Formule Mathématique Moyenne Mobile Simple

La moyenne mobile exponentielle (EMA) est une moyenne mobile pondérée (WMA) qui donne plus de pondération ou d'importance aux données récentes sur les prix que la moyenne mobile simple (SMA ) Est-ce que. L'EMA répond plus rapidement aux changements de prix récents que la SMA. La formule de calcul de l'EMA consiste simplement à utiliser un multiplicateur et à commencer par le SMA. Le calcul de la SMA est très simple. La SMA pour un nombre donné de périodes de temps est simplement la somme des prix de clôture pour ce nombre de périodes de temps, divisé par ce même nombre. Ainsi, par exemple, un SMA de 10 jours est juste la somme des cours de clôture pour les 10 derniers jours, divisé par 10. Les trois étapes pour calculer l'EMA sont: Calculer le SMA. Calculer le multiplicateur pour pondérer l'EMA. Calculez l'EMA actuel. La formule mathématique, dans ce cas pour calculer une EMA de 10 périodes, ressemble à ceci: SMA: 10 période sum10 Calcul du multiplicateur de pondération: (2 (période choisie 1)) (2 (10 1)) 0,1818 (18,18) Calcul L'EMA: (Prix de clôture-EMA (jour précédent)) x multiplicateur EMA (jour précédent) La pondération donnée au prix le plus récent est plus élevée pour une EMA plus courte que pour une EMA de plus longue durée. Par exemple, un multiplicateur de 18,18 est appliqué aux données de prix les plus récentes pour un EMA de 10, tandis que pour un EMA de 20, on utilise seulement une pondération de multiplicateur de 9,52. Il ya aussi de légères variations de l'EMA arrivé à en utilisant le prix ouvert, élevé, faible ou médian au lieu d'utiliser le cours de clôture. Utilisez la moyenne mobile exponentielle (EMA) pour créer une stratégie dynamique de trading forex. Apprenez comment EMAs peuvent être utilisés très. Lire la réponse Apprenez les avantages potentiels importants de l'utilisation d'une moyenne exponentielle mobile lors de la négociation, au lieu d'un simple déplacement. Lisez la réponse Découvrez les moyennes mobiles simples et les moyennes mobiles exponentielles, ce que mesurent ces indicateurs techniques et la différence. Lisez la réponse Apprenez la formule de l'indicateur de la moyenne mobile de divergence de convergence et découvrez comment calculer le MACD. Lisez la réponse Découvrez les différents types de moyennes mobiles, ainsi que la moyenne mobile des croisements, et de comprendre comment ils sont utilisés po Lire la réponse Découvrez les différences primaires entre exponentielle et simple indicateurs de la moyenne mobile, et quels sont les désavantages EMAs. Le ratio de Sharpe est une mesure pour calculer le rendement ajusté au risque, et ce ratio est devenu la norme de l'industrie pour tels. Le fonds de roulement est une mesure à la fois de l'efficacité d'une entreprise et de sa santé financière à court terme. Le fonds de roulement est calculé. L'Environmental Protection Agency (EPA) a été créée en décembre 1970 sous la présidence du président américain Richard Nixon. Le. Un règlement mis en œuvre le 1er janvier 1994, qui a diminué et a finalement éliminé les tarifs douaniers pour encourager l'activité économique. Une norme permettant de mesurer la performance d'un titre, d'un fonds commun de placement ou d'un gestionnaire de placements. Portefeuille mobile est un portefeuille virtuel qui stocke les informations de carte de paiement sur un appareil mobile. Moyennes de déplacement: Quels sont-ils Parmi les indicateurs techniques les plus populaires, les moyennes mobiles sont utilisés pour évaluer la direction de la tendance actuelle. Chaque type de moyenne mobile (généralement écrit dans ce tutoriel comme MA) est un résultat mathématique qui est calculé en faisant la moyenne d'un certain nombre de points de données passés. Une fois déterminée, la moyenne résultante est ensuite tracée sur un graphique afin de permettre aux commerçants d'examiner les données lissées plutôt que de se concentrer sur les fluctuations de prix au jour le jour qui sont inhérentes à tous les marchés financiers. La forme la plus simple d'une moyenne mobile, connue sous le nom de moyenne mobile simple (SMA), est calculée en prenant la moyenne arithmétique d'un ensemble donné de valeurs. Par exemple, pour