考夫曼自适应均线系统

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。

© 1999 J URIK R ESEARCH；Why Use JMA ?TO VIEW THE GRAPHICS CORRECTLY SET ZOOM SCALE TO 134%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#!: 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.BENCHMARK #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!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 liming 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 M buy M signal.Note that JMAs crossovers are 15 and 18 days earlier! Can you afford to be 15 days late ?Adaptive 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 an exponential moving average whose speed is governed by the•efficiency" of price movement. For example, fast moving price with little retracement (a strong trend) isconsidered very efficient and the KMA will automatically speed up to prevent excessive lag. This interesting concept sometimes worths well, sometimes not. For example, the chart below shows KMA lagging well behind JMA.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.BENCHMARK #4: SMOOTHNESSThe most important property of a noise reduction filter is its smoothness.In the chart to the right. EMA and JMA filters arerun across closing prices. Note how much thefast EMA alternates upward and downward whileJMA glides smoothly through the data. ClearlyJMA reveals the noise-free underlying pricemore accurately.If you try reducing EMA's erratic hopping bymaking it slower, you will discover its lag willbecome larger, producing late trade signals.If you need a 2-bar momentum indicator,you could take the difference betweentwo values along the EMA time seriesand produce the jagged line in the chartto the left. This is in contrast to the much smoother momentumsignal based on JMA (flatter line). Imagine how many badtrades could be eliminated with this simple substitution!Moving averages should have consistent behavior. Some do not. ForComparing JMA to VIDYA example. Chande's VIDYA is an exponential moving average whosespeed is governed by the variance of price movement. Fast movingprice has large variance which will eventually cause VIDYA toautomatically speed up (in an attempt to prevent excessive lag). Thisconcept sometimes works well, sometimes not.In the chart to the right. JMA is the thick solid line and VIDYA is thethin solid line. Both perform approx-imately the same for the first 1/3of the series. But due to the high volatility during this downward trend.VIDYA becomes hyperactive and fast tracks the choppy waves duringthe congestion phase of this lime series. Smoothing is lost. Incontrast. JMA cuts right through with a smooth horizontal line. Inaddition, the decrease in signal volatility soon causes VIDYA to slowdown, too much in fact, as it lags behind JMA during the nextdownward price trend.The two charts below simulate a rising trend of equal-sized pricebars, punctuated by a downward gap. Trend following systems usingsignals from the crossover of classical moving averages would failmiserably because the crossovers would arrive too late to take fulladvantage of the trend (LEFT CHART). In contrast. JMA createscrossover signals almost immediately, nding a good portion of thetrend for greater profit (RIGHT CHART).JMA can also track price gaps produced by INTRA-DAY data. Thechart on the right shows how JMA jumps to the next day's pricelevels 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 structureof S&P ( 5 minute bars )。

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。

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。

自适应均线公式通达信
通达信中的自适应均线公式为：MA:=IF(BARS>1,MA*(N1-
1)/(N1+1)+CLOSE*2/(N1+1),CLOSE);其中N1为自适应参数，可以根据不
同的周期自适应调整。

MA是自适应均线的值，CLOSE是当前周期的收盘价。

具体解释如下：
1.当BARS>1时，表示目前已经有至少两个周期。

这时MA通过自适应
公式进行计算，新的MA值为“MA*(N1-1)/(N1+1)+CLOSE*2/(N1+1)”。

相
当于把当前周期的收盘价加权为2，之前的MA值以N1-1为权重，这样可
以平滑均线的变化，保证市场趋势变化的准确反映。

2.当BARS=1时，表示当前周期是第一根K线，这时MA等于第一根K
线的收盘价。

通过自适应均线公式，可以较好的反映当前市场趋势的变化，帮助投
资者更好的把握买卖时机。

以考夫曼均线作为中轨的布林线指标。

文章标题：深度解析布林线指标及其中轨考夫曼均线第一部分：引言1.1 布林线指标的基本概念“布林线指标”是由约翰·布林格（John Bollinger）在上世纪80年代提出的一种技术分析工具，用以衡量价格波动的幅度和趋势的稳定性。

它由上轨、下轨和中轨三部分组成，通过对价格的统计学处理来确定交易信号和支撑压力位。

其中，作为布林线指标中轨的“考夫曼均线”是一种特殊的均线类型，它可以更加准确地反映价格趋势的中性状态。

第二部分：深度解析布林线指标2.1 布林线指标的应用场景布林线指标最早是为股市设计的，但随着技术分析的发展，它如今也广泛应用于其他金融市场，比如外汇、期货和加密货币市场。

它能够帮助交易者更好地理解市场的波动情况，把握入场时机和离场时机。

2.2 布林线指标的计算方法布林线指标的计算主要包括三个重要的部分：中轨的计算、上下轨的计算和标准差的计算。

其中，中轨的计算方式采用了考夫曼均线，它将过去一定周期内的收盘价作为参考，通过不同的算法对价格进行平滑处理，从而得到中轨的数值。

第三部分：应用布林线指标的技巧3.1 如何利用布林线指标进行交易决策在实际交易中，要想充分发挥布林线指标的作用，交易者需要结合其他技术分析工具，比如移动平均线、相对强弱指标等，来进行综合分析，找到最佳的交易时机。

