大参数与，趋势期用小参数。

同时当整理级别变大时，参数变大来包容。

当趋势变强时，参数变小来减少离市成本。

但是，不是考夫曼的原理，区别如下：1考夫曼线，其实是“价格变化速率”线，并非直接调整了均线。

我希望能直接用均线，毕竟上穿下穿的判断条件要比拐头清晰得多。

2均线参数确定原则结合了资金管理。

均线缩小的原则是，当波幅（盈利）达到一定比例时缩小均线。

（通过这个策略，把趋势期的利润部分填到整理期。

）均线放大的原则是，一旦价格穿越某根长期均线（相对于当前跟踪的均线而言），尺度就放大到那个参数。

3均线的缩放按倍数计算。

可取参数有：2，5，10，20，40，80，160，320。

参数的跳跃性会导致收益的“峭壁”，但是影响有限。

（不会出现固定均线20日跟踪刚刚好，18日跟踪被震死的结果）。

用的理由是出于“把线拉直”的考虑：简单的趋势跟踪，亏损和收益期分离的特征太明显，不适宜作为基础的交易系统。

基础，应该有比较好的稳定性。

分散固然能解决一些问题，但分散是宏观上的策略，我觉得期货的微观波动不容忽视，也应该管一管。

单纯宏观上分散到极致，或者微观上调整到极致可能代价都比较高。

如果两边都适当管一管，可能性价比会比较高。

{公称名称: AMA考夫曼自适用型均线}input:N(10,1,60),P1(2,1,60),Q1(30,1,60);DIRECTION:=(CLOSE - REF(CLOSE,N));XX:=ABS((CLOSE - REF(CLOSE,1)));VOLATILITY:=SUM(XX,N);ER:=ABS((DIRECTION / VOLATILITY));FASTC:=(2 / (P1 + 1));SLOWC:=(2 / (30 + 1));SSC:=((ER * (FASTC - SLOWC)) + SLOWC);CONSTANT:=(SSC * SSC);CC:=CLOSE;YY:=(REF(CLOSE,1) + (CONSTANT * (CLOSE - REF(CLOSE,1))));IF DA TACOUNT > N THENDD[N]:=CC[(N + 1)];FOR I=N + 1 to DA TACOUNT DODD[I]:=(DD[(I - 1)] + (CONSTANT[I] * (CC[I] - DD[(I - 1)])));AMA:DD,LINETHICK2,colorFFFF;DIR:=ABS(CLOSE-REF(CLOSE,10));VIR:=SUM(ABS(CLOSE-REF(CLOSE,1)),10);ER:=DIR/VIR;CS:=ER*(2/3-2/14)+2/14;CQ:=CS*CS;AMA1:EMA(DMA(CLOSE,CQ),2),COLORGREEN;FIL:=STD(AMA-REF(AMA,1),20);DRAWICON(FILTER(AMA-LLV(AMA,3)>FIL*0.1,10),AMA,1);自适应均线初步学习常见的计算均线的指标是ma(simple moving average) 和ema(exponential moving average),公式如下：SMA = SUM(CLOSE, N)/NEMA = (CLOSE(i)*P)+(EMA(i-1)*(1-P)) or(M*CLOSE(i)+(N-M)*EMA(i-1))/NMA有滞后的特点，因此在ema中对最近的价格给予较大的权重提高对趋势的跟踪效果。

