Jurik Bevegelig Gjennomsnitt ( Jma )

Flytende gjennomsnitt utjevner støyen av prisdatastrømmer på bekostning av forsinkelse (forsinkelse) I gamle dager kan du få fart, på bekostning av redusert utjevning. I gamle dager kan du bare få utjevning på bekostning av lag Tenk hvordan mange timer du kastet bort og prøvde å få gjennomsnittet ditt raskt og jevnt Husk hvor irriterende det er å se økende hastighet fører til økt støy Husk hvordan du ønsket lavt lag og lav støy Trøtt på å finne ut hvordan du har kaken din og spise den Ikke fortvil, nå ting har endret seg, du kan ha kaken din og du kan spise den Precision Lagless gjennomsnitt i forhold til andre avanserte filtreringsmodeller Av de grunnleggende bransjestandardene gjennomsnittene (filtre) er det veide glidende gjennomsnittet raskere enn eksponentielt, men gir ikke god utjevning, i Kontrast eksponentiell har utmerket utjevning, men store mengder forsinkelse (Lag). Moderne quothigh techquot filtre, selv om de forbedrer på de gamle grunnmodellene, har iboende svakheter. Noen av dem observeres i Jurik JMA-filteret, og det verste av disse svakhetene er overskygging. Jurik forskning åpenbart innrømmer å ha quotminimal overshootquot som har en tendens til å indikere noen form for prediktiv algoritme som arbeider med koden. Husk at filtre er ment å observere hva som skjer nå og tidligere. Forutsi hva som skal skje neste er en ulovlig funksjon i verktøysettet Precision Trading Systems, dataene blir jevnet og avstengt bare. Eller du kan si at trender følges nøyaktig i stedet for å fortelle hvilken vei å gå neste, slik det er tilfelle med disse ulovlige typen filteralgoritmer. Precision Lagless gjennomsnittet forsøker IKKE å forutsi neste prisverdi. Hull-gjennomsnittet hevdes av mange for å være så raskt og jevnt som JMA ved Jurik-forskning, det har god fart og lavt lag. Problemet med formelen brukt i Hull-gjennomsnittet er at det er veldig forenklet og fører til prisforvridninger som har dårlig nøyaktighet forårsaket av å veie for tungt (x 2) på de nyeste dataene (Gulv (Lengde 2)) og deretter trekke den gamle data, noe som fører til alvorlige overshooting problemer som i noen tilfeller er mange standardavvik vekk fra faktiske verdier. Precision Lagless gjennomsnittet har ZERO overshoot. Diagrammet nedenfor viser den enorme hastighetsforskjellen på en 30-årig PLA og 30-årig Hull-gjennomsnitt. PLA var fire barer foran Hull-gjennomsnittet på begge de store vendepunktene som er angitt på 5-minutters diagrammet for FT-SE100 Future (som er en 14 forskjell i Lag). Hvis du handlet gjennomsnittene på sine vendepunkter for å gå kort på sluttkursen i dette eksempelet, var PLA signalering på 3 977,5 og Hull var en liten stund senere på 3.937, omtrent 40,5 poeng eller i pengeprovisjoner 405 per kontrakt. Det lange signalet på PLA var på 3936 sammenlignet med Hulls 3,956,5, som tilsvarer en kostnadsbesparelse på 205 pr kontrakt med PLA-signalet. Det er en fugl. Er det et fly. Nei, det er de nøyaktige lagløse gjennomsnittsfiltre som VIDAYA-gjennomsnittet av Tuscar Chande, som bruker volatilitet til å endre lengdene deres, har en annen form for formel som endrer lengden, men denne prosessen utføres ikke med noen logikk. Selv om de kan fungere veldig bra noen ganger, kan dette også føre til et filter som kan lide både lag og overshooting. Tidsserie-gjennomsnittet som faktisk er et veldig raskt gjennomsnitt, kan godt bli omdøpt til quotovershooting averagequot denne unøyaktigheten gjør det ubrukelig for enhver seriøs vurdering av