下载文档原格式
![[转][程序化交易]自适应均线交易系统tb源码](https://img.taocdn.com/s1/m/762efd2686c24028915f804d2b160b4e767f8196.png)
[转][程序化交易]自适应均线交易系统tb源码//------------------------------------------------------------------------// 简称: MRJS_YM_SingleAMA_00// 名称: MRJS_YM_SingleAMA_00// 类别: 公式应用// 类型: 用户应用// 输出://------------------------------------------------------------------------Params//AMA相关Numeric FastAvgLength(2);Numeric SlowAvgLength(30);Numeric EffRatioLength(10);//系统相关Numeric ConfirmPeriod(3); //确认均线趋势次数Numeric StdMultiplier(1); //过滤器百分比//交易相关Numeric Slipes(2); //滑点Vars//AMA相关Numeric NetChg(0);Numeric TotChg(0);Numeric EffRatio(0);Numeric SmoothRatio(1);NumericSeries AMAValue;Numeric STDLen(0); //标准差长度Numeric PriceSTD(0);Numeric STDRatio(1); //进入标准差的倍数Bool LongIndicator(True);Bool ShortIndicator(True);Numeric i;Beginif(CurrentBar == 0){AMAValue = Close;}Else{NetChg = Abs( Close - Close[EffRatioLength] );TotChg = Summation( Abs( Close - Close[1] ), EffRatioLength );EffRatio = IIF(TotChg > 0, NetChg / TotChg, 0);SmoothRatio = Power( ( EffRatio * ( 2 / ( FastAvgLength + 1 ) - 2 / ( SlowAvgLength + 1 ) ) + 2 / ( SlowAvgLength + 1 ) ), 2 );AMAValue = AMAValue[1] + SmoothRatio * ( Close - AMAValue[1] );}STDLen=SlowAvgLength;PriceSTD=StandardDev(Close[1],STDLen);//当不持多仓的情况下，如果做多条件满足，则做多If(MarketPosition <>1 && AMAValue[1]-Lowest(AMAValue[1],ConfirmPeriod) > PriceSTD*STDRatio*StdMultiplier/100 ){Buy(0,Open+Slipes);PlotString ("top","jdc",Portfolio_TotalProfit,Red);}//当不持空仓的情况下，如果做空条件满足，则做空If(MarketPosition <>-1 && Highest(AMAValue[1],ConfirmPeriod)-AMAValue[1] > PriceSTD*STDRatio*StdMultiplier/100 ){SellShort(0,Open-Slipes);PlotString ("top","jkc",Portfolio_T otalProfit,Red);}PlotNumeric("PL",Portfolio_T otalProfit);End//------------------------------------------------------------------------// 编译版本 GS2010.12.08// 用户版本 2013/03/14 13:43// 版权所有 ymingcn// 更改声明 TradeBlazer Software保留对TradeBlazer平台// 每一版本的TrabeBlazer公式修改和重写的权利//-----------------------------------------------------------------原文见：自适应均线交易系统tb源码。
自适应均线原理WEIHUA system office room 【WEIHUA 16H-WEIHUA WEIHUA8Q8-自适应均线原理自适应均线（一）QQ群：我们跟踪股票的走势，必然离不开均线作为参考。
均线系统是我们观察股票走势的基础。
短期均线不能很好地屏蔽市场的噪声，往往产生虚假的进场信号；长期均线在判断趋势上一般比较准确，但是长期均线有着严重滞后的问题。
一个股票的10日内的突发性的上涨，如果用200日均线去观察，几乎看不出变化。
均线系统存在的问题，让我们每一个股市的参与者感到左右为难。
寻找最佳的移动平均值就成了大家乐此不疲的一种日常活动。
由于每次市场的波动，趋势的速度都是不同的，所以在每一波的波动中，采用多少周期的移动平均值才能最好地反映趋势的方向呢有一个流行的解决方法，就是针对某一只股票测试其历史数据的最佳移动平均值。
并且根据最近的、最符合其趋势的移动平均值去进行操作。
但是历史数据只代表已经走过的趋势，我们不可能回到过去进行交易。
通过分析我们使用的移动平均线，可以得出如下的结论：当价格沿一个方向快速移动时，短期的移动平均线是最好的。
当价格在横盘的过程中，长期移动平均线是最好的。
我们理想中的移动平均线是什么样子的呢？当价格无目标地移动时，它的反映会比较慢，像长期移动平均线；当价格有了快速变化的时候，它又能很快地跟上价格的走势，像短期移动平均线。
这样的移动平均线存在吗？当然存在！很多国外的股票技术分析书籍中都提到过这样的均线，把这种自适应的均线系统作为计算机自动交易系统中趋势判断最主要的手段。
最近在**的“黄金股道”的软件中，也见到过类似的均线，但是做了公式的加密。