考夫曼自适应均线原理考夫曼自适应均线是一种灵活、有效的技术分析工具，它能够根据市场数据的动态变化自适应地调整均线参数和类型。

本文将从数据处理、计算方法、适应性调整、异常值处理、滑动窗口、均线计算和优化策略等方面详细介绍考夫曼自适应均线原理。

1.数据处理考夫曼自适应均线原理在数据处理方面采用了数据预处理和数据挖掘建模的方法。

数据预处理主要包括数据清洗、异常值处理等，以保证数据的准确性和可靠性。

数据挖掘建模则通过建立数据模型，对历史数据进行学习，以便在计算均线时能够更好地反映市场趋势。

2.计算方法考夫曼自适应均线的计算方法基于历史数据的学习、记忆和预测。

它通过学习历史数据中的价格模式，记忆这些模式并预测未来的价格走势。

在计算均线时，它采用了一种独特的加权方式，对近期的价格变动给予更大的权重，以更好地反映市场动态。

3.适应性调整考夫曼自适应均线的适应性调整方法包括均线参数的自适应调整和均线类型的自适应调整。

均线参数的自适应调整是指系统会根据市场情况自动调整均线的周期和计算方法，以适应市场的变化。

均线类型的自适应调整则是系统能够根据不同的市场趋势自动选择适合的均线类型，如简单移动平均线、指数移动平均线等。

4.异常值处理考夫曼自适应均线对异常值的处理方法包括异常值的识别和处理策略。

异常值是指那些明显偏离其他数据点的价格数据，它们可能会对均线的计算产生不良影响。

系统通过设定合理的阈值，自动识别异常值，并在计算均线时采取相应的处理策略，如剔除异常值、使用稳健的移动平均线等，以减小异常值对均线的影响。

5.滑动窗口考夫曼自适应均线中引入了滑动窗口机制，以便在动态市场环境下实时地调整均线参数和类型。

滑动窗口是一种动态的数据处理方法，它通过不断滑动窗口来更新窗口内的数据，并根据新的数据重新计算均线。

这样，系统可以随时根据最新的市场信息调整均线，以适应市场的变化。

6.均线计算考夫曼自适应均线的计算过程包括以下步骤：（1）对历史数据进行预处理和挖掘建模，得到学习样本；（2）使用学习样本中的数据来训练模型，并记忆价格模式；（3）根据当前的市场情况，自适应调整均线的参数和类型；（4）使用滑动窗口机制，实时更新窗口内的数据并重新计算均线；（5）将计算得到的均线作为当前市场的趋势指标，为投资者提供参考。

趋势跟踪利器之二——自适应均线系统补充说明
本人上篇发布了《趋势跟踪利器之二——自适应均线系统》一文，很多读者在导入和调试公式的过程中遇到一些问题，这里做一个统一的补充说明：
1、关于参数
文章中的《考夫曼自适应均线指标》源码中使用了一个参数N，要注意设置到指标参数的参数列表中。

2、关于均线变色问题
文章中的《考夫曼自适应均线指标》源码不包含均线变色功能，如果需要这个功能，可以添加以下几行代码：
{变色功能}
IF(MAN>REF(MAN,1),MAN,DRAWNULL),COLORRED,LINETHI CK4,POINTDOT;
IF(MAN>REF(MAN,1),MAN,DRAWNULL),COLORRED,LINETHI CK1;
IF(MAN=REF(MAN,1),MAN,DRAWNULL),COLORWHITE,LINE THICK4,POINTDOT;
IF(MAN=REF(MAN,1),MAN,DRAWNULL),COLORWHITE,LINE THICK1;
IF(MAN<REF(MAN,1),MAN,DRAWNULL),COLORGREEN,LINE THICK1;
IF(MAN<REF(MAN,1),MAN,DRAWNULL),COLORGREEN,LINE THICK4,POINTDOT;
3、关于均线参数值
可以根据自己的情况选择，这个和使用普通均线是一样的。

