Ea Das Folgt Bollinger Bands

Wie man mit dem GannHiLoActivator-Indikator handeln kann Der Indikator besteht aus einer einzigen Zeile, die entweder über den Preis (über Kerzen) oder darunter fließt. Abhängig von der Position auf der Indikatorlinie bestimmen Händler, ob es Zeit ist, zu verkaufen oder zu kaufen. GannHiLoActivator Signale sollten wie folgt gelesen werden: - Indikator Linie ist unter dem Preis Aufwärtstrend, Zeit zu kaufen, kein Verkauf. - Indikator Linie ist über dem Preis Abwärtstrend, Zeit zu verkaufen, kein Kauf. - Wenn die Indikatorzeile ihre Position in die entgegengesetzte Zeit ändert, um bestehende Trades zu schließen und Trades in die entgegengesetzte Richtung zu initiieren. Hinweis: Indikatorsignale werden nur bestätigt, wenn die Preiskerzen geschlossen sind. Z. B. Auf Stunden-Charts, im Laufe von 1 Stunde kann GannHiLoActivator Linie die Position ändern, die oben, unten und zurück mehrfach zurückkehrt. Deshalb, bis eine stündliche Kerze schließt, sollten keine Maßnahmen ergriffen werden. Der GannHiLoActivator-Indikator hilft, Trends über alle Zeitrahmen hinweg zu identifizieren und zu verfolgen. Es kann helfen, länger in einem Handel und nicht in Panik zu bleiben. Gleichzeitig reagiert es sehr schnell auf Trendveränderungen. Doch wie jeder Trend-Indikator, ist es anfällig für seitliche Markt Drifts. Und obwohl im Gegensatz zu anderen Indikatoren itll gibt es weniger falsche Signale, wäre es extrem schwierig, mit ihm zu profitieren, während der Märkte. Exponential Moving Average (EMA) Explained Wie wir in der vorherigen Lektion gesagt haben, können einfache gleitende Durchschnitte durch Spikes verzerrt werden. Wir beginnen mit einem Beispiel. Let8217s sagen, wir zeichnen eine 5-Periode SMA auf der Tages-Chart von EURUSD. Die Schlusskurse für die letzten 5 Tage sind wie folgt: Der einfache gleitende Durchschnitt würde wie folgt berechnet: (1.3172 1.3231 1.3164 1.3186 1.3293) 5 1.3209 Einfach genug, richtig Nun, was wäre, wenn es einen Nachrichtenreport am Tag 2 gab, der den Euro verursacht Auf die Bühne fallen. Das verursacht EURUSD, um bei 1.3000 zu stürzen und zu schließen. Let8217s sehen, welche Wirkung dies auf die 5 Periode SMA haben würde. Der einfache gleitende Durchschnitt würde wie folgt berechnet: Das Ergebnis des einfachen gleitenden Durchschnitts wäre viel niedriger und es würde Ihnen die Vorstellung geben, dass der Preis tatsächlich abging, als in Wirklichkeit Tag 2 war nur ein einmaliges Ereignis Verursacht durch die schlechten Ergebnisse eines Wirtschaftsberichts. Der Punkt, den wir machen wollen, ist, dass manchmal der einfache gleitende Durchschnitt zu einfach sein könnte. Wenn es nur so war, dass du diese Spikes herausfiltern kannst, damit du die falsche Idee bekommst. Hmm8230 Warten Sie eine Minute8230 Yep, gibt es einen Weg It8217s genannt Exponential Moving Average Exponential gleitende Durchschnitte (EMA) geben mehr Gewicht auf die jüngsten Perioden. In unserem obigen Beispiel würde die EMA mehr Gewicht auf die Preise der letzten Tage legen, was die Tage 3, 4 und 5 sein würde. Dies würde bedeuten, dass die Spitze am Tag 2 von geringerem Wert wäre und es nicht so groß wäre Ein Effekt auf den gleitenden Durchschnitt, wie es wäre, wenn wir für einen einfachen gleitenden Durchschnitt berechnet hätten. Wenn du darüber nachdenkst, das macht viel Sinn, denn was das tut, ist, dass es mehr Wert darauf legt, was Händler vor kurzem tun. Exponential Moving Average (EMA) und Simple Moving Average (SMA) Seite an Seite Let8217s werfen einen Blick auf die 4-Stunden-Chart von USDJPY, um zu markieren, wie ein einfacher gleitender Durchschnitt (SMA) und exponentieller gleitender Durchschnitt (EMA) nebeneinander aussehen würde Auf einem Diagramm. Beachten Sie, wie die rote Linie (die 30 EMA) scheint näher zu sein als die blaue Linie (die 30 SMA). Dies bedeutet, dass es genauer die aktuelle Preisaktion darstellt. Sie können wohl erraten, warum dies geschieht. It8217s weil der exponentielle gleitende Durchschnitt mehr Wert auf das, was in letzter Zeit geschehen ist, legt. Beim Handel ist es viel wichtiger zu sehen, was Händler tun JETZT eher was sie tun letzte Woche oder letzten Monat. Sichern Sie Ihre Fortschritte durch die Unterzeichnung und Kennzeichnung der Lektion completeTechnical Analysis mit R In diesem Beitrag gut einen Blick auf, wie ein Händler könnte R verwenden, um einige grundlegende Technische Analyse-Indikatoren zu berechnen. R ist eine freie Open-Source-Statistikanalyse und Programmiersprache. Es ist für Windows, Mac OS und Linux Betriebssysteme verfügbar. Die Installation ist einfach und schnell. Zum Download und zur Installation finden Sie: cran. r-project. org. Bei der Entwicklung einer Handelsstrategie ist es sinnvoll, Daten zu analysieren und zu visualisieren und in der Lage zu sein, Ihre Handlungsregeln und ihre Variationen und Modelle schnell und mit minimaler Umdrehung zu testen. Während viele Handelsplattformen, wie z. B. Interaktive Broker, etc. Zugang zu historischen Daten über API oder gerader Datei herunterladen 8211 analysieren, dass Daten-und Prototyping-Trading-Strategien oft erfordert das Schreiben von Hunderten von Zeilen Code in Programmiersprachen wie Java oder C oder Schreiben Schwerfällige, schwer zu testende Formeln in Excel. Dies erfordert eine erhebliche Zeit Investition, unabhängig davon, wie Erfahrung Programmierer Sie sind. Im Gegensatz dazu können eine übergeordnete Programmiersprache wie R oder Matlab, gepaart mit ihren interaktiven Programmierumgebungen, ihren Benutzern erlauben, Daten innerhalb eines Bruchteils der Zeit, die mit C, C oder Java benötigt wird, zu schneiden, zu würfeln und zu analysieren. Die Menge an Code erforderlich, um eine Handelsstrategie in R zu entwickeln ist in der Regel eine Größenordnung weniger als gut. In diesem Beispiel verwenden Sie eine einfache, kommagetrennte Datei mit offenen, hohen, niedrigen und engen Preisspalten (a. k.a. OHLC), zusammen mit Volumen - und Zeitstempelwerten für SPY ETF. In diesem Beitrag gut demonstrieren, wie man eine kostenlose R-Bibliothek verwenden, um Simple Moving Average (SMA), Exponential Moving Average (EMA), Bollinger Bands (BBands), RSI und MACD technische Analyse Indikatoren zu berechnen. Wir werden berechnete Indikatoren als neue Spalten an unsere Eingabedatei anhängen, damit sie für weitere Analysen oder Handelsstrategie-Prototypen in Excel, R oder einem anderen CSV-freundlichen Softwarepaket Ihrer Wahl verwendet werden können. Installieren der technischen Analyse-Bibliothek für R 1. Um die technische Analyse mit R zu berechnen, verwenden wir eine freie Open-Source-Bibliothek mit dem Namen 8220TTR8221 (Technical Trading Rules). Dieser Schritt enthält Anweisungen für die Installation der TTR-Bibliothek, vorausgesetzt, Sie haben bereits R auf Ihrem Computer installiert. Diese Schritte müssen nur einmal pro R-Installation auf einem Computer durchgeführt werden. So installieren Sie die Bibliothek auf Ihrem Computer: 1) Starten Sie die R-Umgebung auf Ihrem Computer, und wählen Sie im Menü aus: Packages 038 Data - Package Installer 2) Im Paketinstallateur Typ 8220TTR8221 im Feld Paket suchen und klicken Sie auf die Schaltfläche 8220Get List8221. 