data for handelsbruk. Kalman-filteret legger ofte bak eller overskrider prisarrayer på grunn av sin overgitte algoritmer. Andre filterfaktorer i prismoment for å prøve å forutse hva som vil skje i neste prisintervall, og dette er også en feilaktig strategi, da de overskrider når høye momentumlesninger reverserer, forlater filteret høyt og tørt og miles unna den faktiske prisaktiviteten . Precision Lagless-gjennomsnittet bruker ren og enkel logikk for å bestemme neste utgangsverdi. Mange utmerkede matematikere har forsøkt og mislyktes med å skape lagfrie gjennomsnitt, og generelt er årsaken deres ekstreme matematikk intellekt ikke støttet av en høy grad av commonsense logikk. Precision Lagless Average (PLA) er konstruert av rent logiske grunnalgoritmer, som undersøker mange forskjellige verdier som lagres i arrayer og velger hvilken verdi som skal sendes til utgang. PLAs overlegen hastighet, utjevning og nøyaktighet gjør det til et utmerket handelsverktøy for aksjer, futures, forex, obligasjoner etc. Og som med alle produkter utviklet av Precision Trading-systemer, er det underliggende temaet det samme. skrevet for handelsmenn, av en handelsmann. PLA Lengde 14 og 50 på E-Mini Nasdaq futureIdeally, vil du ha et filtrert signal som skal være både glatt og lagfri. Lag forårsaker forsinkelser i dine handler, og økende forsinkelse i indikatorene gir vanligvis lavere fortjeneste. Med andre ord blir det sent som kommer på bordet etter at festet allerede har begynt. Det er derfor investorer, banker og institusjoner over hele verden ber om Jurik Research Moving Average (JMA). Du kan søke det på samme måte som du ville andre populære bevegelige gjennomsnitt. Men JMAs forbedrede timing og glatthet vil forbløffe deg. Den tippede grå linjen i diagrammet simulerer prishandlinger som begynner i et lavt tradingområde, og deretter går det til et høyere handelsområde. Siden ingen liker å vente på sidelinjen, vil et perfekt støyreduksjonsfilter (grønn linje) bevege seg jevnt langs midten av det første handelsområdet, og hoppe deretter til sentrum av det nye tradingområdet nesten umiddelbart. FAQs på JMA Hva er Theory Bak JMA. Hvorfor har JMA en PHASE-parameter. Forutsetter JMA en tidsserie. Vil tidligere JMA-verdier, som allerede er tegnet, endres etter hvert som nye data kommer. Kan jeg forbedre andre indikatorer ved hjelp av JMA Har JMA noen spesiell garanti Hvordan sammenligner JMA med andre filtre. GENERELLE emner på JURIK TOOLS Kan verktøyene plotte mange kurver på hver av mange diagrammer. Kan verktøyene behandle alle typer data. Kan verktøyene fungere i sanntid. Er algoritmen avslørt eller svartbokset. Må Jurik-verktøyene se på fremtiden for en tidsserie. Lag verktøyene tilsvarende verdier på alle plattformer (TradeStation, Multicharts.). Har Juriks verktøy kommet med en garanti. Hvor mange installasjonspassord får jeg. Hva er Theory Behind JMA. DEL 1. PRISGAPS Utjevning av tidsseriedata, som for eksempel daglig aksjekurs, for å fjerne uønsket støy, vil uunngåelig gi en graf (indikator) som beveger seg langsommere enn den opprinnelige tidsserien. Denne kvoteringskvoten vil føre til at plottet går litt bak den opprinnelige serien. For eksempel vil et 31 dagers enkelt glidende gjennomsnitt lagre pristidsserien med 15 dager. Lag er veldig uønsket fordi et handelssystem som bruker den informasjonen, vil få sin handel forsinket. Sene handler kan mange ganger være verre enn ingen handler i det hele tatt, ettersom du kan kjøpe eller selge på feil side av markedssyklusen. Følgelig