calculer une moyenne mobile de base de 10 jours, vous additionnez les prix de clôture des 10 derniers jours, puis divisez le résultat par 10. Dans la figure 1, la somme des prix pour les 10 derniers jours (110) est Divisé par le nombre de jours (10) pour arriver à la moyenne sur 10 jours. Si un commerçant souhaite voir une moyenne de 50 jours à la place, le même type de calcul serait fait, mais il inclurait les prix au cours des 50 derniers jours. La moyenne résultante ci-dessous (11) prend en compte les 10 derniers points de données afin de donner aux commerçants une idée de la façon dont un actif est évalué par rapport aux 10 derniers jours. Peut-être vous vous demandez pourquoi les traders techniques appellent cet outil une moyenne mobile et pas seulement un moyen régulier. La réponse est que lorsque de nouvelles valeurs deviennent disponibles, les points de données les plus anciens doivent être supprimés de l'ensemble et de nouveaux points de données doivent venir les remplacer. Ainsi, l'ensemble de données se déplace constamment pour tenir compte des nouvelles données à mesure qu'elles deviennent disponibles. Cette méthode de calcul garantit que seules les informations actuelles sont comptabilisées. Dans la figure 2, une fois que la nouvelle valeur de 5 est ajoutée à l'ensemble, la case rouge (représentant les 10 derniers points de données) se déplace vers la droite et la dernière valeur de 15 est supprimée du calcul. Étant donné que la valeur relativement petite de 5 remplace la valeur élevée de 15, on s'attend à ce que la moyenne de l'ensemble de données diminue, ce qui fait, dans ce cas, de 11 à 10. Qu'est-ce que les moyennes mobiles ressemblent Une fois que les valeurs de la MA ont été calculés, ils sont tracés sur un graphique et ensuite connectés pour créer une ligne de moyenne mobile. Ces lignes courbes sont communes sur les tableaux des commerçants techniques, mais la façon dont ils sont utilisés peut varier de façon drastique (plus sur cela plus tard). Comme vous pouvez le voir sur la figure 3, il est possible d'ajouter plus d'une moyenne mobile à n'importe quel graphique en ajustant le nombre de périodes de temps utilisées dans le calcul. Ces lignes courbes peuvent sembler distrayant ou confus au début, mais vous vous habituerez à eux comme le temps passe. La ligne rouge est simplement le prix moyen au cours des 50 derniers jours, alors que la ligne bleue est le prix moyen au cours des 100 derniers jours. Maintenant que vous comprenez ce qu'est une moyenne mobile et à quoi il ressemble, bien introduire un autre type de moyenne mobile et d'examiner comment il diffère de la moyenne mobile simple mentionné précédemment. La moyenne mobile simple est extrêmement populaire parmi les commerçants, mais comme tous les indicateurs techniques, il a ses critiques. Beaucoup d'individus soutiennent que l'utilité du SMA est limitée parce que chaque point dans la série de données est pondéré le même, peu importe où il se produit dans la séquence. Les critiques soutiennent que les données les plus récentes sont plus importantes que les données plus anciennes et devraient avoir une plus grande influence sur le résultat final. En réponse à cette critique, les commerçants ont commencé à donner plus de poids aux données récentes, ce qui a conduit depuis à l'invention de différents types de nouvelles moyennes, dont la plus populaire est la moyenne mobile exponentielle (EMA). Moyenne mobile exponentielle La moyenne mobile exponentielle est un type de moyenne mobile qui donne plus de poids aux prix récents dans une tentative de le rendre plus réactif (par exemple, À de nouvelles informations. Apprendre l'équation un peu compliquée pour calculer un EMA peut être inutile pour de nombreux commerçants, puisque presque tous les forfaits de cartographie faire les calculs pour vous. Toutefois, pour vous mathématiciens geeks là-bas, voici l'équation EMA: Lorsque vous utilisez la formule pour calculer le premier point de l'EMA, vous pouvez remarquer qu'il n'y a aucune valeur disponible pour utiliser comme l'EMA précédente. Ce petit problème peut être résolu en commençant le calcul avec une moyenne mobile simple et en poursuivant avec la formule ci-dessus à partir de là. Nous