3) Wählen Sie Paket 8220TTR8221 und klicken Sie auf 8220Install Selected8221. Laden von Historical Data (Input) Für Demo-Zwecke werden wir von September 2013 bis Mai 2014 täglich historische Preise für SPY ETF verwenden. Klicken Sie hier, um die Datei herunterzuladen. Diese Eingabedatei für dieses Beispiel wurde mit IB Historical Data Downloader generiert. 2. Wir werden anfangen, indem wir die R-Shell öffnen und die TTR-Bibliothek laden, die eine freie R-Erweiterung ist, die Funktionen zur Berechnung einiger der häufigsten Indikatoren enthält. 3. Der nächste Schritt ist, unsere Datendatei mit historischen Preisen in R-Umgebung zu importieren. Wir laden Daten aus der Beispiel-CSV-Datei in die R-Umgebung und speichern sie einen Datenrahmen, den ein R-Variable für die Speicherung von Daten im Tabellenformat im Speicher ist. Um die ersten paar Zeilen der Datentabelle anzuzeigen, werden standardmäßig die ersten 6 Zeilen von Daten zusammen mit Spaltennamen (Tabellenüberschrift) angezeigt. Um zu sehen, wie viele Zeilen Sie in der Datentabelle haben: Zeigt an, dass wir in unserer SPY-Datendatei 187 Datensätze haben, für 187 Handelstage zwischen dem 3. September 2013 8211 Mai 31, 2014. Wir können auch Tabellenspaltennamen mit colnames-Funktionen auflisten Wie folgt: Verschieben von Durchschnittswerten 4. Lets jetzt berechnen 20-Tage-Simple Moving Average (SMA) der CLOSE-Preisspalte mit TTR-Bibliotheken R-Funktion SMA: Jetzt sehen wir die ersten 50 Werte des sma20-Arrays: Hier haben wir die Funktion SMA von TTR verwendet Bibliothek, die wir oben geladen haben, und erzählt es, den 20-Tage-Durchschnitt (Wert des Parameters n) der CLOSE-Spalte aus Datenrahmendaten zu berechnen. Die Funktion gibt ein Array von SMA-Werten zurück und speichert sie in einer neuen Variablen namens sma20. Sie können die Hilfe mit einer detaillierten Beschreibung der Funktion und ihrer Parameter mitbringen. Gefolgt von dem Funktionsnamen, wie unten. Es ist immer eine gute Idee, Hilfe-Seiten für die Funktionen zu lesen, die Sie verwenden, da sie alle optionalen Parameter auflisten, die Sie verwenden können, um die Ausgabe zu optimieren. Auch viele Funktionen haben Variationen oder verwandte Funktionen, die unter verschiedenen Umständen hilfreich sein könnten und auf der Hilfeseite aufgeführt werden. 5. Berechnung von exponentiellen Moving Average ist ähnlich einfach, verwenden Sie einfach eine andere Funktion, diesmal EMA (). Beachten Sie, dass wir EMA für 14-Periodenlänge berechnen Bollinger Bands 6. Um Bollinger Bands Indikator zu berechnen, verwenden wir die Funktion BBands. Es gibt eine Reihe von optionalen Parametern, die es braucht, so gut bieten einige Beispiele. Im folgenden Beispiel nennen wir BBands, die Datenrahmendaten mit einer Abfrage übergeben, die angibt, dass wir Werte aus der CLOSE-Spalte verwenden wollen, genau wie wir oben auf SMA - und EMA-Berechnungen oben getan haben. Der zweite Parameter sd nimmt die Anzahl der Standardabweichungen für obere und untere Bänder an. Da wir keinen Wert für n 8211 passieren, verwendet BBands standardmäßig 20-fach gleitender Durchschnitt. Die Ausgabe enthält mehrere Spalten: dn für die untere Bande, mavg für den gleitenden Durchschnitt, oben für das obere Band und pctB, die einen security8217s Preis relativ zum oberen und unteren Bollinger Band quantifiziert, eine detaillierte Beschreibung davon finden Sie hier. B ist gleich 1, wenn der Preis im oberen Band B gleich 0 ist, wenn der Preis am unteren Band B liegt, ist über 1, wenn der Preis über dem oberen Band B liegt unter 0, wenn der Preis unter dem unteren Band B liegt, liegt über 0,50, wenn der Preis ist Über dem mittleren Band (20-Tage-SMA) B ist unten .50, wenn der Preis unter dem mittleren Band liegt (20-Tage-SMA) bb20 BBands (Daten, sd2.0) 6.1 Jetzt können wir einen neuen Datenrahmen mit allen Inputs erstellen Daten aus dem 8216data8217 Rahmen, plus Bollinger Bands Daten, die wir gerade berechnet haben. Die Funktion data. frame () nimmt eine beliebige Anzahl von Datenrahmen auf und verbindet sie row-weise in einen neuen Datenrahmen, so dass Elemente aus entsprechenden Zeilen im Ergebnis zusammengefügt werden. 