什么是Hull’s Moving Average移动平均线HMA？计算和使用方法
这个指标在本质上是一个均线，它只是一种均线的计算方法，就像SMA, Moving average(移动平均线)指标基本用法 EMA, WMA, FRAMA等一样都是均线，只是计算方法不同而已。可能有人很好奇：为什么有那么多种计算均线的方法？因为，均线在技术分析中实在是太重要了。很多技术指标，交易方法都使用了均线。为什么均线很重要？因为，它反映了趋势，而趋势是技术分析的中心概念。大部分的交易策略，方法，系统等都是在跟踪趋势。所以，对于趋势的发生，发展，结束的分析是技术分析的核心。
【干货分享】MT5新增技术指标全解析：（一）自适应移动平均线AMA
MT5内置新增的8个技术指标 图表来源：嘉盛集团MT5平台
自适应移动平均线AMA是由美国数量金融投资家佩里·J·考夫曼（Perry J. Kaufman）发明的。我们都知道，大多数类型的移动平均线仅是通过价格简单构造出来的，而自适应移动平均线AMA却非常不同，该指标不仅考虑了价格因素，还考虑了市场中价格的波动性，这也是它与传统均线之间最大的差别。
移动平均线是一种最为常用的技术指标，大部分交易者在分析决策过程中都会用到。但在使用均线时，很多人都会遇到类似这样的困境：短期均线表现灵敏、反应快速，但常常发出错误信号；而长期均线表现稳定、错误率低，但又总是反应滞后。到底应该选择短期均线还是长期均线？均线参数究竟应该如何设置？这些问题总是让人左右为难。
情况1 市场趋势明显时：短期均线的表现更好。
情况2 市场趋势不明显时：长期均线的表现则会更好。
Moving average(移动平均线)指标基本用法 
总结来说，短期均线比较灵敏，但却存在太多“噪音”干扰；而长期均线虽然比较可靠，但却又严重滞后。
那么，是否存在这样一条均线：当市场趋势运行时，它可以变快，变得快速灵敏；而当市场区间盘整时，它又能变慢，变得稳定可靠呢？
自适应移动平均线（Adaptive Moving Average, AMA）发明以来，就一直受到交易者的青睐。一方面是由于它简单有效，而另一方面则是因为作为一种均线，几乎所有适用于传统均线的方法都合适AMA，这免去了很多学习研究的烦恼。
一、通过AMA确定市场总体趋势
当AMA指标向上运行时，表明市场为上升趋势；当AMA指标向下运行时，表明市场为下跌趋势；而当AMA横向运动时，则表明市场当前不存在任何趋势。
此外，我们还可以据此来延伸出AMA的一个辅助用法——只要AMA不断上升，那么持有多头就是比较安全的。相反，只要AMA持续下降，那么空头就无需太过担忧。因为在趋势衰竭或逆转的过程中，AMA总会先开始拉平，并持续一段时间，然后才会开始转向。大多数情况下，AMA都会给我们充足的时间来做判断，看是否需要平仓离场。
中国A50指数4小时图+默认参数的AMA 图表来源：嘉盛集团MT5平台
二、两条AMA交叉产生信号
小米股价日线图，其中红色为5周期AMA，黄色为20周期AMA 图表来源：嘉盛集团MT5平台
三、使用AMA构造其它技术指标
四、套用所有均线使用方法到AMA
现货黄金日线，基于AMA构造的三均线交易系统 图表来源：嘉盛集团MT5平台
AMA指标的默认参数 图表来源：嘉盛集团MT5平台
第一步：计算效率比ER（Efficiency Ratio）
第二步：计算平滑常数SC
快速SC=2/（2 + 1）=0.6667，慢速SC=2/（30 + 1）=0.06452
第三步：计算缩放平滑常数SSC
SSC = [ER x（快速SC –慢速SC）+慢速SC] Moving average(移动平均线)指标基本用法 2