本人习惯使用15。

{考夫曼自适应均线}input: n(9,1,60), p(2,1,60), Q(30,1,60);Direction:=CLOSE - REF( CLOSE , N ) ;XX:=ABS( CLOSE - REF( CLOSE , 1 ) ) ;V olatility:=SUM( XX , N ) ;ER:=ABS( Direction / V olatility ) ;FastC:= 2 / ( p + 1 ) ;SlowC:= 2 / ( q + 1 ) ;SSC:=ER * ( FastC - SlowC ) + SlowC ;Constant :SSC * SSC , Linethick0 ;YY:=REF( Close , 1 ) + Constant * ( CLOSE - REF( Close , 1 ) ) ;AA:=IF( SUM( 1 , 0 )= N + 1 , YY , 0 ) ;BB:=BarsLast( AA>0 ) ;DD:=REF( C , BB ) ;CC:CLOSE , Linethick0 ;for m=N + 2 to DA TACOUNT DODD[m]:=DD[m - 1] + Constant[m] * ( CC[m] - DD[m - 1] );AMA:DD;T1:=DD>REF(DD,1);T3:=NOT(T1) AND abs(DD-ref(DD,1))/DD*10000<n;T2:=NOT(T1 OR T3);PARTLINE(T1,DD),COLORRED,LINETHICK2;PARTLINE(T2,DD),COLORGREEN,LINETHICK2;PARTLINE(T3,DD),COLORBLUE,LINETHICK2;DRAWTEXT(ISLASTBAR AND T1,DD,'持\n股'),COLORRED,SHIFT1; DRAWTEXT(ISLASTBAR AND T2,DD,'持\n币'),COLORGREEN,SHIFT1; DRAWTEXT(ISLASTBAR AND T3,DD,'观\n望'),COLORBLUE,SHIFT1;考夫曼自适应变色均线系统N：1 100 10M：1 100 30通达信主图源码（日线及以上周期）DIR1:=ABS(CLOSE-REF(CLOSE,N));VIR1:=SUM(ABS(CLOSE-REF(CLOSE,1)),N);ER1:=DIR1/VIR1;CS1:=ER1*(0.8-2/8)+2/8;CQ1:=CS1*CS1;AMA1:EMA(DMA(CLOSE,CQ1),2) ,COLORWHITE;DIR2:=ABS(CLOSE-REF(CLOSE,M));VIR2:=SUM(ABS(CLOSE-REF(CLOSE,1)),M);ER2:=DIR2/VIR2;CS2:=ER2*(0.8-2/24)+2/24;CQ2:=CS2*CS2;AMA2:EMA(DMA(CLOSE,CQ2),2),COLORGREEN,LINETHICK2;AMA3:IF(AMA2/REF(AMA2,1)>0.997,AMA2,DRAWNULL),COLORBLUE,LINETHICK2; AMA4:IF(AMA2/REF(AMA2,1)>1.001,AMA2,DRAWNULL),COLORRED,LINETHICK2;博易大师主图源码（日线及以上周期）DIR1:=ABS(CLOSE-REF(CLOSE,N));VIR1:=SUM(ABS(CLOSE-REF(CLOSE,1)),N);ER1:=DIR1/VIR1;CS1:=ER1*(0.8-2/8)+2/8;CQ1:=CS1*CS1;AMA1:EMA(DMA(CLOSE,CQ1),2) ,COLORWHITE;DIR2:=ABS(CLOSE-REF(CLOSE,M));VIR2:=SUM(ABS(CLOSE-REF(CLOSE,1)),M);ER2:=DIR2/VIR2;CS2:=ER2*(0.8-2/24)+2/24;CQ2:=CS2*CS2;AMA2:EMA(DMA(CLOSE,CQ2),2),COLORGREEN,LINETHICK2;PARTLINE(AMA2/REF(AMA2,1)>0.997,AMA2),COLORBLUE,LINETHICK2; PARTLINE(AMA2/REF(AMA2,1)>1.001,AMA2),COLORRED,LINETHICK2;考夫曼自适应变色均线系统（续）通达信主图源码（日线及以上周期）DIR1:=ABS(CLOSE-REF(CLOSE,5));VIR1:=SUM(ABS(CLOSE-REF(CLOSE,1)),5);ER1:=DIR1/VIR1;CS1:=ER1*(0.8-2/8)+2/8;CQ1:=CS1*CS1;AMA1:EMA(DMA(CLOSE,CQ1),2) ,COLORWHITE;DIR2:=ABS(CLOSE-REF(CLOSE,10));VIR2:=SUM(ABS(CLOSE-REF(CLOSE,1)),10);ER2:=DIR2/VIR2;CS2:=ER2*(0.8-2/24)+2/24;CQ2:=CS2*CS2;AMA2:EMA(DMA(CLOSE,CQ2),2),COLORGREEN,LINETHICK2;AMA3:IF(AMA2/REF(AMA2,1)>0.997,AMA2,DRAWNULL),COLORBLUE,LINETHICK2;AMA4:IF(AMA2/REF(AMA2,1)>1.001,AMA2,DRAWNULL),COLORRED,LINETHICK2;考夫曼自适应变色均线系统（续1）我们跟踪股票的走势，必然离不开均线作为参考。