6.2 Bollinger Bands Plot: Plot (dataPlusBBDATETIME, allDataCLOSE) Zeilen (dataPlusBBCLOSE, col 8216red8217) Zeilen (dataPlusBBup, col 8216purple8217) Zeilen (dataPlusBBdn, col 8216brown8217) Zeilen (dataPlusBBmavg, col 8216blue8217) 6.3 Alternativ können wir explizit angeben, welche Art von Verschieben Durchschnitt sollte als Basis für Bollinger Bands mit dem Funktionsparameter maType verwendet werden, der einfach einen gleitenden durchschnittlichen Funktionsnamen einnimmt. Siehe SMA-Hilfeseite, um verschiedene Arten von gleitenden Durchschnitten zu sehen, die in der TTR-Bibliothek unterstützt werden. Zum Beispiel, wenn youd gerne eine EMA Bollinger Bands berechnen, können Sie EMA an maType übergeben. Beachten Sie, dass wir in diesem Beispiel den Standardlängenparameter für den gleitenden Durchschnitt überschreiben, wobei diesmal das 14-Perioden-Durchschnitt verwendet. BbEMA BBands (Daten, sd2.0, n14, maTypeEMA) RSI 8211 Relative Stärke Indikator 7. RSI. Zur Berechnung von RSI verwenden wir die Funktion RSI (). Sie können den RSI-Befehl in der R-Shell verwenden, um Details zu den Funktionsparametern zu erhalten. Grundsätzlich ist es sehr ähnlich zu den Funktionen, die wir oben verwendet haben, um gleitende Durchschnitte zu erzeugen. Es gibt zwei erforderliche Parameter: Zeitreihen (zB CLOSE-Spalte aus unserem Datendatenrahmen und n ganzzahliger Wert für die Länge des RSI-Indikators rsi14 RSI (data, n14) Hier ist der erste Parameter zur RSI-Funktion: data, which Ist eine Anweisung, die die Spalte mit dem Namen CLOSE aus der Datentabelle anzeigt und sie als eine Liste von Werten zurückgibt, und der zweite Parameter ist n14, wobei der Parametername n ist und der Wert 14 anzeigt, dass wir 14-Tage berechnen wollen RSI-Werte zu den engen Preisen 8. Die MACD-Funktion übernimmt mehrere Argumente: Eingabedatenreihen (wie z. B. CLOSE-Preis) Anzahl der Perioden für schnell gleitende durchschnittliche Anzahl von Perioden für langsame gleitende durchschnittliche Anzahl von Perioden für die Signalleitung Sie können auch optional Geben Sie eine gleitende durchschnittliche Funktion an, die Sie für MACD-Bewegungsdurchschnitte verwenden möchten. Sehen Sie sich einen Screenshot der Hilfeseite an (Sie können auch den MACD-Befehl in der R-Shell verwenden, um die Hilfeseite selbst zu öffnen): Ermöglicht es, einen Standard zu berechnen (12,26,9) MACD-Indikator mit dieser Funktion, gut mit Standard-einfachen gleitenden Mittelwerten, also, gut spezifizieren SMA-Funktion in maType-Parameter: macd MACD (Daten, nFast12, nSlow26, nSig9, maTypeSMA) Verbinden Sie alle Daten zusammen 9. Jetzt schließen wir alle an Indikatoren, die oben mit den ursprünglichen Eingabedaten berechnet wurden, in einen einzelnen Datenrahmen: Die Funktion data. frame () nimmt eine beliebige Anzahl von Datenrahmen auf und verbindet sie reihenweise, so dass Elemente aus entsprechenden Zeilen in den resultierenden data. frame allData zusammengeklebt werden . Schreiben Sie in Textdatei Und schließlich schreiben wir Inhalte von allData Datenrahmen zu einer kommagetrennten Wertedatei. Wir verwenden die write. table () - Funktion, die eine große Anzahl von optionalen