Η αλλαγή είναι η μόνη σταθερά σε αυτόν τον κόσμο. Αυτό ισχύει ιδιαίτερα στον οικονομικό τομέα και στις συναλλαγές. Οι τιμές στις χρηματαγορές μεταβάλλονται από λεπτό σε λεπτό και από μέρα σε μέρα – οι αγορές αναπτύσσονται δυναμικά. Σε αυτό το περιβάλλον, δεν είναι πολύ χρήσιμο να επιλέγουμε δείκτες με στατικές ρυθμίσεις παραμέτρων για προβλέψεις και για εκτελέσεις συναλλαγών.
Οι προσαρμοζόμενοι δείκτες αλλάζουν επίσης τα χαρακτηριστικά τους προσαρμόζοντας το μήκος περιόδου ανάλογα με τις αλλαγές στην αγορά. Ο Tushar Chande έχει αναπτύξει έναν τέτοιο δυναμικό δείκτη, τον Variable Index Dynamic Average (VIDYA).
Η βασική αρχή
Η βασική ιδέα είναι η ίδια με εκείνη του Adaptive Moving Average (AMA). Εάν η μεταβλητότητα είναι υψηλή, ο δείκτης αναμένεται να αντιδράσει γρήγορα, αλλά αν η μεταβλητότητα είναι χαμηλή, ο δείκτης ενδέχεται να αντιδράσει καθυστερημένα. Για αυτόν τον λόγο, αρχικά χρειαζόμαστε ένα μέτρο – το οποίο πιο κάτω αναφέρεται ως k – για τη μεταβλητότητα. Ο Chande επέλεξε τον VIDYA για μια τυποποιημένη μεταβλητότητα. Θέτει τη σταθερή απόκλιση των τιμών κλεισίματος για τις τελευταίες Χ ημέρες σε σχέση με μια τιμή της σταθερής απόκλισης από το ιστορικό. Με άλλα λόγια, συγκρίνει τη βραχυπρόθεσμη σταθερή απόκλιση των τιμών κλεισίματος με μια πιο μακροπρόθεσμη. Για την αναλογία των ημερομηνιών λήξεως συστήνει έναν παράγοντα ίσο με 5, έτσι ώστε ο k να ισούται με:
k = μεταβλητότητα [20ημέρες] /μεταβλητότητα [100ημέρες]
Για το επόμενο βήμα χρειαζόμαστε έναν υπολογισμό του κινητού μέσου όρου (GD). Ο Chande επέλεξε την προσέγγιση του εκθετικού κινητού μέσου όρου (Exponential Moving Average: EMA). Αυτό μπορεί ήδη να χρησιμοποιηθεί για τον καθορισμό ενός γενικού τύπου για τον VIDYA:
VIDYA = alpha x k x close + (1 – alpha x k) x close [1]
Το «1» στις αγκύλες μετά από το δεύτερο Close σημαίνει ότι πρέπει να χρησιμοποιηθεί η τιμή κλεισίματος της προηγούμενης ημέρας. Η σταθερά alpha καθορίζει το αποτελεσματικό μήκος του EMA, το οποίο πρόκειται τελικά να μεταβληθεί δυναμικά. Για k ίσο με ένα, έχουμε ακριβώς την ίδια τιμή με τον EMA. Για k μεγαλύτερο του ένα (αύξηση της μεταβλητότητας), λαμβάνουμε υπόψη ένα μικρότερο μέρος από την τιμή της προηγούμενης ημέρας, καθώς ο παράγοντας πριν από την τιμή κλεισίματος γίνεται μικρότερος. Αυτό μειώνει το μήκος της περιόδου του VIDYA συνολικά και ο δείκτης αντιδρά γρηγορότερα. Εάν το k είναι μικρότερο του ένα, ισχύει το ακριβώς αντίθετο: η τρέχουσα τιμή κλεισίματος είναι χαμηλότερη και το μήκος της περιόδου αυξάνεται – ο VIDYA αντιδρά καθυστερημένα.
Τώρα μπορούμε να υπολογίσουμε το αποτελεσματικό μήκος του VIDYA. Για το σκοπό αυτό χρησιμοποιούμε τον ίδιο τύπο που χρησιμοποιούμε και για να υπολογίσουμε το alpha για τον EMA:
alpha = (2 / (N + 1))
Εδώ το Ν αντιπροσωπεύει το μήκος της περιόδου. Εάν ορίσουμε το Ν ίσο με 9, θα λάβουμε ένα σταθερό alpha ίσο με 0,20. Εάν πολλαπλασιάσουμε αυτό το alpha με έναν δυναμικό παράγοντα, το μήκος της περιόδου Ν αλλάζει ως λειτουργία του παράγοντα. Αυτό ακριβώς συμβαίνει με τον VIDYA (δείτε τον παραπάνω τύπο). Εάν λύσουμε την εξίσωση για το alpha ως προς το Ν, θα έχουμε:
N = (2-alpha) / alpha
Με βάση αυτήν την εξίσωση, μπορούμε τώρα να καθορίσουμε το αποτελεσματικό μήκος περιόδου του VIDYA. Τα αποτελέσματα αυτών των υπολογισμών παρουσιάζονται στον πίνακα 1. Με βάση τον πίνακα, μπορούμε να δούμε ότι το αποτελεσματικό μήκος περιόδου του VIDYA υποθέτει τιμές μεταξύ του 4 και του 49, ενώ ο EMA είναι σταθερός και ισούται με εννέα. Κατά συνέπεια, ο VIDYA θα αντιδράσει γρηγορότερα με αυξανόμενη μεταβλητότητα σε σχέση με τον ισοδύναμο EMA και αντιστρόφως. Έχουμε ανατυπώσει τον πλήρη υπολογισμό στο πλαίσιο πληροφοριών.