均线修复原理嘿，朋友！你要是炒过股或者研究过金融市场相关的东西，那你肯定对均线这个概念不陌生。

均线啊，就像是市场的一根无形的线，牵连着股票价格的走势呢。

今天我就来跟你唠唠均线修复原理，这可真是个超级有趣又特别实用的东西。

我有个朋友小李，刚入股市的时候，看着那红红绿绿的K线图，眼睛都花了。

他就特别不理解均线是咋回事儿。

我就跟他说呀，你可以把均线想象成一条河的平均水位线。

股价呢，就像是河面上漂浮的小船。

有时候小船会在水位线上面，有时候又会在下面。

那均线修复是啥意思呢？简单来说，就是股价偏离均线之后，它总会有一个回到均线附近的趋势。

这就好像是那小船飘得太远了，不管是飘到上游太远了还是下游太远了，它总是要回到大概平均水位线的附近。

比如说，我们常见的5日均线，如果股价突然因为某个利好消息，一下子涨得特别高，远远地偏离了5日均线，那这时候就会有一股力量把股价往回拉。

你可能就会问了，为啥会有这股力量呢？这就涉及到市场里的买卖双方啦。

当股价涨得太高偏离均线的时候，很多之前买入的人就会想，哎呀，我已经赚了不少了，这价格涨得太离谱了，是不是要跌回去了呢？于是他们就开始卖出股票。

而那些想买股票的人呢，看到价格这么高，也会犹豫，想着等价格降一降再买。

这样一来，卖的人多了，买的人少了，股价就自然会往下降，朝着均线的方向去修复。

再来说说均线修复的类型吧。

有快速修复和慢速修复之分呢。

这就好比跑步，有的人跑得快，一下子就回到原来的位置了，这就是快速修复。

而有的人呢，跑得慢腾腾的，要花好长时间才能回到原位，这就是慢速修复。

我记得有一次，我们在看一只股票。

这只股票连着好几个涨停板，那股价就像火箭一样蹿升，远离了均线。

我们就知道，这肯定是要修复了。

结果没过几天，就开始有大单抛售，股价刷刷地往下跌，这就是快速修复。

就像一个调皮的孩子，跑得太远了，被大人一下子拽了回来。

那慢速修复呢？有另一只股票，它是慢慢地往上走，股价和均线之间的距离逐渐拉大，但是它并没有像前面那只股票那样突然暴跌来修复。

自适应均线择时策略
自适应均线择时策略是一种基于均线理论的交易策略，它可以根据市场走势动态调整均线参数，以适应不同行情。

这种策略的核心思想是利用均线的支撑和压力作用，判断市场的趋势和交易信号。

具体来说，自适应均线策略会根据当前市场的价格波动情况，动态调整均线参数，使得均线能够更好地反映市场趋势。

当市场价格上涨时，均线参数会自动调整为短期均线在长期均线之上，以跟随市场上涨趋势；当市场价格下跌时，均线参数会自动调整为短期均线在长期均线之下，以跟随市场下跌趋势。