Parametern enthält. Eine ausführliche Hilfeseite ist mit dem Befehl write. table in R-Shell verfügbar. Write. table (allData, filespywithindicators. csv, na, sep ,, row. names FALSE) Wenn wir die Funktion write. table () aufrufen, übergeben wir die folgenden Argumente: allData 8211 Das ist einfach ein Verweis auf den Datenrahmen, der Daten enthält In die Ausgabedatei geschrieben. Datei 8230 8211 Dies ist der Pfad und der Name der Datei, die wir erstellen. Na 8211 stellt sicher, dass Zellen im Datenrahmen, die den R-Wert NA enthalten, leere Werte in der Ausgabedatei enthalten. Einige Zellen haben NA für Zeilen, in denen es nicht genügend Daten gab, um einen entsprechenden Indikatorwert zu erzeugen (zB erste 19 Zeilen für 20-Tage-SMA). Sep, 8211 setzt Spalten-Trennzeichen auf Komma (daher kommagetrennte Werte-Datei). Um eine tabulatorgetrennte Datei zu erstellen (wirklich ein bevorzugtes Format für ernsthafte Software-Systeme) 8211 verwenden: sep t. Row. names FALSE 8211 ist es wichtig, diesen Wert zu setzen, sonst wird die erste Spalte in der Ausgabedatei Zeilennummern enthalten. Die daraus resultierende Datei steht hier zur Verfügung. Klicken Sie mit der rechten Maustaste und wählen Sie 8220Save Linked File As8221 Die heruntergeladene Datei kann in Excel oder Texteditor geöffnet werden. 10. In der TTR-Bibliothek gibt es weitere Funktionen und Funktionen. Sie können mehr erfahren, indem Sie die TTR-Hilfeseite aufrufen: CONCLUSION R bietet eine bequeme und vielseitige Umgebung für Datenanalyse und Berechnungen. Neben Tausenden von freien statistischen, statistischen, mathematischen Bibliotheken und Algorithmen enthält R eine Vielzahl von Funktionen und Bibliotheken zum Lesen und Schreiben von Dateien aus Dateien, Datenbanken, URLs, Web Services usw. Das kombiniert mit der Prägnanz der Sprache , Ist eine leistungsstarke Kombination, die Händler helfen kann, kostbare Zeit zu sparen. Trader können die Zeit, die für Prototypen und Backtest-Trading-Strategien mit R erforderlich ist, erheblich reduzieren. Es gibt auch Methoden, um R mit Mainstream-Programmiersprachen wie Java und C. zu integrieren. Don8217t zögern, einen Kommentar zu posten oder als Nachricht über Kontaktformular zu senden, wenn Sie haben Fragen zu diesem Material. Schließlich möchten wir ein paar Bücher erwähnen, die in unseren Entwicklungsbemühungen sehr hilfreich waren. Das erste Buch 8211 8220Quantitative Trading mit R8221 ist eine großartige Mischung aus Finanzdatenanalyse Einblicke und Anwendung von R auf Backtesting, Datenerforschung und Analyse. Es hat eine Reihe von großen Code-Beispiele und geht über eine Reihe von nützlichen R-Pakete. Dies ist ein gutes Intro-to-Zwischen-Level-Buch für Leute, die ihre eigenen Handelsstrategien aufbauen und backtest. Das zweite Buch 8211 8220Mastering R für Quantitative Finance8221 8211 ist ein echtes Juwel. Es enthält fortgeschrittene Informationen für Händler mit einem guten Verständnis von Derivaten Instrumente und stärker mathematischen Hintergrund. Wir haben festgestellt, dass dieses Buch ist ein toller Follow-up für die 8220Quantitative Trading mit R8221. Zusätzlich zu den großen R-Code-Samples und Pakete enthält es Übersichten über eine Reihe von fortgeschrittenen (und praktischen) quantitativen Finanzmodellen und Algorithmen, und lässt Sie Ihre Füße mit R-Code sofort mitbringen. Trading Geeks bietet Beratungsleistungen in der Handelsstrategie und Softwareentwicklung für unabhängige Händler, Partnerschaften und Hedgefonds an. Bitte erkundigen Sie sich für weitere Informationen oder ein kostenloses Angebot für Ihr Projekt über Kontaktformular auf der rechten Seite.