让我们来仔细观察这个公式。当趋势极其强劲时，ER=1，此时SSC = [快速SC]2，这样SSC的值就主要取决于快速SC，也就是主要取决于快速EMA。而当趋势极其不明显时，ER=0，此时SSC = [慢速SC]2，这样SSC的值就主要取决于慢速SC，也就是主要取决于慢速EMA。很明显，快速SC的数值更大，而慢速SC的数值更小，这种调节机制就实现了根据市场的不同状态对两条EMA进行加权，从而实现了AMA指标的自适应。
第四步：计算自适应移动平均线AMA
AMA i = AMA i-1 + SSC x（价格–AMA i-1）
美股特斯拉日线图+默认参数的AMA 图表来源：嘉盛集团MT5平台
零延迟的均线指标（HMA）免费下载！
汇商琅琊榜
Hull’s Moving Average(HMA) 是一种快速，没有延迟的移动平均线。
和一般的均线相比，HMA均线滞后性较低。在下方图表中，红色均线为普通的SMA均线，黄色均线为HMA均线，两条均线的周期均为20，可以看到HMA均线更灵敏。
MT4软件没有自带HMA均线，可以点击文末阅读原文，免费下载，HMA 均线的计算步骤：
- 计算窗口为的加权移动平均，并把结果乘以 2（如果不是整数则取整）
- 计算窗口为
- 用第 1 步的结果减去第 2 步的结果，得到一个新的时间序列
- 以第 3 步得到的时间序列为对象，计算窗口为，的加权移动平均（如果不是整数则取整）
上述步骤的数学表达式为：
P1 = Period Selected by a user
P2 Moving average(移动平均线)指标基本用法 = P1 / 2
P3 = Square Root of P1
移动平均法，滑动平均模型法（Moving average，MA）
Great1414 于 2018-10-16 12:22:23 发布 12633 收藏 19
什么是移动平均法
移动平均法
1.简单移动平均法
Ft = (At-1 + At-2 + . + At-n)/n
2.加权移动平均法
·n–预测的时期数；w1＋ w2＋…＋ wn＝1
移动平均法的优缺点
05-16 2425
本文将使用简单的说明性示例来解释移动平均模型（Arima [p，q]中的MA [Q]）。 假设你今天得到100股公司股票。让我们用Y1表示今年，用A(1)表示回报。再假设从明年开始，每年授予25%的股票，为期四年。以下是一段时间内未授予股票的数量: 此外，在Y2，获得了100股，加上A(1)的75股未授予股份。我们称它为A(2)回报。它与a(1)有相似的授予时间表，25%的股份在4年内授予。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DQzDB8sx-165267316
04-21 7万+
11-07 9811
07-31 1525
10-25 7万+
08-18 4万+
07-24 1万+
01-16 5万+
1、时间序列时间序列是时间间隔不变的情况下收集的不同时间点数据集合，这些集合被分析用来了解长期发展趋势及为了预测未来。 时间序列与常见的回归问题的不同点在于: 1、时间序列是跟时间有关的;而线性回归模型的假设：观察结果是独立的在这种情况下是不成立的。 2、随着上升或者下降的趋势，更多的时间序列出现季节性趋势的形式；常用的时间序列模型有AR模型、MA模型、ARMA模型和ARIMA模型等。2、时间
01-23 2346
移动平均法 一般的移动平均法主要用于平稳序列，其主要思想就是通过对近期几个（例如五个）的数据求平均作为下一个即这五个之后的那个数据的预测值。 二次移动平均法的话就是在一次平均移动法的基础上对一次平均移动计算出来的值再进行一次移动平均。 思路还是十分简单明了的，只是公式看起来就有点乱七八糟了。 下面展示一道例题： clc,clear y = [533.8 574.6 606.9 649.8 705.1 772.0 816.4 892.Moving average(移动平均线)指标基本用法 7 963.9 1015.1 1102.7]; m = length(y
03-09 2172