ble det gjort mange forsøk for å minimere lag, hver med sine egne feil. Gjenvinne lag, mens det ikke blir forenklet forutsetninger (for eksempel at dataene består av overlagrede sykluser, daglige prisendringer med en Gauss-fordeling, alle priser er like viktige, etc.) er ikke en triviell oppgave. Til slutt måtte JMA basere seg på samme teknologi som militæret bruker til å spore bevegelige gjenstander i luften, og bruker ingenting mer enn deres støyende radar. JMA ser prisen tidsserien som et støyende bilde av et bevegelige mål (den underliggende jevne prisen) og prøver å estimere plasseringen av det virkelige målet (jevn pris). Den proprietære matematikken er endret for å ta hensyn til de spesielle egenskapene til en økonomisk tidsserie. Resultatet er en silkesjevn kurve som ikke gir noen antagelser om at dataene har noen sykliske komponenter overhodet. Derfor kan JMA slå kvote en dimequot hvis markedet (flyttende mål) bestemmer seg for å vende retning eller gap oppdatering med noe beløp. Ingen prisgap er for stor. DEL 2. ALLE ANDRE Etter flere års forskning har vi Jurik Research bestemt at det perfekte støyreduksjonsfilteret for økonomiske data har følgende krav: Minimumsforsinkelse mellom signal og pris, ellers vil handelstriggere komme sent. Minimum overskudd, ellers signal produserer falske prisnivåer. Minste underskudd, ellers går tapt til å vente på konvergens etter prisgap. Maksimal glatthet, unntatt for øyeblikket når prisen går til et nytt nivå. Når de måles opp til disse fire kravene, utfører alle populære filtre (unntatt JMA) dårlig. Her er et sammendrag av de mer populære filtre. Vektet Flytende Gjennomsnitt - Ikke responsivt på hullene Eksponentiell Flytende Gjennomsnitt - Overdreven Støtende Støyende Tilpassende Flytende Gjennomsnitt - (ikke vår), som vanligvis er basert på oversimpliserte antagelser om markedsaktivitet, lett lurt Regresjonslinje - Ikke lydhør for huller. Overflate FFT-filtre - lett forvrengt av ikke-Gaussisk støy i datavinduet er vanligvis for liten til nøyaktig å bestemme ekte sykluser. FIR-filtre - har lag kjent som kvotegruppe delayquot. Ingen vei rundt det med mindre du vil kutte noen hjørner. Se quotBand-Passquot filtre. Band-Pass-filtre - ingen lag bare i midten av frekvensbånd har en tendens til å svinge og overskride faktiske priser. Maksimale Entropy-filtre - lett forvrengt av ikke-Gaussisk støy i datafinduet er vanligvis for liten til å bestemme ekte sykluser nøyaktig. Polynomialfiltre - som ikke reagerer på hull i overdreven overskytning I kontrast integrerer JMA informasjonsteori og adaptiv ikke-lineær filtrering på en unik måte. Ved å kombinere en vurdering av informasjonsinnholdet i en tidsserie med kraften til adaptiv ikke-lineær transformasjon, presser resultatet den teoretiske quotenvelopequot på økonomisk tidsseriefilter nesten like langt som mulig. Eventuelt mer og vie opp mot Heisenburgs usikkerhetsprinsipp (noe ingen har overvinnet, eller noensinne vil). Så langt vi vet, er JMA det beste. Vi inviterer noen til å vise oss ellers. For mer komparativ analyse av feilene i populære filtre, last ned vår rapport cf Evolution of Moving Averagesquot fra vår Special Reports avdeling. Se vår sammenligning med andre populære filtre. Hvorfor har JMA en PHASE-parameter. Det er to måter å redusere støy i en tidsserie ved hjelp av JMA. Ved å øke LENGTH-parameteren vil JMA bevege seg langsommere og derved redusere støy på bekostning av ekstra lag. Alternativt kan du endre mengden quotinertiaquot som finnes i