Elastic moving average

Média Móvel Ponderada pelo Volume Elástico A Média Móvel Ponderada pelo Volume Elástico é um indicador de tendência que usa o volume médio em seu cálculo da média móvel. O usuário pode alterar o comprimento de entrada (fechar), multiplicador e período. A definição deste indicador é ainda expressa no código condensado dado no cálculo abaixo. Como negociar usando o volume elástico ponderado média móvel O EVWMA pode ser usado em conjunto com outros indicadores como um indicador de tendência. Nenhum sinal comercial é calculado. Como acessar no MotiveWave Ir para o menu superior, escolha Estudo gtVolume BasedgtElastic Volume MA ponderada ou vá para o menu superior, escolha Adicionar Estudo. Comece a digitar o nome deste estudo até ver que ele aparece na lista, clique no nome do estudo, clique em OK. Aviso importante: As informações fornecidas nesta página são estritamente para fins informativos e não devem ser interpretadas como conselho ou solicitação para comprar ou vender qualquer segurança. Consulte a Declaração de Descarte de Riscos e Desresponsabilização de Desempenho. Cálculo // método média móvel (ma) definido pelo usuário, padrão é SMA // preço de entrada (definido pelo usuário, padrão é preço de fechamento) // mult entrada do usuário, padrão 20 // período entrada do usuário, padrão 40 // índice atual barra número , AvVol volume médio // prevE previousEVWMAIn processos de fabricação e de negócios, há uma ferramenta comum chamada de gráfico de controle. Criado em 1920 pelo Dr. Walter Shewhart, um gráfico de controle é usado para determinar se um processo está no controle ou fora de controle. Na época, o Dr. Shewhart estava trabalhando na Bell Labs tentando melhorar a qualidade do sinal das linhas telefônicas. Os componentes mal maquinados foram uma das principais causas de degradação do sinal, portanto, melhorar os processos de fabricação para produzir componentes mais uniformes foi um passo crítico na melhoria da qualidade do sinal. Dr. Shewhart percebeu que todos os processos, fabricação ou de outra forma, têm alguma quantidade de variação natural. A chave era identificar quando a variação estava se comportando normalmente (no controle), e quando de repente começou a mudar (fora de controle). Um processo que saiu de controle precisa ser interrompido para que o problema pode ser corrigido, em vez de churning fora sloppy componentes fabricados. As cartas de controle funcionam ativando um alerta quando o valor diverge suficientemente da média por uma certa quantidade. Na prática, eles são muito simples e intuitivos de ler, e muitas vezes agem como detectores de anomalia de linha de frente devido à sua simplicidade e robustez. Suavização com médias móveis As tabelas de controle podem ser construídas com bastante facilidade em Elasticsearch usando uma combinação de agregações, incluindo as novas agregações de pipeline. Para começar, vamos ver alguns dados sintéticos que eu gerei para esta postagem. Por diversão, podemos imaginar que é a temperatura do refrigerante (em graus centígrados) para um reator nuclear. Vamos dar uma olhada nos dados em primeiro lugar, usando um balde histograma e uma métrica extendedstats: No gráfico, estamos traçando o avg para cada balde: Clique para tamanho completo. Como você pode ver, os dados são basicamente uma tendência plana, com uma distribuição aleatória em torno de 30. Os dados são barulhentos, então a primeira coisa que você gostaria de fazer é suavizar-lo para que você possa ver a tendência geral melhor. As médias moventes são grandes para este. Uma média móvel, basicamente, tem uma janela de valores, calcula a média, em seguida, move a janela para a frente um passo. Existem vários tipos diferentes de médias móveis que você pode escolher. Vamos usar uma Média Móvel Ponderada Exponencialmente (EWMA). Este tipo de média móvel reduz a importância de um ponto de dados exponencialmente à medida que se torna mais antigo na janela. Isso ajuda a manter a média móvel centrada nos dados em vez de ficar para trás. Na seguinte consulta, adicionamos um movavgmean agregação de pipeline