vous avons fourni un exemple de feuille de calcul qui comprend des exemples réels de calcul d'une moyenne mobile simple et d'une moyenne mobile exponentielle. La différence entre l'EMA et SMA Maintenant que vous avez une meilleure compréhension de la façon dont la SMA et l'EMA sont calculés, permet de jeter un oeil à la façon dont ces moyennes diffèrent. En regardant le calcul de l'EMA, vous remarquerez que plus l'accent est mis sur les points de données récentes, ce qui en fait un type de moyenne pondérée. À la figure 5, le nombre de périodes utilisées dans chaque moyenne est identique (15), mais l'EMA répond plus rapidement à l'évolution des prix. Remarquez comment l'EMA a une valeur plus élevée lorsque le prix est en hausse, et tombe plus vite que la SMA lorsque le prix est en baisse. Cette réactivité est la principale raison pour laquelle de nombreux commerçants préfèrent utiliser l'EMA sur le SMA. Que signifient les différents jours Moyennes mobiles sont un indicateur totalement personnalisable, ce qui signifie que l'utilisateur peut librement choisir le temps qu'ils veulent lors de la création de la moyenne. Les périodes les plus courantes utilisées pour les moyennes mobiles sont 15, 20, 30, 50, 100 et 200 jours. Plus le délai de création de la moyenne est court, plus il sera sensible aux variations de prix. Plus la durée est longue, moins sensible, ou plus lissée, la moyenne sera. Il n'y a pas de période correcte à utiliser lors de la configuration de vos moyennes mobiles. La meilleure façon de déterminer qui fonctionne le mieux pour vous est d'expérimenter avec un certain nombre de périodes de temps différentes jusqu'à ce que vous en trouver un qui correspond à votre stratégie. Moyennes mobiles: Comment utiliser ThemI ont une valeur continue pour laquelle Id comme pour calculer une moyenne mobile exponentielle. Normalement Id juste utiliser la formule standard pour cela: où S n est la nouvelle moyenne, alpha est l'alpha, Y est l'échantillon, et S n-1 est la moyenne précédente. Malheureusement, en raison de diverses questions, je n'ai pas un temps d'échantillonnage cohérent. Je sais peut-être que je peux échantillonner au plus, disons, une fois par milliseconde, mais en raison de facteurs hors de mon contrôle, je ne peux pas être en mesure de prendre un échantillon de plusieurs millisecondes à la fois. Un cas probablement plus courant, cependant, est que je sample simple un peu tôt ou tard: au lieu d'échantillonnage à 0, 1 et 2 ms. I échantillon à 0, 0,9 et 2,1 ms. Je prévois que, indépendamment des retards, ma fréquence d'échantillonnage sera très, bien au-dessus de la limite de Nyquist, et donc je n'ai pas besoin de s'inquiéter d'aliasing. Je pense que je peux faire face à cela d'une manière plus ou moins raisonnable en faisant varier l'alpha de façon appropriée, en fonction de la durée écoulée depuis le dernier échantillon. Une partie de mon raisonnement que cela fonctionnera, c'est que l'EMA interpole linéairement entre le point de données précédent et le courant. Si l'on considère le calcul d'une EMA de la liste suivante d'échantillons aux intervalles t: 0,1,2,3,4. Nous devrions obtenir le même résultat si nous utilisons l'intervalle 2t, où les entrées deviennent 0,2,4, à droite Si l'EMA avait supposé que, à t 2, la valeur avait été 2 depuis t 0. Qui serait le même que l'intervalle t calculant sur 0,2,2,4,4, ce que ne fait pas. Ou est-ce que le sens du tout Peut-on me dire comment varier l'alpha de façon appropriée S'il vous plaît montrer votre travail. C'est à dire. Montrez-moi les maths qui prouvent que votre méthode est vraiment faire la bonne chose. Vous ne devriez pas obtenir le même EMA pour les différentes entrées. Pensez à EMA comme un filtre, l'échantillonnage à 2t équivaut à l'échantillonnage descendant, et le filtre va donner une sortie différente. Cela me paraît évident puisque 0,2,4 contient des composantes de fréquence plus élevée que 0,1,2,3,4. Sauf si la question est, comment puis-je changer le filtre à la volée pour lui donner la même sortie. Peut-être que je manque quelque chose ndash freespace Jun 21 09 at 15:52 Mais l'entrée n'est pas différente, il a juste échantillonné moins souvent. 