JMA. Inerti er som fysisk masse, jo mer du har, desto vanskeligere er det å vende retning. Så et filter med mye tröghet vil kreve mer tid for å reversere retningen og dermed redusere støy på bekostning av overskygging under reverseringer i tidsseriene. Alle sterke støyfiltre har lag og overshoot, og JMA er ikke noe unntak. JMAs justerbare parametre PHASE and LENGTH tilbyr deg en måte å velge den optimale bytte mellom lag og overskudd. Dette gir deg muligheten til å finjustere ulike tekniske indikatorer. For eksempel viser diagrammet (til høyre) en rask JMA-linjeovergang over en langsommere JMA-linje. For å få den raske JMA-linjen, snu kvoten en dimequot når markedet vender tilbake, ble det satt til å ha ingen inerti. I motsetning til dette var den langsomme JMA satt til å ha stor inerti, og derved redusere sin evne til å vende seg under markedsendringer. Dette arrangementet medfører at den raskere linjen krysses over den langsommere linjen så raskt som mulig, og derved frembringe lavforsinkelsesovergangssignaler. Det er klart at brukerkontroll av en filtertradisjon gir betydelig kraft over filtre som mangler denne egenskapen. Forutsetter JMA en tidsserie. Det prognostiserer ikke inn i fremtiden. JMA reduserer støy ganske mye på samme måte som et eksponentielt glidende gjennomsnitt, men mange ganger bedre. Vil tidligere JMA-verdier, som allerede er tegnet, endres etter hvert som nye data kommer. Nei. For noe punkt på et JMA-plott, brukes bare historiske og nåværende data i formelen. Som følge av at nye prisdata kommer inn på senere tidsluker, blir de verdiene som JMA allerede har plottet, ikke påvirket og endres aldri. Vurder også saken når den nyeste linjen på et diagram oppdateres i sanntid når hvert nytt kryss kommer. Siden sluttkursen for den nyeste linjen vil bli endret, blir JMA automatisk revurdert for å gjenspeile den nye sluttkursen. Historiske verdier av JMA (på alle tidligere barer) forblir imidlertid upåvirket og endres ikke. Man kan skape imponerende lette indikatorer på historiske data når den analyserer både fortid og fremtidige verdier rundt hvert datapunkt som behandles. Imidlertid kan noen formler som trenger å se fremtidige verdier i en tidsserie, ikke brukes i virkelighetshandel. Dette skyldes at når det beregnes dagens verdi for en indikator, eksisterer fremtidige verdier ikke. Alle Jurik-indikatorer bruker bare nåværende og tidligere tidsseriedata i beregningene. Dette gjør at alle Jurik-indikatorene kan fungere i alle sanntidssituasjoner. Kan jeg forbedre andre indikatorer ved hjelp av JMA Ja. Vi erstatter typisk de fleste bevegelige gjennomsnittlige beregninger i klassiske tekniske indikatorer med JMA. Dette gir jevnere og mer rettidige resultater. For eksempel ved å bare sette inn JMA i standard DMI-teknisk indikator, produserte vi DMX-indikatoren, som leveres gratis med JMA-bestillingen din. Har JMA noen spesiell garanti Hvis du viser oss en ikke-proprietær algoritme for et glidende gjennomsnitt som når det kodes for å kjøre i enten TradeStation, Matlab eller Excel VBA, utfører det kvoteringskvotere enn vårt glidende gjennomsnitt på korte, mellomstore og lange tidsrammer av En tilfeldig spasertur, tilbakebetalt godt ditt kjøpte brukerlisens for JMA. Det vi mener med quotbetterquot er at det i gjennomsnitt må være jevnere uten større gjennomsnittlig lag enn vår, ikke større gjennomsnittsoverskudd og ikke større gjennomsnittlig underskudd enn vår. Hva vi mener med quotshort, medium og long framesquot er at sammenligningene må inneholde tre