ชี้แจง เคลื่อนไหว เฉลี่ย ผิดปกติ อนุกรมเวลา

ค่าเฉลี่ยการเคลื่อนที่แบบ Exponential สำหรับชุดเวลาที่ไม่สม่ำเสมอในการวิเคราะห์อนุกรมเวลามักต้องมีการปรับให้เรียบเพื่อตอบสนองการเปลี่ยนแปลงของสัญญาณได้อย่างรวดเร็วในแอพพลิเคชันทั่วไปคุณอาจกำลังประมวลผลสัญญาณอินพุทในเวลาจริงและต้องการคำนวณค่าดังกล่าว เป็นค่าเฉลี่ยที่ผ่านมาหรือได้รับความลาดชันทันทีสำหรับมัน แต่สัญญาณโลกแห่งความจริงมักจะมีเสียงดังตัวอย่างน้อยมีเสียงดังจะทำให้ค่าปัจจุบันของสัญญาณหรือความลาดเอียงของมันแตกต่างกันอย่างแพร่หลายค่าเฉลี่ยที่เรียบง่ายฟังก์ชั่นเรียบเป็นหน้าต่าง ค่าเฉลี่ยของค่าเฉลี่ยเมื่อมีตัวอย่างมาให้คุณใช้ค่าเฉลี่ยของค่า N ล่าสุดล่าสุดค่านี้จะค่อยๆลดลง แต่แนะนำความล่าช้าหรือความล่าช้าค่าเฉลี่ยของคุณจะล่าช้าไปตามความกว้างของค่าเฉลี่ยที่เคลื่อนที่ของคุณตัวอย่างข้างต้นมีราคาแพงในการคำนวณ สำหรับแต่ละตัวอย่างคุณต้องย้ำไปทั่วทั้งขนาดของหน้าต่าง แต่มีวิธีที่ถูกกว่าเก็บผลรวมของตัวอย่างทั้งหมดในหน้าต่างในบัฟเฟอร์และปรับผลรวมเป็นตัวอย่างใหม่ com e in ค่าเฉลี่ยเคลื่อนที่อีกหนึ่งค่าคือค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักสำหรับแต่ละตำแหน่งในหน้าต่างตัวอย่างก่อนที่คุณจะเฉลี่ยตัวคูณแต่ละตัวอย่างโดยน้ำหนักของตำแหน่งหน้าต่างนั้นเทคนิคนี้เรียกว่า convolution ข้อควรพิจารณาโดยทั่วไปฟังก์ชันการถ่วงน้ำหนักทั่วไปใช้เส้นโค้งระฆัง ไปยังหน้าต่างตัวอยางซึ่งจะทําใหสัญญาณที่ถูกปรับไปที่ศูนยกลางของหนาตางมากขึ้นและยังคงออนตัวของเสียงที่มีเสียงดังในการวิเคราะหทางการเงินคุณมักใชฟงกชันการชั่งตวงที่ใหความสำคัญกับตัวอยางอื่นมากกวา ตัวอย่างล่าสุดตัวอย่างที่ได้รับความก้าวหน้าน้ำหนักน้อยนี้จะช่วยลดผลกระทบของเวลาแฝงในขณะที่ยังคงให้ราบรื่นดีพอสมควรด้วยค่าเฉลี่ยถ่วงน้ำหนักคุณจะต้องย้ำตลอดขนาดหน้าต่างทั้งหมดสำหรับทุกตัวอย่างยกเว้นคุณสามารถ จำกัด น้ำหนักที่อนุญาตให้ บางฟังก์ชันค่า Exponential Moving Average อีกค่าหนึ่งของค่าเฉลี่ยคือค่าเฉลี่ยเคลื่อนที่ที่เป็นเลขยกกำลังหรือ EMA นี่เป็นค่า U sed ที่เวลาแฝงเป็นสิ่งสำคัญเช่นในการวิเคราะห์ทางการเงินแบบเรียลไทม์ค่าเฉลี่ยนี้น้ำหนักจะลดลงอย่างมากตัวอย่างแต่ละชิ้นมีมูลค่าน้อยกว่าตัวอย่างล่าสุดถัดไปด้วยข้อ จำกัด