ما در مقالات قبلی این سری دیدیم که چگونه فقط یک میانگین متحرک به درستی ترسیم شده می تواند به عنوان یک فیلتر پاس کم برای استخراج سری زمانی از اجزای دوره ای استفاده شود. حال ، بیایید با معکوس کردن آن میانگین حرکت ، آن را به سطح بعدی برسانیم - داده های منتقل شده کم را دور می کنیم و فقط در دوره کوتاهتر از قطع میانگین متحرک (دوره) ، فقط قطعات کوتاهتر را حفظ می کنیم. از آنجا که در کار ما هر دو سری زمانی فیلتر شده با گذر Low Pass (از طریق استفاده از میانگین متحرک محور) و سری زمان اصلی سیگنال (به این ترتیب که یک سیگنال آزمایشی مانند بالا یا سری زمانی مالی) می توانیم به راحتی عمل کنیم.

در زیر نحوه انجام این کار ، از طریق کمک برخی از کد های شبه انجام می شود. توجه داشته باشید که تفریق انجام شده برای آشکار کردن اجزای فرکانس بالاتر که در فیلتر پاس کم وجود ندارد ، فقط در صورتی انجام می شود که سیگنال اصلی و سیگنال فیلتر شده با عبور کم به درستی تراز شوند. سیگنال عبور پایین باید همانطور که در مقاله قبلی نشان داده شده است ، توسط (میانگین دوره در حال حرکت - 1)/2 تغییر یابد. این امر ضروری است و بیان می کند که میانگین میانگین در حال حرکت انتخاب شده باید واقعاً یک عدد عجیب باشد!

خروجی عبور بالا ، تجسم

حال ، بیایید یک سیگنال بسیار ساده با تنها دو مؤلفه سینوسی بسازیم تا استخراج تمیز از مؤلفه فرکانس بالاتر را نشان دهیم. در زیر ، یک سری زمانی 1000 نقطه حاوی اجزای سازنده در طول موج 500 و 100. مؤلفه فرکانس بالاتر دامنه 0. 5 را دارد ، این یک عدد مهم برای یادآوری در هنگام پیشرفت است. کل طرح برای وضوح بصری به صورت عمودی جبران می شود.

ما اکنون میانگین متحرک دوره 101 را اعمال می کنیم (باید عجیب باشد!) برای حذف مؤثر مؤلفه طول طول موج 100. این در زیر از طریق خط متراکم سفید ، یک سینوسی تمیز از دوره 500 ، تنها مؤلفه باقی مانده در سیگنال کم عبور نشان داده شده است. این طرح به درستی با تاخیر 50 امتیاز در هر طرف با استفاده از معادله (MA_PERIOD-1)/2 متمرکز شده است.

میانگین متحرک دوره 101 به سیگنال اعمال می شود و به طور کامل مؤلفه را در یک دوره 100 حذف می کند. این جزء در 500 در این فیلتر پاس کم حفظ می شود.

اکنون مواد لازم برای انجام استخراج فیلتر عبور بالا خود را داریم. ما فیلتر پاس پایین تاخیر را از نقاط مربوطه در زمان سیگنال اصلی تفریق می کنیم تا تنها آنچه باقی مانده است ، یعنی اجزای طول موج برابر و کمتر از 100 را نشان دهیم. این به رنگ سبز در پای نمودار نشان داده شده است و به درستی نزدیک می شوددامنه 0. 5.

فیلتر عبور بالا تنها مؤلفه 100 طول موج را نشان می دهد ، که به درستی با تاخیر ذاتی فیلتر موجود مطابقت دارد.

با تاخیر در فیلتر دیجیتال غیرقابل اجتناب ، ما هنوز در حال حاضر با شکاف ها (و دم) باقی مانده ایم که برای هرگونه هدف تجاری هنگام تغییر به سیگنال های واقعی مشکل ساز است. ما می توانیم با استفاده از تکنیک قبلاً مورد بحث در مورد بازتاب سیگنال ، این مسئله را تا حدی حل کنیم:

سیگنال منعکس می شود و میانگین متحرک در حال حاضر در زمان 1000 در زمان 1000 خارج می شود. پس از آن می توان برای خروجی فیلتر عبور بالا نیز انجام داد.

اشکالاتی از یک LPF متوسط متحرک

اگرچه میانگین در حال حرکت ابزاری مفید است و در دسترس بسیاری از معامله گران در سیستم عامل های متداول وجود دارد ، اما خوانندگان اشکال ظریف باید از آن آگاه باشند. پاسخ فرکانس میانگین متحرک توسط حاشیه های آن لکه دار می شود. این بدان معنی است که در عمل ، استخراج اجزای دوره ای نسبت به تکنیک های فیلتر پیشرفته تر ، حداقل از نظر طیفی نشت می کند. این برای اهداف ما چندان بد نیست و مطمئناً همه گیر بودن و سهولت استفاده از میانگین متحرک از این ضرر بیشتر است. این چیزی است که باید از آن آگاه باشید. هورست پاسخ فرکانس میانگین متحرک را به عنوان یک فیلتر پاس پایین در پیوست "جادوی سود برای زمان بندی معاملات سهام" بیان کرد ، که در زیر نشان داده شده است:

پاسخ فرکانس یک میانگین متحرک. پاسخ قابل توجهی در فرکانس های خارج از لوب باند اصلی وجود دارد ، که منجر به تقویت حداقل سیگنال در این فرکانس ها می شود. همچنین یک تغییر فاز معرفی شده است. ناچیز است اما باید توجه داشت.

در زیر ، اثر مشخصات طیفی نشتی از میانگین متحرک با نوسان جزئی از خروجی فیلتر عبور بالا هنگامی که فرکانس دقیق با عملکرد فیلتر پاس کم بر روی سیگنال اصلی نزدیک می شود ، مشاهده می شود. برای بازگشت به درستی دامنه دقیق مؤلفه (در این مورد 0. 5) باید یک نشت جزئی از اجزای فرکانس پایین را بپذیرد. در مورد زیر ، مؤلفه با طول موج 500 بسیار کمی بر بازده عبور بالا (به رنگ سبز) تأثیر می گذارد. توجه داشته باشید که با نزدیک شدن به برش فیلتر به طول موج مؤلفه هدف در 101 ، نوسان چگونه برجسته تر است.