自适应均线策略的交易信号主要依据均线的交叉和突破，以及价格与均线的相对位置。

例如，当短期均线上穿长期均线时，可能是一个买入信号；当短期均线下穿长期均线时，可能是一个卖出信号。

此外，当价格跌破均线或反弹至均线附近时，也可能是一个交易信号。

在实际应用中，自适应均线策略需要注意以下几点：
1. 确定合适的参数：在自适应均线策略中，参数的设定非常重要。

不同的参数组合会对策略的表现产生影响，因此需要根据实际的市场情况和交易经验来确定合适的参数。

2. 考虑交易成本：自适应均线策略的交易频率可能会较高，因此需要考虑交易成本对策略的影响。

在选择交易品种和交易时机时，需要权衡收益与成本之间的关系。

3. 控制风险：自适应均线策略虽然能够跟随市场趋势进行交易，但并不能保证每次交易都能盈利。

因此，在使用该策略时需要控制风险，合理分配资金和管理仓位。

4. 持续监控和调整：市场环境和趋势可能会随着时间的推移而发生变化，因此需要持续监控市场走势和策略表现，并根据实际情况进行调整和优化。

©1999J URIK R ESEARCH ; Why Use JMA ?TO VIEW THE GRAPHICS CORRECTLYSET ZOOM SCALE TO134%Why Lose Money using slow, lagging indicators?To filter out noise in market data, technicians use moving averages.JMA excels in all four benchmarks of a truly great, low lag filter.BENCHMARK#1:ACCURACYMoving Average (MA) filters have an adjustable parameter that controls its speed. Speed governs two opposing properties of a filter: smoothness (lack of random zigzagging) and accuracy (closeness to the original data). That is, the smoother a filter becomes, the less it accurately resembles the original time series. This makes sense, since we do not want to accurately track zigzagging noise within our data. The financial investor tries to apply just enough smoothness to filter out noise without removing important structure in price activity. For example, in the chart below, the popular Double Exponential Moving Average (DEMA) is just as smooth as JMA yet DEMA fails to track large scale structure ( the big cycles). On the other hand, JMA follows the cyclic action very well.DEMA LOSES LARGESCALE STRUCTUREJMA PRESERVES LARGE SCALE STRUCTUREBENCHMARK#2:TIMELINESSMost MA filters have another problem: they lag behind the original time series. This is a critical issue because excessive delay and late trades may reduce profits significantly.Ideally, you would like a filtered signal to be both smooth and lag free. For many types of moving average filters, including the three classics (simple, weighted, and exponential), greater smoothness produces greater lag. For example, in the chart to the right, price action is the dotted line. The exponential moving average, EMA, lags well behind JMA (thick solid line). As you can see, with EMA's excessive lag, you would have had to wait a long time before it returned to the price action. In contrast, JMA never left it!BOTH CURVES AREEQUALLY SMOOTHEMA’s LAGIS LARGE JMA’sLAGISSMALLAdaptive filters developed by others, such as the Kaufman and Chande AMA, will also lag well behind your time series. Kaufman’s Moving Average (KMA), is anexponential moving average whose speed is governed by the “efficiency” of price movement. For example, fast moving price with little retracement (a strong trend) is considered very efficient and the KMA will automatically speed up to prevent excessive lag. This interesting concept sometimes works well, sometimes not. Forexample, the chart below shows KMA lagging well behind JMA.JMAKMAKMA SERIOUSLY LAGS BEHIND DATAJMA runs through the data,rather than below it.JMA and KMA have similar smoothnessThe advantage in avoiding lag is readily apparent in the chart to the right. Here we see how JMA enhances the timing of a simple crossover oscillator. The top half of the chart shows crude oil closing prices tracked by two JMA filters of different speed. The bottom half uses two EMA (exponential moving average) filters.The oscillator becomes positive when the curve of the faster filter crosses over the slower one. This occurrence suggests a “buy” signal.Note that JMA’s crossovers are 15 and 18 days earlier! Can you afford to be 15 days late ?BENCHMARK #3: OVERSHOOTMany trading systems set triggers to buy or sell when price reaches a certain threshold level. Because there is an inherent amount of noise in price action, the typical approach is to trigger when a moving average crosses the threshold. The smoothed line has less noise and is less likely to produce false alarms.To do this right, you’ll need an exceptional moving average indicator. Common versions lag too much and many sophisticated designs, like the Kalman or Butterworth filter, tend to overshoot during price reversals. Overshoots create false impressions of prices having reached levels it never truly did.For example, in the chart to the right we see the famous Kalman filter overshoot price data, creating a false price level that the market never really achieved. DEMA filters also tend to overshoot. The overshoot crosses the shown threshold and triggers a false alarm. In contrast, JMA did not overshoot and thus avoided a false alarm with the user's set threshold. OVERSHOOTJMAKALMANThresholdMoving averages should have consistent behavior. Some do not. For example, Chande’s VIDYA is an exponential moving average whose speed is governed by the variance of price movement. Fast moving price has large variance which will eventually cause VIDYA to automatically speed up (in an attempt to prevent excessive lag). This concept sometimes works well, sometimes not.In the chart to the right, JMA is the thick solid line and VIDYA is the thin solid line. Both perform approx-imately the same for the first 1/3 of the series. But due to the high volatility during this downward trend, VIDYA becomes hyperactive and fast tracks the choppy waves during the congestion phase of this time series. Smoothing is lost. In contrast, JMA cuts right through with a smooth horizontal line. In addition, the decrease in signal volatility soon causes VIDYA to slow down, too much in fact, as it lags behind JMA during the next downward price trend.Comparing JMA to VIDYAHigh volatility during most recent downward trend caused VIDYA to be too fast here.Low volatility during congestion caused VIDYA to be too slow here.VIDYAJMAThe two charts below simulate a rising trend of equal-sized price bars, punctuated by a downward gap. Trend following systems using signals from the crossover of classical moving averages would fail miserably because the crossovers would arrive too late to take full advantage of the trend (LEFT CHART). In contrast, JMA creates crossover signals almostimmediately, riding a good portion of the trend for greater profit (RIGHT CHART).JMA can also track price gaps produced by INTRA-DAY data. The chart on the right shows how JMA jumps to the next day’s price levels while the classical exponential moving average lags behind.Create superior trading indicators with ...• better timing • less noise• greater accuracyVisit Jurik Research at …JMA tracks staircase structure of S&P ( 5 minute bars )JMA。