นี้คุณสามารถคำนวณค่าเฉลี่ยเคลื่อนที่ได้อย่างมีประสิทธิภาพเมื่อ alpha เป็น ค่าคงที่ที่อธิบายถึงวิธีที่น้ำหนักของหน้าต่างลดลงเมื่อเวลาผ่านไปตัวอย่างเช่นถ้าตัวอย่างแต่ละตัวมีน้ำหนักที่ 80 ของค่าของตัวอย่างก่อนหน้านี้คุณจะตั้งค่า alpha 0 2 ค่า alpha ที่มีขนาดเล็กจะยาวกว่าค่าเฉลี่ยเคลื่อนที่ของคุณเช่นจะนุ่มนวลขึ้น, แต่น้อยปฏิกิริยากับตัวอย่างใหม่น้ำหนักสำหรับ EMA กับ alpha 0 20.As คุณสามารถดูสำหรับตัวอย่างใหม่แต่ละคุณจะต้องเฉลี่ยกับค่าของค่าเฉลี่ยก่อนหน้าดังนั้นการคำนวณเป็นอย่างมาก fast. In ทฤษฎีทั้งหมดก่อนหน้านี้ ตัวอย่างมีส่วนช่วยให้ค่าเฉลี่ยปัจจุบัน แต่ผลงานของพวกเขาจะมีขนาดเล็กลงเรื่อย ๆ เมื่อเวลาผ่านไปนี่เป็นเทคนิคที่มีประสิทธิภาพมากและอาจเป็นวิธีที่ดีที่สุดถ้าคุณต้องการได้ค่าเฉลี่ยเคลื่อนที่ที่ตอบสนองได้ ckly ไปยังตัวอย่างใหม่มีคุณสมบัติการราบเรียบที่ดีและรวดเร็วในการคำนวณรหัสเป็นเรื่องเล็กน้อย EMA สำหรับชุดเวลาที่ไม่สม่ำเสมอมาตรฐาน EMA ใช้ได้ดีเมื่อมีการสุ่มตัวอย่างสัญญาณในช่วงเวลาปกติ แต่ถ้าตัวอย่างของคุณมาในช่วงเวลาที่ไม่สม่ำเสมอ นี่คือสถานการณ์ปกติในการวิเคราะห์ทางการเงินในทางทฤษฎีมีฟังก์ชั่นต่อเนื่องสำหรับค่าของเครื่องมือทางการเงินใด ๆ แต่คุณสามารถตัวอย่างสัญญาณนี้ได้เมื่อใดก็ตามที่มีผู้ดำเนินการค้าขายจริงดังนั้นกระแสข้อมูลของคุณ ประกอบด้วยค่าบวกเวลาที่สังเกตได้มีวิธีหนึ่งที่จะจัดการกับปัญหานี้คือการแปลงสัญญาณผิดปกติเป็นสัญญาณปกติโดยการ interpolating ระหว่างการสังเกตการณ์และ resampling แต่ข้อมูลนี้จะสูญหายไปและจะแนะนำ latency อีกครั้ง คุณสามารถคำนวณ EMA สำหรับชุดเวลาที่ไม่ต่อเนื่องได้โดยตรงในฟังก์ชันนี้คุณจะผ่านตัวอย่างปัจจุบันจากสัญญาณของคุณและตัวอย่างก่อนหน้านี้และจำนวนเวลาที่ผ่านไป betw een สองและค่าก่อนหน้านี้กลับโดยฟังก์ชันนี้ดังนั้นวิธีการที่ดีไม่ทำงานนี้เพื่อแสดงให้เห็นฉันได้สร้างคลื่นไซน์แล้วสุ่มตัวอย่างมันในช่วงเวลาที่ผิดปกติและนำประมาณ 20 เสียงนั่นคือสัญญาณจะแตกต่างกันแบบสุ่ม - 20 จาก สัญญาณไซน์จริงแท้เท่าไหร่ที่ดีไม่ผิดปกติเลขยกกำลังเคลื่อนที่เฉลี่ยการกู้คืนสัญญาณเส้นสีแดงเป็นคลื่นไซน์เดิมตัวอย่างในช่วงเวลาที่ไม่สม่ำเสมอสายสีน้ำเงินเป็นสัญญาณที่มีสัญญาณรบกวนเพิ่มสายสีน้ำเงินเป็นสัญญาณเดียวที่ EMA เห็น สายสีเขียวคือ EMA