Média Elástica Em Movimento

Média em Movimento Ponderada em Volume Elástico A Média de Movimento Ponderada em Volume Elástico é um indicador de tendência que usa o volume médio em seu cálculo de média móvel. O usuário pode alterar a entrada (fechar), o multiplicador e o comprimento do período. Esta definição do indicador8217s é expressada ainda mais no código condensado dado no cálculo abaixo. Como negociar com o uso de média elástica ponderada em volume elástico O EVWMA pode ser usado em conjunto com outros indicadores como um indicador de tendência. Nenhum sinal de negociação é calculado. Como acessar no MotiveWave Vá para o menu superior, escolha Estudar gtVolume BasedgtElastic Volume Ponderado MA ou vá para o menu superior, escolha Adicionar Estudo. Comece a digitar o nome deste estudo até que apareça na lista, clique no nome do estudo, clique em OK. Disclaimer Importante: As informações fornecidas nesta página são estritamente para fins informativos e não devem ser interpretadas como conselhos ou solicitações para comprar ou vender qualquer segurança. Consulte a Divulgação de Riscos e a Declaração de Descargo de Desempenho. Método de cálculo da média móvel (ma) definido pelo usuário, o padrão é o preço de entrada SMA (definido pelo usuário, o valor padrão é o preço de fechamento) entrada do usuário múltiplo, padrão 20 período entrada do usuário, padrão 40 índice atual número da barra, avVol volume médio prevE anteriorEVWMATda funcionalidade é experimental e Pode ser alterado ou removido completamente em uma versão futura. A Elastic terá uma abordagem de melhor esforço para corrigir quaisquer problemas, mas os recursos experimentais não estão sujeitos ao SLA de suporte de recursos oficiais da GA. 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 de 5 janelas da seguinte maneira: as médias móveis são um método simples para alisar sequencial dados. As médias móveis geralmente são aplicadas em dados baseados no tempo, como preços de ações ou métricas do servidor. O alisamento pode ser usado para eliminar flutuações de alta freqüência ou ruído aleatório, o que permite que as tendências de baixa freqüência sejam mais facilmente visualizadas, como a sazonalidade. Syntaxedit Linearedit O modelo linear atribui uma ponderação linear aos pontos da série, de modo que os 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 antigos têm menos influência. Um modelo linear não tem configurações especiais para configurar Como o modelo simples, o tamanho da janela pode alterar o comportamento da média móvel. Por exemplo, uma pequena janela (janela: 10) acompanhará de perto os dados e apenas suaviza as flutuações da pequena escala: Figura 3. Média móvel linear com janela de tamanho 10 Em contraste, uma média móvel linear com janela maior (janela: 100) Irá suavizar todas as flutuações de alta freqüência, deixando apenas tendências de baixa freqüência e longo prazo. Também tende a atrasar os dados reais por uma quantidade substancial, embora tipicamente inferior ao modelo simples: Figura 4. Média linear linear com janela de tamanho 100 Multiplicativo Holt-Wintersedit Multiplicativo é especificado pelo tipo de configuração: mult. Esta variedade é preferida quando o efeito sazonal é multiplicado em relação aos seus dados. Por exemplo. Se a influência sazonal for x5 os dados, em vez de simplesmente adicionar a ele. Os valores padrão de alfa e gama são 0,3, enquanto o beta é 0,1. As configurações aceitam qualquer flutuador de 0-1 inclusive. O valor padrão do período é 1. O modelo multiplicativo de Holt-Winters pode ser minimizado O Holt-Invernos Multiplicativo funciona dividindo cada ponto de dados pelo valor sazonal. Isso é problemático se algum 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 sejam diferentes de zero. Isso afeta o resultado, mas apenas minimamente. Se o seu dado não for zero, ou você prefere ver o NaN quando os zeros são encontrados, você pode desativar esse comportamento com o pad: false Predictionedit Todo o modelo de média móvel suporta um modo de previsão, que tentará extrapolar para o futuro dado o atual 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 média móvel, especificando o número de previsões que você deseja anexar ao final da série. Essas previsões serão espaçadas no mesmo intervalo que seus baldes: o simples. Os modelos linear e ewma produzem previsões planas: eles convergem essencialmente na média do último valor da série, produzindo um plano: Figura 11. Média móvel simples com janela de tamanho 10, prever 50 Em contraste, o modelo holt pode extrapolar com base Em tendências constantes locais ou globais. Se estabelecemos um alto valor beta, podemos extrapolar com base em tendências constantes locais (neste caso, as previsões para baixo, porque os dados no final da série estavam indo em direção descendente): Figura 12. Média móvel Holt-Linear Com janela de tamanho 100, prever 20, alfa 0.5, beta 0.8 Em contraste, se escolhermos uma pequena versão beta. As previsões são baseadas na tendência constante global. Nesta série, a tendência global é ligeiramente positiva, então a