0,2,4 à intervalles 2t est comme 0,, 2,, 4 aux intervalles t, où l'indique que l'échantillon est ignoré ndash Curt Sampson Jun 21 09 à 23:45 Cette réponse basée sur ma bonne compréhension du passe-bas Filtres (moyenne mobile exponentielle est vraiment juste un filtre passe-bas unipolaire), mais ma compréhension floue de ce que vous cherchez. Je pense que ce qui suit est ce que vous voulez: Tout d'abord, vous pouvez simplifier votre équation un peu (semble plus compliqué, mais son plus facile dans le code). Je vais utiliser Y pour la sortie et X pour l'entrée (au lieu de S pour la sortie et Y pour l'entrée, comme vous l'avez fait). Deuxièmement, la valeur de alpha ici est égale à 1-e-Dtatattau où Deltat est le temps entre les échantillons, et tau est la constante de temps du filtre passe-bas. Je dis égale entre guillemets parce que cela fonctionne bien quand Deltattau est petit par rapport à 1, et alpha 1-e-Delatattau asymp Deltattau. (Mais pas trop petit: vous allez rencontrer des problèmes de quantification, et à moins que vous ne recourriez à certaines techniques exotiques, vous avez généralement besoin de N bits supplémentaires de résolution dans votre variable d'état S, où N - log 2 (alpha).) Pour des valeurs plus grandes de Deltattau L'effet de filtrage commence à disparaître, jusqu'à ce que vous arrivez au point où l'alpha est proche de 1 et vous êtes essentiellement simplement d'assigner l'entrée à la sortie. Cela devrait fonctionner correctement avec des valeurs variables de Deltat (la variation de Deltat n'est pas très importante tant que alpha est petit, sinon vous rencontrerez quelques problèmes de Nyquist plutôt étranges aliasing etc.) et si vous travaillez sur un processeur où la multiplication Est moins cher que la division, ou les questions à point fixe sont importantes, precalculate omega 1tau, et envisager d'essayer d'approcher la formule de l'alpha. Si vous voulez vraiment savoir comment dériver la formule alpha 1-e-Daltaattau, alors considérez sa source d'équations différentielles: qui, lorsque X est une fonction d'étape unitaire, a la solution Y 1 - e - ttau. Pour les petites valeurs de Deltat, la dérivée peut être approchée par DeltaYDeltat, donnant Y tau DeltaYDeltat X DeltaY (XY) (Deltattau) alpha (XY) et l'extrapolation de alpha 1-e - Dettaatta provient d'essayer de faire correspondre le comportement avec le Cas de fonction d'étape d'unité. Vous voudrez peut-être élaborer sur le quottrying pour correspondre à la partie behaviour. Je comprends votre solution en temps continu Y 1 - exp (-t47) et sa généralisation à une fonction step échelonnée avec magnitude x et condition initiale y (0). Mais je ne vois pas comment mettre ces idées ensemble pour atteindre votre résultat. Ndash Rhys Ulerich May 4 13 à 22:34 Ceci n'est pas une réponse complète, mais peut être le début d'un. Son autant que j'ai obtenu avec cela dans une heure ou deux de jouer Im affichant comme un exemple de ce que je cherche, et peut-être une inspiration pour d'autres travaillant sur le problème. Je commence par S 0. Qui est la moyenne résultant de la moyenne précédente S -1 et de l'échantillon Y 0 pris à t 0. (T 1 - t 0) est mon intervalle d'échantillonnage et alpha est fixé à ce qui est approprié pour cet intervalle d'échantillonnage et la période sur laquelle je souhaite faire la moyenne. J'ai réfléchi à ce qui se passerait si je manquais l'échantillon à t 1 et au lieu de me contenter de me contenter de l'échantillon Y 2 pris à t 2. Eh bien, on peut commencer par étendre l'équation pour voir ce qui serait arrivé si on avait eu Y 1: Je remarque que la série semble s'étendre infiniment de cette façon, parce que nous pouvons substituer le S n à la droite indéfiniment: Ok , Donc ce n'est pas vraiment un polynôme (idiot moi), mais si nous multiplions le terme initial par un, nous voyons alors un modèle: Hm: sa une série exponentielle. Quelle surprise Imaginez que sortir de l'équation pour une moyenne mobile exponentielle So anyway, j'ai cette x 0 x 1 x 2 x 3. Chose va, Im et Im Im odeur e ou un logarithme naturel coups de pied ici, mais je ne peux pas me rappeler où je me dirigeais avant que je me suis écoulé du temps. Toute réponse à cette question, ou toute preuve d'exactitude d'une telle réponse, dépend