média móvel que calcula a média móvel de cada baldes avg (ou seja, uma média deslizante de médias): Existem alguns bits interessantes aqui: bucketspath aponta para o valor médio calculado dentro de nossa métrica extendedstats Janela está definida para 24, o que significa que queremos média das últimas 24 horas em conjunto modelo está definido para ewma E, finalmente, vamos configurar algumas configurações para este modelo específico. A configuração alpha controla o quão suave é a média móvel gerada. O padrão (0,3) é geralmente muito bom, mas eu gostei do olhar de 0,1 melhor para esta demo. Confira os documentos para obter mais informações sobre como funciona alfa. E o gráfico resultante agora inclui uma linha bem suavizada (roxo): No controle Então, a questão é. Será que este gráfico olhar no controle Existe uma razão que você deve desligar o reator, ou está tudo funcionando sem problemas Eu admito, eu estava sendo sneaky no gráfico anterior: Eu traçado a média. Conforme discutido anteriormente. A média é uma métrica muito pobre na maioria dos casos. Neste conjunto de dados, está escondendo um grande pico que eu coloquei na quinta-feira. Se traçarmos o valor máximo em cada balde (linha amarela) o pico é imediatamente claro: Espero que você desligou o reator na quinta-feira) Como poderíamos ter detectado este pico Neste gráfico, a anomalia é absurdamente claro. Você poderia usar um limiar simples. Mas, bem como ver mais adiante, limiares freqüentemente falham sob padrões mais complexos. Em vez disso, vamos criar um gráfico de controle. As cartas de controle consideram um processo fora de controle se os pontos de dados começam a cair três desvios padrão longe da média. Com isso em mente, podemos modificar nossa agregação para transformá-la em um gráfico de controle de boa-fé. Para fazer isso, precisamos adicionar duas novas agregações: uma média móvel no desvio padrão e um script que calcula o limite superior: O novo movavgstd pipeline agg é muito simples: é simplesmente um EWMA (com configurações padrão) que as médias A métrica stats. stddeviation nas últimas 24 horas. O agendamento de pipeline shewhartucl é um bucketscript que calcula o limite de controle superior aka, o ponto no tempo quando você começa a se preocupar porque o processo ficou fora de controle. Pense nisso como um limiar dinâmico. O limiar é calculado multiplicando o desvio padrão de rolamento por três, depois adicionando-o à média de rolamento. Eu omiti-lo para a brevidade, mas a maioria dos gráficos de controle também incluem um limite de controle mais baixo. Para adicionar isso, você simplesmente copiaria shewhartucl. Subtrair três desvios padrão em vez de adicionar, e renomeá-lo para shewhartlcl. Nota: Im usando um script inline para conveniência. Você pode substituí-lo por um script estático se o script dinâmico inline estiver desabilitado no cluster. Altura média lisa: roxo Valor máximo: amarelo Limite de controlo superior: verde Podemos representar um gráfico e ver que o pico (amarelo) dispara para além do limite de controlo (verde). Em um sistema real, isso é quando você envia um alerta ou e-mail. Ou talvez algo mais drástico, uma vez que este é um reator nuclear que estamos modelando) Conclusão Isso é tudo para esta semana. Para recapitular, usamos as novas agregações de pipeline para suavizar nossos dados com uma média móvel. Em seguida, construímos um gráfico de controle para encontrar dinamicamente outliers calculando um limite de controle superior com base na média móvel e um desvio padrão em movimento. Na parte dois. Bem veja como o mesmo gráfico de controle pode ser usado para padrões de dados mais interessantes, como tendências lineares e comportamento cíclico. Bem também ver como integrá-lo com o Observador para que possamos receber notificações de e-mail automaticamente. Check it out Esta funcionalidade é experimental e pode ser alterada ou removida completamente em uma versão futura. Dada uma série ordenada de dados, a agregação de média móvel desliza uma janela através dos dados e emite o valor médio dessa janela. Por exemplo, dados os dados 1, 