|
7+ années
expérience
|
90
produits
|
5
versions de démo
|
|
6
offres d’emploi
|
0
signaux
|
0
les abonnés
|
La moyenne de Lehmer peut être considérée comme une fonction fenêtre dont les coefficients de pondération dépendent des valeurs des variables utilisées dans le calcul. Cette moyenne n'est pas linéaire car l'exponentiation est utilisée dans son calcul. Les caractéristiques de l'indicateur dépendent de deux paramètres : iPeriod - période de l'indicateur, la valeur valide est supérieure ou égale à 2 ; iPower - exposant, qui est utilisé lors du calcul des valeurs des indicateurs. La
La moyenne de Lehmer peut être considérée comme une fonction fenêtre dont les coefficients de pondération dépendent des valeurs des variables utilisées dans le calcul. Cette moyenne n'est pas linéaire car l'exponentiation est utilisée dans son calcul. Les caractéristiques de l'indicateur dépendent de deux paramètres : iPeriod - période de l'indicateur, la valeur valide est supérieure ou égale à 2 ; iPower - exposant, qui est utilisé lors du calcul des valeurs des indicateurs. La plage valide
Le filtre de Kolmogorov-Zhurbenko peut être considéré comme une fonction de fenêtre spéciale conçue pour éliminer les fuites spectrales. Ce filtre est optimal pour lisser les séries chronologiques stochastiques (y compris financières). L'indicateur basé sur ce filtre contient les paramètres suivants : iLength - la période de la fenêtre rectangulaire d'origine utilisée pour construire le filtre. La valeur valide est comprise entre 2 et 255. iDegree - ordre de filtrage. Si iDegree=0, alors une
Le filtre de Kolmogorov-Zhurbenko peut être considéré comme une fonction de fenêtre spéciale conçue pour éliminer les fuites spectrales. Ce filtre est optimal pour lisser les séries chronologiques stochastiques (y compris financières). L'indicateur basé sur ce filtre contient les paramètres suivants : iLength - la période de la fenêtre rectangulaire d'origine utilisée pour construire le filtre. La valeur valide est comprise entre 2 et 255. iDegree - ordre de filtrage. Si iDegree=0, alors une
Diverses fonctions de fenêtre peuvent être utilisées pour lisser les séries chronologiques. Les fonctions de fenêtre peuvent être très différentes les unes des autres dans leurs caractéristiques - le niveau de lissage, la suppression du bruit, etc. Cet indicateur permet d'implémenter les fonctions de la fenêtre principale et d'évaluer leurs performances sur des séries temporelles financières. Paramètres de l'indicateur : iPeriod – période de l'indicateur. iPériode >= 2 iCenter
Diverses fonctions de fenêtre peuvent être utilisées pour lisser les séries chronologiques. Les fonctions de fenêtre peuvent être très différentes les unes des autres dans leurs caractéristiques - le niveau de lissage, la suppression du bruit, etc. Cet indicateur permet d'implémenter les fonctions de la fenêtre principale et d'évaluer leurs performances sur des séries temporelles financières. Paramètres de l'indicateur : iPeriod – période de l'indicateur. iPériode >= 2 iCenter
Ce script est conçu pour évaluer les pondérations dans diverses fonctions de fenêtre. Un indicateur construit sur ces fonctions de fenêtre peut être téléchargé sur https://www.mql5.com/ru/market/product/72159 Paramètres d'entrée: iPeriod – période de l'indicateur. iPériode >= 2 iCenter est l'index de la référence où se situera le centre de la fonction fenêtre. Par défaut, ce paramètre est 0 - le centre de la fenêtre coïncide avec le centre de l'indicateur. Avec 1 <= iCenter <=
Ce script est conçu pour évaluer les pondérations dans diverses fonctions de fenêtre. Un indicateur construit sur ces fonctions de fenêtre peut être téléchargé sur https://www.mql5.com/ru/market/product/72160 Paramètres d'entrée: iPeriod – période de l'indicateur. iPériode >= 2 iCenter est l'index de la référence où se situera le centre de la fonction fenêtre. Par défaut, ce paramètre est 0 - le centre de la fenêtre coïncide avec le centre de l'indicateur. Avec 1 <= iCenter <= iPeriod
Some traders are guided by trading sessions during trading. Figure 1 shows the average price swing over one week. It can be seen that trading sessions on different days differ in their duration and activity. This indicator is designed to estimate the average price movement at certain intervals within a weekly cycle. It takes into account price movements up and down separately from each other and makes it possible to determine the moments when high volatility is possible in the market. On the
Some traders are guided by trading sessions during trading. Figure 1 shows the average price swing over one week. It can be seen that trading sessions on different days differ in their duration and activity. This indicator is designed to estimate the average price movement at certain intervals within a weekly cycle. It takes into account price movements up and down separately from each other and makes it possible to determine the moments when high volatility is possible in the market. On the
