Читать книгу Скользящие Средние: Линии, которые управляют рынком - - Страница 6

Проблема равного веса данных: Почему линейность?

Итак, мы восстали против равнодушной демократии SMA и создали экспоненциальную монархию настоящего – EMA. Но что, если нам нужна не просто чувствительность, а полный, тотальный контроль над тем, как вес уходит в прошлое? Что если мы хотим задать правило взвешивания явно, линейно, без магии экспоненты?

Проблема EMA в её «непрозрачности». Веса прошлых данных хоть и вычисляемы, но неочевидны для быстрого взгляда. Инженерам и системным разработчикам иногда нужна предсказуемая, линейная прогрессия. Так родилась Взвешенная скользящая средняя (WMA).

Линейное взвешивание: плюсы и минусы

Формула WMA проста в задумке, но требует чуть больше вычислений:

WMA(n) = (Цена₁ * 1 + Цена₂ * 2 + … + Ценаₙ * n) / (1 + 2 + … + n)

Где `Цена₁` – самая старая цена в окне, `Ценаₙ` – самая новая.

Суть: Самой старой цене дается вес 1. Следующей – вес 2. И так далее до самой новой цены, которая получает вес `n`. Затем сумма взвешенных цен делится на сумму весов.

Аналогия: Судейская коллегия на Олимпиаде. Самый старый день – как самый строгий судья, чье мнение почти не учитывается (вес 1). Каждый новый день – все более важный судья. Сегодняшний день – это главный судья, чей голос (вес `n`) решает почти всё.

Плюсы WMA:

1. Превосходная реакция. Она реагирует на изменение тренда быстрее, чем EMA при том же периоде `n`, потому что дает новейшим данным *еще больший* относительный вес. Это самый «быстрый» из трио SMA-EMA-WMA.

2. Кристальная прозрачность логики. Правило взвешивания абсолютно ясно и линейно. Это облегчает ее встраивание в кастомные алгоритмические системы, где нужна полная детерминированность.

3. Резкое «забывание» старого. Когда данные выходят из окна расчета, они исчезают полностью, без «шлейфа», как в EMA. Это делает WMA более чистой с точки зрения «оперативной памяти».

Минусы WMA:

1. Чрезмерная чувствительность и нервозность. Из-за агрессивного взвешивания WMA очень шумная. Она будет дергаться на каждом незначительном колебании, что делает её непригодной для долгосрочного анализа.

2. Сложнее в расчете. Требует пересчета полной суммы весов при каждом шаге, что (в прошлом) было минусом для производительности.

3. Меньшая популярность и, как следствие, слабые психологические уровни. На неё не смотрят массы, поэтому пробой WMA не является значимым рыночным событием, в отличие от пробоя SMA(200).

Когда WMA превосходит SMA и EMA: Нишевое превосходство

WMA – не универсальный солдат, а спецназовец. Она блестяще проявляет себя в конкретных ситуациях:

1. Определение самых ранних точек разворота в системах с несколькими фильтрами. Её можно использовать как «сигнальную проволоку»: если и WMA, и EMA развернулись, значит, разворот силен. Если развернулась только нервная WMA – это, скорее всего, шум.

2. Анализ кривых доходности или временных рядов с четкими циклами. Там, где важна линейная фаза (например, сезонные продажи), линейное взвешивание WMA может точнее выделить текущий тренд внутри цикла.

3. Как компонент для других, более сложных индикаторов. Её предсказуемая линейная природа делает её хорошим строительным блоком.

Роль WMA в моделях предсказания волатильности: Измерение «скорости страха»

Волатильность – это не просто «размах». Это скорость изменения цены. И здесь WMA находит неожиданное применение.

Представьте, что мы рассчитываем не среднюю цену, а среднее абсолютное изменение цены (истинный диапазон, ATR). Если применить к этому значению WMA, мы получим индикатор, который:

Быстро и остро реагирует на всплески страха (резкие увеличения диапазона).

Быстро успокаивается, когда паника проходит, так как старые, высокие значения волатильности быстро теряют вес.

Таким образом, WMA помогает создавать адаптивные индикаторы волатильности, которые лучше подходят для алгоритмической настройки параметров риска в реальном времени, чем более инерционные SMA или даже EMA.

Оптимизация WMA для алгоритмической торговли: Создание кастомных временных окон

Главная сила WMA для алгоритмов – возможность легкой модификации. Весовую функцию можно изменить с линейной на любую другую (квадратичную, ступенчатую, пользовательскую), создавая кастомные «профили памяти» для конкретной стратегии.

Например, алгоритм, торгующий на выходах новостей, может использовать ступенчатую WMA, где последним 3-5 свечам после новости придается максимальный и равный вес, а всё, что было до – нулевой. Это будет индикатор, который видит только мир после новости, игнорируя весь предыдущий шум.

Заключение к разделу о взвешенных средних:

Мы прошли путь от коллективной мудрости толпы (SMA) через экспоненциальную чувствительность момента (EMA) к линейному инженерному контролю (WMA).

SMA – это мудрец, который помнит всё одинаково.

EMA – это гений-прагматик, живущий с оглядкой на недавнее прошлое.

WMA – это бесстрашный скаут, смотрящий только вперед и почти не оглядывающийся.

Выбор между ними – не поиск «лучшего». Это выбор философии времени.

Вы верите в долгосрочный консенсус и мощные уровни? Ваш инструмент – SMA.

Вы торгуете импульс и хотите быть в потоке? Ваш выбор – EMA.

Вам нужна максимальная скорость реакции для специфической, точно настроенной системы? Экспериментируйте с WMA и её модификациями.

Но что, если рынок меняет свой характер? Что если период спокойствия сменяется бурей? Нужно ли нам вручную переключаться между инструментами? Нет. Нам нужен инструмент, который делает это сам. Нам нужен инструмент, который адаптируется.

А это уже история для следующей, самой продвинутой главы: Адаптивные и Кастомные Скользящие Средние: Когда Индикатор Обретает Интеллект. Где мы поговорим о Hull MA, Jurik MA, Kaufman AMA и о том, как машинное обучение создает скользящие средние, которые учатся на лету.