fortement des données que vous mesurez. Si vos échantillons ont été pris à t 0 0 ms. T 1 0,9ms et t 2 2,1ms. Mais votre choix d'alpha est basé sur des intervalles de 1 ms, et donc vous voulez un alpha localement ajusté n. La preuve de l'exactitude du choix signifierait connaître les valeurs d'échantillonnage à t1ms et t2ms. Cela vous amène à la question suivante: Pouvez-vous interpoler vos données de manière raisonnable pour avoir des suppositions saines de ce que les valeurs intermédiaires auraient pu être Ou pouvez-vous même interpoler la moyenne elle-même Si ni l'un ni l'autre de ces est possible, Le choix d'une valeur intermédiaire Y (t) est la moyenne calculée la plus récemment. À savoir Y (t) asymp S n où n est maxmial tel que t n ltt. Ce choix a une conséquence simple: Laissez l'alpha seul, quelle que soit la différence de temps. Si, d'autre part, il est possible d'interpoler vos valeurs, cela vous donnera des échantillons d'intervalle constant moyennables. Enfin, s'il est même possible d'interpoler la moyenne elle-même, cela rendrait la question sans signification. J'ai pensé que je peux interpoler mes données: étant donné que I39m échantillonnage à intervalles discrets, I39m déjà le faire avec une norme EMA Anyway, je suppose que j'ai besoin Un quotproofquot qui montre qu'il fonctionne aussi bien qu'un EMA standard, qui a également produit un résultat incorrect si les valeurs ne changent pas assez facilement entre les périodes d'échantillon. Si vous considérez l'EMA comme une interpolation de vos valeurs, vous avez terminé si vous laissez l'alpha tel qu'il est (parce que l'insertion de la moyenne la plus récente comme Y ne change pas la moyenne) . Si vous dites que vous avez besoin de quelque chose qui fonctionne aussi bien qu'un EMA standard - ce qui ne va pas avec l'original Sauf si vous avez plus d'informations sur les données que vous mesurez, tous les ajustements locaux à alpha seront au mieux arbitraires. Ndash balpha 9830 Jun 21 09 at 15:31 Je laisserais la valeur alpha seul, et de remplir les données manquantes. Puisque vous ne savez pas ce qui se passe pendant le temps où vous ne pouvez pas échantillonner, vous pouvez remplir ces échantillons avec 0s, ou tenir la valeur précédente stable et utiliser ces valeurs pour l'EMA. Ou une interpolation arrière une fois que vous avez un nouvel échantillon, remplissez les valeurs manquantes, et recomputer l'EMA. Ce que j'essaie d'obtenir est que vous avez une entrée xn qui a des trous. Il n'existe aucun moyen de contourner le fait que vous manquez des données. Ainsi, vous pouvez utiliser un maintien d'ordre zéro, ou le mettre à zéro, ou une sorte d'interpolation entre xn et xnM. Où M est le nombre d'échantillons manquants et n le début de l'écart. Peut-être même en utilisant des valeurs avant n. Réponse June 21 09 at 13:35 De passer une heure ou ainsi de mucking un peu avec les mathématiques pour cela, je pense que simplement varier l'alpha me donnera réellement l'interpolation appropriée entre les deux points dont vous parlez, mais dans un Beaucoup plus simple. En outre, je pense que la variation de l'alpha traitera aussi correctement les échantillons prélevés entre les intervalles d'échantillonnage standard. En d'autres termes, je cherche ce que vous avez décrit, mais en essayant d'utiliser les mathématiques pour comprendre la façon simple de le faire. Ndash Curt Sampson Jun 21 09 at 14:07 Je ne pense pas qu'il y ait une telle bête que quotproper interpolationquot. Vous ne savez tout simplement pas ce qui s'est passé dans le temps que vous n'êtes pas l'échantillonnage. Interpolation bonne et mauvaise implique une certaine connaissance de ce que vous avez manqué, puisque vous avez besoin de mesurer contre qui de juger si une interpolation est bonne ou mauvaise. Cela dit, vous pouvez placer des contraintes, c'est-à-dire avec une accélération maximale, une vitesse, etc. Je pense que si vous savez comment modéliser les données manquantes, alors vous modéliseriez simplement les données manquantes, puis appliquez l'algorithme EMA sans changement, plutôt Que de changer l'alpha. Just my 2c :) ndash freespace Jun 21 09 à 14:17 C'est exactement ce que je recevais dans ma modification à la question il