ที่ราบเรียบคุณสามารถเห็นสัญญาณนี้ฟื้นตัวได้ดีขึ้นเล็กน้อยสั่นสะท้าน แต่สิ่งที่คุณคาดหวังจากสัญญาณแหล่งสัญญาณรบกวนดังกล่าวก็คือเลื่อนไปทางด้านขวาประมาณ 15 ตัวเนื่องจาก EMA จะแนะนำช่วงเวลาที่บางลง คุณต้องการมันแฝงมากขึ้นคุณจะเห็น แต่จากนี้คุณสามารถเช่นคำนวณความชันทันทีสำหรับสัญญาณไม่สม่ำเสมอมีเสียงดังคุณสามารถทำอะไรกับ Hmm. I ที่ฉันพยายามที่จะขุดออกตัวชี้วัดบางอย่างที่ดูว่าเชื่อถือได้ ลูกค้าเชื่อมต่อกับบริการข้อมูลดิบอยู่ในรูปแบบของลูกค้า A มาออนไลน์แบบออฟไลน์ในเวลา X การเชื่อมต่อไม่น่าเชื่อถือสูงและฉันต้องการค่าเฉลี่ยเคลื่อนที่บางประเภทเพื่อแสดงว่าการเชื่อมต่อมีการปรับปรุงหรือไม่เมื่อเวลาผ่านไป ไม่ได้เชื่อมต่อเสมอดังนั้นเพียงแค่ไปออฟไลน์ไม่ได้หมายความว่ามันผิดพลาดจนถึงตอนนี้ฉันได้ถ่ายแล้วข้อมูลและใช้สมมติฐานบางอย่างเพื่อช่วยให้ง่ายขึ้นผมคิดว่าถ้าลูกค้า reconnects ภายในนาทีของการถอดแล้วที่เป็นความผิดเหล่านี้ ฉันมีโมเดลเป็น impluses ง่ายๆเช่นลูกค้า A มีข้อผิดพลาดในเวลา X. The ส่วนฉัน m ดิ้นรนกับเป็นวิธีการแปลงพล็อตนี้เป็นค่าเฉลี่ยเคลื่อนที่ฉัน m เล่นกับ R เพื่อกระทืบตัวเลขฉันเชื่อว่าฉันควรจะสามารถ ทำเช่นนี้กับตัวกรองผ่านต่ำหรือใช้แพคเกจสวนสัตว์และ rollmean แต่ฉัน don t รู้วิธีจัดการกับกรณีที่ลูกค้า didn t เพียงต้องการออนไลน์ฉันพยายามที่จะขุดออกตัวชี้วัดบางอย่างที่ดูว่าเชื่อถือได้ ลูกค้าเชื่อมต่อกับบริการข้อมูลดิบอยู่ในรูปของ ลูกค้า A มาออนไลน์แบบออฟไลน์ในเวลา X การเชื่อมต่อไม่น่าเชื่อถือสูงและฉันต้องการค่าเฉลี่ยเคลื่อนที่บางประเภทเพื่อแสดงว่าการเชื่อมต่อมีการปรับปรุงหรือไม่เมื่อเวลาผ่านไปไคลเอ็นต์ไม่ได้เชื่อมต่ออยู่เสมอดังนั้นการออฟไลน์แบบออฟไลน์ไม่ได้หมายความว่าเป็นการผิดพลาด จนถึงตอนนี้ฉันได้ถ่ายข้อมูลแล้วและใช้ข้อสมมติฐานบางอย่างเพื่อช่วยให้ง่ายขึ้นฉันคิดว่าถ้าลูกค้าเชื่อมต่อภายในนาทีที่ตัดการเชื่อมต่อแล้วนั่นคือความผิดพลาดฉันได้สร้างแบบจำลองเป็น impluses ง่ายๆคือลูกค้า A มีข้อผิดพลาดที่ เวลาส่วน X. ฉัน m ดิ้นรนกับเป็นวิธีการแปลงพล็อตนี้เป็นค่าเฉลี่ยเคลื่อนที่ฉัน m เล่นกับ R เพื่อกระทืบตัวเลขฉันเชื่อว่าฉันควรจะสามารถทำเช่นนี้กับตัวกรองผ่านต่ำหรือใช้แพคเกจสวนสัตว์และ rollmean แต่ฉัน don t รู้วิธีจัดการกับกรณีที่ลูกค้าเพียง didn t ต้องการออนไลน์