separate JMA lengder: 7 (kort), 35 (middels), 175 (lang). Hva vi mener med en tilfeldig spasertur er en tidsserie produsert av en kumulativ sum av 5000 null-gjennomsnitt, Cauchy-fordelte tilfeldige tall. Denne begrensede garantien er bra for bare den første måneden da du har kjøpt et brukerlisens for JMA fra oss eller en av våre verdensomspennende distributører. Hvordan sammenligner JMA med andre filtre. Kalman-filteret ligner på JMA fordi begge er kraftige algoritmer som brukes til å estimere oppførselen til et støyende dynamisk system når alt du trenger å jobbe med er støyende datamålinger. Kalman-filteret skaper glatte prognoser for tidsseriene, og denne metoden er ikke helt hensiktsmessig for finansielle tidsserier da markedene er utsatt for å produsere voldsomme gyrasjoner og prisgap, atferd som ikke er typisk for jevnt operative dynamiske systemer. Følgelig slår Kalman filterutjevning ofte bak eller overskrider markedspris-tidsserier. I motsetning sporer JMA markedsprisene tett og jevnt, tilpasser seg hull og unngår uønskede overskudd. Se diagram nedenfor for et eksempel. Et filter beskrevet i populære magasiner er Kaufmann glidende gjennomsnitt. Det er et eksponentielt glidende gjennomsnitt hvis hastigheten varierer i henhold til prisaktivitetseffektivitet. Med andre ord, når prishandlingen er i en klar trend med lite retracement, øker Kaufmann-filteret, og når handlingen er overbelastet, senker filteret. (Se diagram over) Selv om den adaptive naturen bidrar til å overvinne noen av lagene som er typiske for eksponentielle glidende gjennomsnitt, ligger det fortsatt betydelig bak JMA. Lag er et grunnleggende problem for alle handelsfolk. Husk at hvert lag av forsinkelse kan forsinke dine handler og nekte deg fortjeneste. Et annet glidende gjennomsnitt som er beskrevet i populære magasiner, er Chandes VIDYA (Variable Index Dynamic Average). Indeksen som brukes oftest innenfor VIDYA for å styre sin hastighet, er prisvolatilitet. Etter hvert som kortsiktig volatilitet øker, er VIDYAs eksponentielle glidende gjennomsnitt beregnet for å bevege seg raskere, og ettersom volatiliteten minker, reduseres VIDYA. På overflaten er det fornuftig. Dessverre har dette designet en åpenbar feil. Selv om sidelengs overbelastning bør utjevnes grundig uavhengig av volatiliteten, vil en svært volatil overbelastningsperiode være nøye sporet (ikke utjevnet) av VIDYA. Følgelig kan VIDYA mislykkes i å fjerne uønsket støy. For eksempel sammenligner kartet JMA med VIDYA, begge satt til å spore en nedadgående trend like bra. Imidlertid, under den påfølgende overbelastningen, unnlater VIDYA å jevne ut prispistene mens JMA vellykket glir gjennom chatteren. I en annen sammenligning hvor både VIDYA og Juriks JMA ble satt til å ha samme glatthet, ser vi i diagrammet at VIDYA ligger bak. Som nevnt tidligere, kan sen timing enkelt stjele bort din fortjeneste i enhver handel. To andre populære indikatorer er T3 og TEMA. De er glatte og har lite lag. T3 er jo bedre av de to. Ikke desto mindre kan T3 utvise et alvorlig overshoot problem, som vist i tabellen nedenfor. Avhengig av søknaden din, vil du kanskje ikke ha en indikator som viser et prisnivå det virkelige markedet aldri oppnådde, da dette kan utilsiktet starte uønskede handler. Her er to kommentarer funnet på relevante internettfora: quotThe T3-indikatoren er veldig bra (og Ive sang sin ros før, på denne listen). Imidlertid fikk Ive muligheten til å utlede noen alternative markedsmålinger, og jeg glatte dem. De er ganske dårlig