ya 15 minutes: quotYou don39t simplement savoir ce qui s'est passé dans le temps que vous n'êtes pas l'échantillonnage, mais ce qui est vrai Même si vous prenez un échantillon à chaque intervalle désigné. Ainsi ma contemplation de Nyquist: tant que vous savez que la forme d'onde ne change pas de direction plus que chaque couple d'échantillons, l'intervalle d'échantillonnage réel ne devrait pas être important et devrait pouvoir varier. L'équation EMA me semble exactement calculer comme si la forme d'onde a changé linéairement de la dernière valeur d'échantillon à la courante. Ndash Curt Sampson Jun 21 09 at 14:26 Je ne pense pas que c'est tout à fait vrai. Le théorème de Nyquist requiert un minimum de 2 échantillons par période pour pouvoir identifier le signal de manière unique. Si vous ne faites pas cela, vous obtenez aliasing. Il serait le même que l'échantillonnage comme fs1 pour un temps, puis fs2, puis retour à fs1, et vous obtenez aliasing dans les données lorsque vous échantillons avec fs2 si fs2 est en dessous de la limite de Nyquist. Je dois également avouer que je ne comprends pas ce que vous entendez par quotwaveform changements linéairement de l'échantillon précédent à l'actuel onequot. Pourriez-vous s'il vous plaît expliquer Cheers, Steve. Ndash freespace Jun 21 09 at 14:36 ​​Ceci est similaire à un problème ouvert sur ma liste de tâches. J'ai un schéma élaboré dans une certaine mesure, mais n'ont pas de travail mathématique à l'appui de cette suggestion encore. Mise à jour du résumé de l'ampli: Souhaitez garder le facteur de lissage (alpha) indépendant du facteur de compensation (que je désigne ici comme bêta). Jasons excellente réponse déjà acceptée ici fonctionne très bien pour moi. Si vous pouvez également mesurer le temps écoulé depuis le dernier échantillon (en multiples arrondis de votre temps d'échantillonnage constant - donc 7,8 ms depuis le dernier échantillon serait de 8 unités), qui pourrait être utilisé pour appliquer le lissage plusieurs fois. Appliquer la formule 8 fois dans ce cas. Vous avez effectivement fait un lissage biaisé plus vers la valeur actuelle. Pour obtenir un meilleur lissage, nous avons besoin de tordre l'alpha tout en appliquant la formule 8 fois dans le cas précédent. Ce que cette approximation de lissage manquera Il a déjà manqué 7 échantillons dans l'exemple ci-dessus Ceci a été approché à l'étape 1 avec une réapplication aplatie de la valeur courante de 7 fois supplémentaires Si nous définissons un facteur d'approximation bêta qui sera appliqué avec l'alpha (Comme alphabeta au lieu d'alpha), nous allons supposer que les 7 échantillons manqués ont été en douceur entre les valeurs de l'échantillon précédent et actuel. J'ai réfléchi à ce sujet, mais un peu de bouger avec les mathématiques m'a fait au point où je crois que, plutôt que d'appliquer la formule de huit fois avec la valeur de l'échantillon, je peux faire un calcul D'un nouvel alpha qui me permettra d'appliquer la formule une fois, et me donner le même résultat. De plus, cela traiterait automatiquement de la question des échantillons compensés par les temps d'échantillonnage exacts. Ndash Curt Sampson Jun 21 09 at 13:47 La demande unique est très bien. Ce dont je ne suis pas sûr, c'est la bonne approximation des 7 valeurs manquantes. Si le mouvement continu fait la gigue de la valeur beaucoup sur les 8 millisecondes, les approximations peuvent être tout à fait hors de la réalité. Mais, si vous échantillonniez à 1ms (la plus haute résolution en excluant les échantillons retardés), vous avez déjà calculé que la gigue en 1ms n'est pas pertinente. Ce raisonnement fonctionne-t-il pour vous (j'essaie toujours de me convaincre). Ndash nik Jun 21 09 at 14:08 Droit. C'est le facteur bêta de ma description. Un facteur bêta serait calculé en fonction de l'intervalle de différence et des échantillons actuels et précédents. Le nouvel alpha sera (alphabeta) mais il sera utilisé uniquement pour cet échantillon. Alors que vous semblez être en train de faire l'alpha dans la formule, je tend vers l'alpha constant (facteur de lissage) et un bêta calculé indépendamment (un facteur d'accord) qui compense les échantillons manqués tout à l'heure. Ndash nik 21 juin à 15:23