2, 3, 4, 5, 6, 7, 8, 9, 10. Podemos calcular uma média móvel simples com o tamanho das janelas de 5 da seguinte forma: As médias móveis são um método simples para suavizar sequencial dados. As médias móveis são normalmente aplicadas a dados baseados no tempo, como preços de ações ou métricas de servidor. A suavização pode ser usada para eliminar flutuações de alta freqüência ou ruído aleatório, o que permite que as tendências de freqüência mais baixas sejam mais facilmente visualizadas, como a sazonalidade. Syntaxedit Linearedit O modelo linear atribui uma ponderação linear aos pontos da série, de tal forma que datapoints mais antigos (por exemplo, aqueles no início da janela) contribuem com uma quantidade linearmente menor para a média total. A ponderação linear ajuda a reduzir o atraso por trás da média dos dados, uma vez que os pontos mais velhos têm menos influência. Um modelo linear não tem configurações especiais para configurar Como o modelo simples, o tamanho da janela pode mudar o comportamento da média móvel. Por exemplo, uma pequena janela (janela: 10) acompanhará de perto os dados e suavizará apenas as pequenas flutuações da escala. Em contraste, uma média móvel linear com janela maior (janela: 100) Vai suavizar todas as flutuações de alta freqüência, deixando apenas de baixa freqüência, tendências de longo prazo. Ele também tende a ficar atrás dos dados reais por uma quantidade substancial, embora tipicamente menor do que o modelo simples: Multiplicativo Holt-Wintersedit Multiplicativo é especificado pelo tipo de ajuste: mult. Esta variedade é preferida quando o efeito sazonal é multiplicado em relação aos seus dados. Por exemplo. Se o efeito sazonal é x5 os dados, em vez de simplesmente adicioná-lo. Os valores padrão de alfa e gama são 0,3 enquanto beta é 0,1. As configurações aceitam qualquer float de 0-1 inclusive. O valor padrão do período é 1. O modelo multiplicativo Holt-Winters pode ser minimizado Multiplicativo Holt-Winters funciona dividindo cada ponto de dados pelo valor sazonal. Isso é problemático se qualquer um de seus dados for zero, ou se houver lacunas nos dados (uma vez que isso resulta em um divid-by-zero). Para combater isso, o mult Holt-Winters pads todos os valores por uma quantidade muito pequena (110 -10) para que todos os valores são diferentes de zero. Isso afeta o resultado, mas apenas minimamente. Se os seus dados não forem nulos, ou preferir ver NaN quando forem encontrados zeros, pode desactivar este comportamento com pad: false Predictionedit Todo o modelo de média móvel suporta um modo de previsão, que tentará extrapolar para o futuro, dada a corrente Suavizada, média móvel. Dependendo do modelo e parâmetro, essas previsões podem ou não ser precisas. As previsões são ativadas adicionando um parâmetro de previsão a qualquer agregação de média móvel, especificando o número de previsões que você gostaria de acrescentar ao final da série. Estas previsões serão espaçadas para fora no mesmo intervalo que seus baldes: O simples. Lineares e ewma produzem previsões planas: convergem essencialmente na média do último valor da série, produzindo um plano: em contraste, o modelo holt pode extrapolar com base Em tendências constantes locais ou globais. Se definimos um valor beta alto, podemos extrapolar com base em tendências constantes locais (neste caso, as previsões são para baixo, porque os dados no final da série estavam em direção descendente): Figura 12. Holt - Com janela de tamanho 100, prever 20, alfa 0,5, beta 0,8 Em contraste, se escolhermos uma pequena beta. As previsões são baseadas na tendência global constante. Nesta série, a tendência global é ligeiramente positiva, de modo que a predição faz um viragem nítido e começa uma inclinação positiva: Figura 13. Média móvel exponencial dupla com janela de tamanho 100, previsão 20, alfa 0,5, beta 0,1 O modelo holtwinters Tem o potencial para fornecer as melhores previsões, uma vez que também incorpora flutuações sazonais no modelo: Figura 14. Holt-Winters média móvel com janela de tamanho 120, prever 25, alfa 0,8, beta 0,2, gama 0,7, período 30