opptrådte til tider. Når de utjevner dem, blir T3 ustabil og overshoots dårlig, mens JMA seiler rett gjennom dem. Quot - Allan Kaminsky allank xmission quote. Mitt eget syn på JMA stemmer overens med hva andre mennesker har skrevet (jeg har brukt mye tid visuelt å sammenligne JMA med TEMA Jeg ville ikke tenke nå om å bruke TEMA i stedet for JMA).quot Steven Buss sbuss pacbell En artikkel i januar 2000-utgaven av TASC beskriver et bevegelige gjennomsnittsnivå designet på 1950-tallet for å ha lavt lag. Oppfinneren, Robert Brown, utviklet den kvotemodifiserte Moving Averagequot (MMA) for å redusere forsinkelsen i estimering av varelager. I sin formel anslår lineær regresjon kurvenes nåværende momentum, som i sin tur brukes til å estimere vertikal forsinkelse. Formelen trekker deretter estimert lag fra det bevegelige gjennomsnittet for å få laveforsinkelsesresultater. Denne teknikken fungerer OK på veloppdragen (jevnt overgangende) prisdiagrammer, men så igjen gjør det også de fleste andre avanserte filtre. Problemet er at det virkelige markedet er alt annet enn godt opptatt. Et sant mål for fitness er hvor godt et filter fungerer på ekte finansdata, en egenskap som kan måles med vårt veletablerte batteri av benchmarktester. Disse testene avslører at MMA overskrider prisdiagrammer, som illustrert nedenfor. Til sammenligning kan brukeren sette en parameter i JMA for å justere mengden overskyting, selv helt eliminere den. Valget er ditt. Husk at det siste du vil ha, er en indikator som viser et prisnivå som det virkelige markedet aldri oppnådde, da dette kan utilsiktet starte uønskede handler. Med MMA har du ikke noe valg, og du må overskride om du liker det eller ikke. (Se diagram nedenfor) I juli 2000 utgav TASC en artikkel av John Ehlers som beskriver en quotModified Optimal Elliptical Filterquot (forkortet her som quotMEFquot). Dette er et flott eksempel på klassisk signalanalyse. Tabellen nedenfor sammenlikner MEF til JMA hvis parametere (JMA lengde7, fase 50) ble satt til å gjøre JMA tilnærmet MEF som mulig. Sammenligningen avslører disse fordelene når du bruker JMA: JMA reagerer på ekstreme pris svinger raskere. Følgelig vil eventuelle terskelverdier som brukes til å utløse signaler, bli utført tidligere av JMA. JMA har nesten ingen overskudd, noe som gjør at signallinjen kan føre til mer nøyaktig sporingshandling rett etter stor prisbevegelse. JMA glir gjennom små markedsbevegelser. Dette tillater deg å fokusere på reell pris handling og ikke liten markedsaktivitet som ikke har noen reell konsekvens. En favoritt metode blant ingeniører for utjevning av tidsseriedata er å passe datapunktene med et polynom (eq, en parabolisk eller kubisk spline). En effektiv utforming av denne typen er en klasse kjent som Savitzy-Golay filtre. Tabellen nedenfor sammenligner JMA med et kubisk splines (tredje ordre) Savitzy-Golay filter, hvis parameterinnstillinger ble valgt øverst, gjør det så nært JMA som mulig. Legg merke til hvor jevn JMA glir gjennom regioner med handelsbelastning. I motsetning er S-G filteret ganske tett. Klart JMA er igjen, vinneren. En annen teknikk som brukes til å redusere forsinkelsen i et bevegelig gjennomsnittsfilter er å legge til noe momentum (skråning) av signalet til filteret. Dette reduserer lag, men med to straffer: mer støy og mer overskyting til prispivotpoeng. For å kompensere for støy kan man bruke et symmetrisk vektet FIR-filter, som er jevnere enn et enkelt bevegelig gjennomsnitts, hvis vekter kan være: 1-2-3-4-3-2-1 og juster deretter