还需要考虑市场的整体走势和主力资金的进出情况，以避免盲目跟风或逆势交易。

3.2 考夫曼均线的特点及其应用技巧相比传统的简单移动平均线（SMA）和指数移动平均线（EMA），考夫曼均线更加迟滞，能够更加平滑地反映价格的走势。

在实际应用中，考夫曼均线可以更准确地反映价格的长期趋势，对于交易者来说，可以更好地避免短期波动带来的误判。

第四部分：个人观点与结论4.1 我对布林线指标的看法从我个人的角度来看，布林线指标作为一种辅助分析工具，在辅助选股和择时方面具有一定的参考价值。

尤其是考夫曼均线作为中轨的布林线指标，更具有平滑性和稳定性，能够更准确地反映价格的趋势。

自适应均线原理自适应均线（Adaptive Moving Average，AMA）是一种动态调整均线周期的技术指标，其基本原理是通过对历史数据进行分析，根据市场价格变化的特征来自动调整均线的权重，以适应不同的市场情况。

自适应均线的特点是可以快速地反应价格变化的趋势和力度，具有较高的敏感性和可靠性，在技术分析和金融交易中广泛应用。

自适应均线的数学模型如下：AMA(i) = AMA(i-1) + KAMA * (Price(i) –AMA(i-1))其中，AMA表示自适应均线在i时刻的值，KAMA为平滑因子，Price为当前价格。

该模型可以理解为对EMA（指数移动平均线）和SMA（简单移动平均线）的综合改进，采用简单移动平均线的形式计算，但是根据市场变化情况调整权重，使其更加精准地反映价格变化趋势。

自适应均线的应用主要包括以下几个方面：1.识别趋势：自适应均线可以帮助分析师准确地识别价格趋势的起伏和转折点，从而制定适当的交易策略。

2.过滤噪声：自适应均线可以减少噪声对价格变化的干扰，可以帮助分析师更好地判断市场趋势。

3.确定买卖点：自适应均线可以帮助分析师确定股票的买卖点，从而避免错误决策和损失。

4.跟踪止损：自适应均线可以帮助交易者根据价格变化情况及时调整止损点，降低风险，防止损失。

自适应均线虽然有着较高的准确性和实用性，但也存在一些不足之处。

首先，由于自适应均线的计算方法较为复杂，需要对历史数据进行分析和运算，因此比较容易受到滞后性的影响；其次，自适应均线对于价格变化较为平稳的市场表现不佳，容易出现较大的偏差。

因此，在使用自适应均线进行技术分析和交易时，需要结合实际情况进行综合考虑，并且与其他技术指标相结合，以达到更好的效果。

考夫曼指标用法引言：技术分析是一种研究市场行为的方法，旨在预测价格走势。

考夫曼指标（Kaufman Index，简称KDM）是一种动量指标，可以帮助交易者和投资者识别市场趋势、判断买卖时机。

本文将介绍考夫曼指标的用法，帮助您更好地理解和使用这一技术分析工具。

考夫曼指标简介考夫曼指标是由亚瑟·考夫曼（Arthur Kaufman）发明的，是一种动量指标，通过比较一段时间内的价格波动范围来衡量市场的强度。

KDM的计算公式如下：KDM = (Pn - Pn-1) / (Pn-1 - Pn-2)其中，Pn表示当前周期（通常为5天）的收盘价，Pn-1表示前一个周期的收盘价，Pn-2表示再前一个周期的收盘价。

KDM的取值范围在-1到1之间，当KDM大于0时，表示市场处于上升趋势；当KDM小于0时，表示市场处于下降趋势。

考夫曼指标的用法1. 判断市场趋势考夫曼指标可以帮助我们识别市场的趋势。

当KDM大于0时，表示市场处于上升趋势；当KDM小于0时，表示市场处于下降趋势。

通过观察KDM的数值和变化趋势，我们可以更好地了解市场的行为。

2. 寻找买卖时机考夫曼指标可以帮助我们判断买卖时机。

当KDM由负值变为正值时，可能是买入的好时机；当KDM由正值变为负值时，可能是卖出的好时机。

此外，当KDM的值达到极值（如-1或1）时，也可能出现买卖时机。

3. 结合其他技术指标考夫曼指标可以与其他技术指标（如移动平均线、相对强弱指数等）结合使用，以提高预测准确性。

例如，当KDM与移动平均线形成黄金交叉（KDM上穿移动平均线）时，可能是买入的好时机；当KDM与移动平均线形成死亡交叉（KDM下穿移动平均线）时，可能是卖出的好时机。

4. 设置止损和止盈点在使用考夫曼指标进行交易时，我们需要设置止损和止盈点。

止损点可以设置在KDM转为负值的地方，以防止损失过大；止盈点可以设置在KDM达到极值的地方，以锁定利润。

考夫曼指标的深入理解在使用考夫曼指标时，我们需要理解其背后的原理和逻辑。

考夫曼均线指标
考夫曼均线指标（KAMA）是一种动态均线指标，它可以根据市场的波动自动调整均线的周期，更加准确地反映市场的趋势。

KAMA的计算方法比较复杂，但是可以通过以下步骤进行简单的理解：
1. 计算Efficiency Ratio（ER）：ER表示价格变化的效率，计算公式为：ER = (Price -Price n periods ago) / (Sum of Absolute Values of Price changes over n periods)。

2. 计算Smoothing Constant（SC）：SC表示平滑系数，它根据ER的大小自动调整，计算公式为：SC = [ER x (fastest SC - slowest SC) + slowest SC]²。

3. 计算KAMA：KAMA是根据前一天的KAMA值和当前价格计算得出的，计算公式为：KAMA = Prior KAMA + SC x (Price - Prior KAMA)。

KAMA指标可以用于各种市场和时间周期的分析，通常用于判断趋势的转折点和支撑/阻力位的位置。