其实这样的自适应均线每一个股票的软件都可以做到，并且非常简单。
自适应均线（二）QQ群：要构建自适应的均线，我们就必须先确定股票价格的趋势和速度。
当股票价格持续上涨或持续下跌的时候，自适应均线就应该采用短周期均线的平滑系数；而当市场处于横盘波动过程中的时候，自适应均线就应该采用长周期的平滑系数。
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。
卡夫曼自适应macd指标卡夫曼自适应移动平均（KAMA）是由佛罗里安·卡夫曼（Florian "Skip" Kaufman）提出的一种自适应的移动平均指标。
它与MACD（ 移动平均收敛散度）有关，但是与传统的移动平均不同，KAMA 使用了一种自适应的加权系数，以适应市场的波动性。
KAMA 的计算过程涉及以下几个步骤：1.真实波幅 True Range）：计算当前价格与前一个价格之间的真实波幅，包括当日的最高价、最低价和前一日的收盘价。
2.方向变化（Direction Change）：检查价格的方向是否发生了变化。
如果变化了，就重新计算自适应因子。
3.效能（Efficiency）：计算价格的效能，即价格的变化与真实波幅的比率。
这用于判断价格变化的趋势性和波动性。
4.自适应因子（Adaptive Factor）：根据效能来计算自适应因子。
如果价格趋势稳定，自适应因子较大；如果价格波动较大，自适应因子较小。
5.平滑系数（Smoothing Factor）：根据自适应因子计算平滑系数，用于平滑价格的变化。
6.KAMA 值：使用平滑系数来计算KAMA 的值，从而获得自适应的移动平均。
KAMA 的自适应性使其更适用于不同市场状况下的技术分析。
它能够更快地适应趋势的变化，同时对于市场的噪音具有一定的过滤作用。
卡夫曼自适应MACD KAMA MACD）则是在KAMA 的基础上结合了MACD 指标，形成一种更为综合的技术分析工具。
请注意，KAMA 的具体计算可能会有不同的变体，具体的实现可能会根据不同的交易软件或分析工具而有所不同。
因此，查阅相关文档或软件的具体说明以获取准确的计算方式。
AMA考夫曼自适应均线指标考夫曼自适应均线指标（Kaufman's Adaptive Moving Average，简称KAMA）是一种带有变色和过滤功能的技术指标。
它是由美国著名技术分析师佐治·考夫曼（George H. Kaufman）开发的，旨在解决传统均线指标在市场波动率变化时表现不佳的问题。
KAMA的核心思想是根据市场情况自适应地调整计算参数，以更好地反映价格的变动趋势。
与其他均线指标不同，KAMA采用平滑因子（Smoothing Factor）进行计算，该值会根据价格波动率的变化而动态调整。
这样一来，KAMA能够更快地响应价格变化，同时保持较低的滞后性。
KAMA的计算包括以下几个步骤：1. 计算Efficiency Ratio（ER）：ER用于衡量价格波动的相对方向和幅度。
它通过当前周期内价格与历史周期价格的差异的平均值与价格的总差异的平均值的比值来确定。
当ER接近1时，价格波动较大；当ER接近0时，价格波动较小。
2. 计算平滑因子（Smoothing Factor）：平滑因子取值范围在0到1之间，根据ER和前一周期的平滑因子得到。
如果ER较高，即价格波动较大，平滑因子会相应增加，反之亦然。
3. 计算Current KAMA：根据前一周期的KAMA值和平滑因子计算当前周期的KAMA值。
4. 计算Diff：Diff用于检测价格短期变化的情况。
当价格上涨时，Diff为1；当价格下跌时，Diff为0。
如果价格短期变化很小，Diff取中间值0.55. 计算Filter：Filter用于过滤价格短期变化较大且不稳定的情况。
当价格短期变化较小时，Filter接近0.5；当价格短期变化较大时，Filter接近16. 计算Color：根据Diff和Filter的值，确定KAMA线的颜色。
如果Diff大于Filter，即价格短期变化与长期趋势一致，KAMA线回归上涨，颜色为绿色；如果Diff小于Filter，即价格短期变化与长期趋势相反，KAMA线回归下跌，颜色为红色。
{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。
考夫曼自适应均线最优参数考夫曼自适应均线（KAMA）是一种技术指标，用于确定股票或其他金融资产的趋势。
它的最优参数是指在给定的市场环境下，能够最好地捕捉到价格趋势的参数设置。
KAMA的计算方法是基于考夫曼自适应滤波器（KAMA Filter）。
该滤波器根据市场的波动性自动调整参数，以适应不同的市场条件。
这使得KAMA能够更好地跟踪价格趋势，并减少噪音的干扰。
KAMA的最优参数取决于市场的特征和投资者的交易策略。
一般来说，KAMA的参数包括快速期、慢速期和适应性期。
快速期用于捕捉短期趋势，慢速期用于捕捉长期趋势，适应性期用于调整参数以适应市场的变化。
确定KAMA的最优参数需要考虑以下几个因素：1. 市场的波动性：市场的波动性越大，KAMA的适应性期应该设置得越大，以便更好地适应价格的变化。
相反，如果市场的波动性较小，适应性期可以设置得较小。
2. 交易策略的时间框架：不同的交易策略有不同的时间框架。
如果交易策略是短期交易，快速期应该设置得较小；如果交易策略是长期投资，慢速期应该设置得较大。
3. 历史数据的分析：通过分析历史数据，可以找到KAMA在不同参数设置下的表现。
可以通过回测等方法，比较不同参数设置下的收益率、风险等指标，选择最优的参数。
4. 经验和直觉：经验和直觉在确定KAMA的最优参数时也起着重要的作用。
投资者可以根据自己的经验和直觉，结合市场的特征和交易策略的要求，选择最适合的参数设置。
总之，确定KAMA的最优参数是一个复杂的过程，需要考虑多个因素。
投资者可以通过分析市场的波动性、交易策略的时间框架、历史数据的分析以及经验和直觉，选择最适合自己的参数设置。
同时，投资者还应该注意，KAMA只是一种技术指标，不能单独作为投资决策的依据，应该结合其他指标和分析方法进行综合判断。
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。
©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。