disse vekter for å legge til noe lag reduserer momentum. Effektiviteten av denne tilnærmingen er vist i figuren under (rød linje). Selv om FIR-filteret sporer pris tett, ligger det fortsatt bak JMA og viser større overskudd. I tillegg har FIR-filteret jevnhet og må redesignes for hver annen ønsket glatthet. Til sammenligning må brukeren bare endre en quotsmoothnessquot-parameter for JMA for å få ønsket effekt. Ikke bare produserer JMA bedre prisdiagrammer, men det kan også forbedre andre klassiske indikatorer. For eksempel, vurder den klassiske MACD-indikatoren, som er en sammenligning av to bevegelige gjennomsnitt. Konvergensen (flytte nærmere) og divergensen (fra hverandre) gir signaler om at en markedstendens endrer retning. Det er kritisk at du har så liten forsinkelse som mulig med disse signalene, eller handlingene dine blir sent. Til sammenligning har en MACD opprettet med JMA betydelig lavere lag enn en MACD ved bruk av eksponentielle glidende gjennomsnitt. For å illustrere denne påstanden, er figuren under et hypotetisk prisdiagram forenklet for å forbedre de viktigste problemene. Vi ser like store barer i en stigende trend, avbrutt av et plutselig nedadgående gap. De to fargede linjene er eksponentielle glidende gjennomsnitt som utgjør en MACD. Legg merke til at crossover oppstår lenge etter gapet, noe som fører til at en handelsstrategi venter og handler sent, om ikke i det hele tatt. Hvis du prøvde å øke hastigheten på tidspunktet for denne indikatoren ved å gjøre de bevegelige gjennomsnittene raskere, vil linjene bli lydere og mer krevende. Dette har en tendens til å skape falske utløsere og dårlige handler. På den annen side viser diagrammet nedenfor at den blå JMA justerer seg raskt til det nye prisnivået, noe som tillater tidligere overganger og tidligere betegnelse av en uptrend pågår. Nå kan du gå inn i markedet tidligere og ri en større del av trenden. I motsetning til det eksponentielle glidende gjennomsnittet har JMA en ekstra parameter (PHASE) som lar brukeren justere omfanget av overskyting. I diagrammet ovenfor var JMA gule linje tillatt å overskride mer enn det blå. Dette gir ideelle kryssoverføringer. En av de vanskeligste funksjonene til å designe i et utjevningsfilter er en adaptiv respons på prisgap uten å overskride det nye prisnivået. Dette gjelder spesielt for filterdesign som bruker filtreens egen fart som en måte å redusere lagring på. Følgende diagram sammenligner overskridelse av JMA og Hull-glidende gjennomsnitt (HMA). Parameterinnstillingene for de to filtrene ble satt slik at deres jevne ytelse var nesten identisk. Et annet designproblem er om filteret kan beholde samme tilsynelatende glatthet under reverseringer som under trender. Tabellen nedenfor viser hvordan JMA beholder nær konstant glatthet gjennom hele syklusen, mens HMA oscillerer ved reverseringer. Dette ville utgjøre problemer for strategier som utløser handler basert på om filteret beveger seg opp eller ned. Til slutt er det tilfelle når prisforskjeller opp og deretter trekker seg tilbake i en nedadgående trend. Dette er spesielt vanskelig å spore i øyeblikket av retrett. Heldigvis har adaptive filtre en mye enklere tid som indikerer når en reversering oppstod enn faste filtre, som vist i tabellen nedenfor. Selvfølgelig er det bedre filtre enn JMA, mest brukt av militæret. Men hvis du er i ferd med å spore gode handler og ikke fiendtlige fly, er JMA det beste rimelige støyneduserende filteret tilgjengelig for finansielle markedsdata. Vi garanterer det.