previsão faz uma u-turno acentuada e começa uma inclinação positiva: Figura 13. Média móvel exponencial dupla com janela de tamanho 100, predição 20, alfa 0.5, beta 0.1 O modelo holtwinters Tem potencial para oferecer as melhores previsões, uma vez que também incorpora flutuações sazonais no modelo: Figura 14. Média móvel Holt-Winters com janela de tamanho 120, predição 25, alfa 0.8, beta 0.2, gama 0.7, período 30Em fabricação e negócios Processos, existe 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 usinados foram uma das principais causas da degradação do sinal, de modo que 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 outros, possuem alguma 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 possa ser resolvido, em vez de destruir componentes fabricados. Os gráficos de controle funcionam desencadeando 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 atuam como detectores de anomalia de linha de frente devido à sua simplicidade e robustez. Suavização com médias móveis Os gráficos de controle podem ser construídos com bastante facilidade na Elasticsearch usando uma combinação de agregações, incluindo as novas agregações de pipeline. Para começar, vamos ver alguns dados sintéticos que eu gerei para esta publicação. Por diversão, podemos imaginar que é a temperatura do refrigerante (em celsius) para um reator nuclear. Vejamos primeiro os dados, usando um balde de histograma e uma métrica de extensões: no gráfico, estamos planejando o valor médio de 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 ruidosos, então a primeira coisa que você gostaria de fazer é suavizar para que você possa ver a tendência geral melhor. As médias móveis são ótimas para isso. Uma média móvel basicamente leva uma janela de valores, calcula a média, então move a janela para frente um passo. Existem vários tipos diferentes de médias móveis que você pode escolher. Vamos usar uma Média de Movimento Exponencialmente Ponderada (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 consulta a seguir, adicionamos uma agregação de pipeline de média móvel movavgmean que calcula a média móvel de cada balança avg (ou seja, uma média deslizante de meios): Existem alguns bits interessantes aqui: pontos de buckets para o valor de avg calculado dentro da nossa métrica de ExtendedStats A janela está configurada para 24, o que significa que queremos fazer uma média nas últimas 24 horas. O modelo conjunto é configurado para ewma. E, finalmente, configuramos algumas configurações para este modelo específico. A configuração alpha controla o quão suave é a média móvel gerada. O padrão (0,3) geralmente é bastante bom, mas gostei da aparência de 0,1 melhor para essa demo. Confira os documentos para obter mais informações sobre como as funções alfa. E o gráfico resultante agora inclui uma linha bem suavizada (roxo): no controle Então, a questão é. Este gráfico parece no controle Existe uma razão pela qual você deve desligar o reator, ou tudo está funcionando sem problemas, eu admito, eu estava sendo sneaky no gráfico anterior: eu traçava a média. Conforme discutido anteriormente. A média é uma métrica bastante pobre na maioria dos casos. Neste conjunto de dados, está escondendo um grande pico que eu coloquei na quinta-feira. Se traçamos o valor máximo em cada balde (linha amarela), o pico fica imediatamente limpo: espero que você tenha desativado o reator na quinta-feira) Como podemos ter detectado este pico. Nesta tabela, a anomalia é absurdamente clara. Você poderia usar um limite simples. Mas, além disso, veja mais adiante, os limites geralmente falham em padrões mais complexos. Em vez disso, vamos construir um gráfico de controle. Os gráficos de controle consideram um processo fora de controle se os pontos de dados começam a cair três desvios padrão para fora 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 mede A métrica stats. stddeviation nas últimas 24 horas. O shewhartucl pipeline agg é um bucketscript que calcula o limite de controle superior aka, o ponto no tempo em que 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 ao meio de rolamento. Eu omiti-lo por brevidade, mas a maioria das tabelas de controle também inclui um limite de controle menor. Para adicionar isso, você simplesmente copiaria o seu currículo. Subtrair três desvios padrão em vez de adicionar e renomeá-lo para shewhartlcl. Nota: eu uso um script inline por conveniência. Você pode substituí-lo por um script estático se o script dinâmico e inline estiver desativado em seu cluster. Média suavizada: roxa Valor máximo: amarelo Limite de controle superior: verde Podemos representar graficamente isso e ver que o pico (amarelo) dispara para além do limite de controle (verde). Em um sistema real, é quando você envia um alerta ou e-mail. Ou talvez algo mais drástico, já 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 baseado na média móvel e em um desvio padrão móvel. Na segunda parte. 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 veja como integrá-lo com o Watcher para que possamos receber notificações por e-mail automaticamente. Confira