The arithmetic mean or median can be used to determine the measure of the central trend of a time series. Both methods have some disadvantages. The arithmetic mean is calculated by the Simple Moving Average indicator. It is sensitive to emissions and noise. The median behaves more steadily, but there is a loss of information at the boundaries of the interval. In order to reduce these disadvantages, pseudo-median signal filtering can be used. To do this, take the median of a small length and
The arithmetic mean or median can be used to determine the measure of the central trend of a time series. Both methods have some disadvantages. The arithmetic mean is calculated by the Simple Moving Average indicator. It is sensitive to emissions and noise. The median behaves more steadily, but there is a loss of information at the boundaries of the interval. In order to reduce these disadvantages, pseudo-median signal filtering can be used. To do this, take the median of a small length and
The trend allows you to predict the price movement and determine the main directions of the conclusion of transactions. The construction of trend lines is possible using various methods suitable for the trader's trading style. This indicator calculates the parameters of the trend movement based on the von Mises distribution. Using this distribution makes it possible to obtain stable values of the trend equation. In addition to calculating the trend, the levels of possible deviations up and
The trend allows you to predict the price movement and determine the main directions of the conclusion of transactions. The construction of trend lines is possible using various methods suitable for the trader's trading style. This indicator calculates the parameters of the trend movement based on the von Mises distribution. Using this distribution makes it possible to obtain stable values of the trend equation. In addition to calculating the trend, the levels of possible deviations up and
The Cauchy distribution is a classic example of a fat-tailed distribution. Thick tails indicate that the probability of a random variable deviating from the central trend is very high. So, for a normal distribution, the deviation of a random variable from its mathematical expectation by 3 or more standard deviations is extremely rare (the 3 sigma rule), and for the Cauchy distribution, deviations from the center can be arbitrarily large. This property can be used to simulate price changes in
The Cauchy distribution is a classic example of a fat-tailed distribution. Thick tails indicate that the probability of a random variable deviating from the central trend is very high. So, for a normal distribution, the deviation of a random variable from its mathematical expectation by 3 or more standard deviations is extremely rare (the 3 sigma rule), and for the Cauchy distribution, deviations from the center can be arbitrarily large. This property can be used to simulate price changes in
When analyzing financial time series, researchers most often make a preliminary assumption that prices are distributed according to the normal (Gaussian) law. This approach is due to the fact that a large number of real processes can be simulated using the normal distribution. Moreover, the calculation of the parameters of this distribution presents no great difficulties. However, when applied to financial markets, normal distribution does not always work. The returns on financial instruments
When analyzing financial time series, researchers most often make a preliminary assumption that prices are distributed according to the normal (Gaussian) law. This approach is due to the fact that a large number of real processes can be simulated using the normal distribution. Moreover, the calculation of the parameters of this distribution presents no great difficulties. However, when applied to financial markets, normal distribution does not always work. The returns on financial instruments
When making trading decisions, it is useful to rely not only on historical data, but also on the current market situation. In order to make it more convenient to monitor current trends in market movement, you can use the AIS Current Price Filter indicator. This indicator takes into account only the most significant price changes in one direction or another. Thanks to this, it is possible to predict short-term trends in the near future - no matter how the current market situation develops
When making trading decisions, it is useful to rely not only on historical data, but also on the current market situation. In order to make it more convenient to monitor current trends in market movement, you can use the AIS Current Price Filter indicator. This indicator takes into account only the most significant price changes in one direction or another. Thanks to this, it is possible to predict short-term trends in the near future - no matter how the current market situation