Πρακτικό παράδειγμα
Σύμφωνα με τη θεωρία, αφιερωνόμαστε σε ένα πρακτικό παράδειγμα. Για αυτόν το σκοπό, στο διάγραμμα 1 φαίνεται ο VIDYA σε ένα διάγραμμα DAX, μαζί με τους EMA και AMA. Για τους AMA και EMA ορίστηκε ένα μήκος περιόδου ίσο με 20. Στην περίπτωση του VIDYA, επιλέχθηκε ένα k ίσο με 0,20, όπου η μεταβλητότητα 20 περιόδων ορίστηκε σε σχέση με την μεταβλητότητα των 100 ημερών. Η αξία του k παρουσιάζεται επίσης ως δείκτης στο κάτω μισό του διαγράμματος.
Συνολικά, η σύγκριση δείχνει ότι ο VIDYA είναι σχεδόν όμοιος με τον EMA. Στην περίπτωση απότομων αλλαγών τάσης (σχηματισμοί V), ο VIDYA αντιδρά κάπως πιο αργά από τον EMA. Σε πλάγιες φάσεις, ο AMA ικανοποιεί καλύτερα την απαίτηση για ιδιαίτερα αργή συμπεριφορά και αντιστοίχως επίπεδη ανάπτυξη τιμής. Στην παρουσίαση της αξίας του k, είναι αξιοπρόσεχτο ότι η σχετική μεταβλητότητα βάσει ιστορικού προφανώς δίνει σε ακραίες τιμές μια καλή ένδειξη για επερχόμενες ειδικές καταστάσεις. Κατά συνέπεια, κάθε φορά που φθάναμε σε ακραία χαμηλά σημεία, ακολουθούσαν ισχυρές μετακινήσεις τάσης.
Παραλλαγές
Καθώς το αποτέλεσμα της βασικής μορφής του VIDYA δεν είναι ακόμα απολύτως ικανοποιητικό, ο Chande προτείνει διάφορες δυνατότητες παραλλαγής. Η διαδικασία για τις παραλλαγές είναι πάντα η ίδια: Το «k x alpha» αντικαθίσταται από κάτι άλλο. Το μόνο σημαντικό είναι αυτό το άλλο να έχει αξία μεταξύ του μηδενός και του ένα.
Παραδείγματος χάριν, μπορεί να χρησιμοποιηθεί ο stochastic ή ένας ομαλοποιημένος δείκτης RSI (δείκτης σχετικής ισχύος). Για τους σκοπούς της επίδειξης, η παραλλαγή παρουσιάζεται με έναν δείκτη τάσης. Αυτός ο δείκτης τάσης προέρχεται από γραμμική μεταβολή και ονομάζεται R-square. Χωρίς να εισερχόμαστε στον ακριβή υπολογισμό αυτού του δείκτη, στο άλλο πλαίσιο πληροφοριών έχουμε παρουσιάσει μόνο τον τύπο του τροποποιημένου VIDYA.
Το αποτέλεσμα αυτού του τροποποιημένου VIDYA παρουσιάζεται στο διάγραμμα 2 έναντι του τυποποιημένου VIDYA και EMA. Ο τροποποιημένος VIDYA παρουσιάζει με σαφήνεια τις απαραίτητες ιδιότητες ως σχεδόν οριζόντιες σε πλάγιες φάσεις και με σημαντική μείωση του μήκους της περιόδου σε φάσεις τάσης. Σε σχέση με τον R-Square, από αυτή την άποψη έχουν επιτευχθεί οι σημαντικότερες βελτιώσεις. Ωστόσο, η φαντασία του καθενός έχει τη δυνατότητα να δοκιμάσει περαιτέρω παραλλαγές.
Συμπέρασμα
Με το παράδειγμα του VIDYA παρουσιάσαμε τους αλγορίθμους υπολογισμού για προσαρμοζόμενους δείκτες παρακολούθησης τάσης. Αν και η βασική μορφή του VIDYA δεν ικανοποίησε πλήρως τις προσδοκίες, παρουσιάστηκε η δυνατότητα μιας παραλλαγής, η οποία μπορεί να αλλάξει πλήρως τα χαρακτηριστικά του αρχικού δείκτη – με τη θετική έννοια.
Πηγή:
Αρχικό άρθρο