期货软件TB系统源代码解读系列18-WMA

百度了一下,解释是这样的说的,加权移动平均线 (WMA) ,它比重以平均线的长度设定,愈近期的收市价,对市况影响愈重要。计算方式是基于加权移动平均线日数,将每一个之前日 数比重提升。每一价格会乘以一个比重,最新的价格会有最大的比重,其之前的每一日的比重将会递减。

移动平均线是我一直倚重的操作依据,但需不需要做近期加权移动还真没个普,我也基本很少给它加权。这原因吧,是期货变动幅度比较大,做加权,这均线波动很剧烈的,而且我习惯依据3分钟操作,那更剧烈了,所以基本不做加权的。但这个加权,在很多欧美操盘手里都是比较注重的,我看了一下TB系统里有,也顺便解读了。

我们照例先看它的算法,如下:

计算方法(以5日为例):

[(第1日收盘价+第2日收盘价)×1+(第2日收盘价+第3日收盘价)×2+(第3日收盘价+第4日收盘价)×3+(第4日收盘价+第5日收盘价)×4]/(2×1+2×2+2×3+2×4),即为第五日的阶梯加权移动平均线。

看明白了算法,可直接用一个循环结构写下它的WAverage函数代码,如下:

Params

NumericSeries Price(10);//声明数值序列参数Price,初始值为10//

Numeric Length(10); //声明数值参数Length,初始值为10.//

Vars

Numeric WtdSum(0);//声明变量,WtdSum,初始值为0.//

Numeric CumWt; //声明变量CumWt。//

Numeric i; //声明变量i。//

Begin

for i = 0 to Length - 1 //循环结构,意思是变量 i 从0开始到9(10-1)依据下列代码做循环计算.//

{

WtdSum = WtdSum + ( Length - i ) * Price[i] ;//依变量声明可以知道,WtdSum初值为0 ,解读第一个数值i=0,直接把数代进公式了,变量WtdSum = 0 + (10 - 0)*Price[0],第二个数值i=1,也就是WtdSum = ( 0 + (10 - 0)*Price[0] )+ (10 - 1)*Price[1],第三个也是代数值进去求值。很简单吧,直到循环条件i=10,不满足条件,跳出这个循环了,但我们也可以算出了10周期变量WtdSum总值了。//

}

CumWt = ( Length + 1 ) * Length * 1/2 ; //依参数初值代入进公式了,变量CumWt = (10+1)* 10 * 1/2,其实这步就是算出一个依据不同周期变化的权重系数。//

Return WtdSum / CumWt;//用变量WtdSum总值 / 权重系数变量CumWt,计算得到的值返回给主函数。//

End

很简单的一个计算方式吧,让它在超级图表显示代码如下:

Params

Numeric Length(9);//声明数值参数Length,初值为9。//

Begin

PlotNumeric("WMA",WAverage(Close,Length));//画线加权线WMA,把收盘价Close跟周期Length=9,返回到函数WAverage里求出值来,再把数值反馈回来就是加权线值了。//

End

喜欢用加权的朋友,其实也就跟做移动平均线一样了,做成程序化也很简单,代码及测试结果如下:

Params

Numeric FastLength(5);

Numeric SlowLength(20);

Numeric DslowLength(200);

Vars

NumericSeries AvgValue1;

NumericSeries AvgValue2;

NumericSeries AvgValue3;

Begin

AvgValue1 = WAverage(Close,FastLength);

AvgValue2 = WAverage(Close,SlowLength);

AvgValue3 = WAverage(Close,DslowLength);

PlotNumeric("MA1",AvgValue1);

PlotNumeric("MA2",AvgValue2);

PlotNumeric("MA3",AvgValue3);

// 集合竞价和小节休息过滤

If(!CallAuctionFilter()) Return;

If(MarketPosition <>1 && AvgValue1[1] > AvgValue2[1] && AvgValue1[1] > AvgValue3[1])

{

Buy(1,Open);

}

If(MarketPosition ==1 && AvgValue1[1] < AvgValue2[1])

{

Sell(1,Open);

}

If(MarketPosition <>-1 && AvgValue1[1] < AvgValue2[1] && AvgValue1[1] < AvgValue3[1])

{

SellShort(1,Open);

}

If(MarketPosition ==-1 && AvgValue1[1] > AvgValue2[1])

{

BuyToCover(1,open);

}

End


当然,这是很随意的写成的代码,买卖条件是可以依据个人习惯编写的,我这里也只是做个简单的而已,是不是跟第一篇移动平均线结果很像。其实我感觉基本一样了,所以我一般不怎么做加权的,但不同的人,有不同的看法,解读一下也不难的,顺便写出来了。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 220,063评论 6 510
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 93,805评论 3 396
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 166,403评论 0 357
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 59,110评论 1 295
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 68,130评论 6 395
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 51,877评论 1 308
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 40,533评论 3 420
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 39,429评论 0 276
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 45,947评论 1 319
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 38,078评论 3 340
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 40,204评论 1 352
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 35,894评论 5 347
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 41,546评论 3 331
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 32,086评论 0 23
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 33,195评论 1 272
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 48,519评论 3 375
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 45,198评论 2 357

推荐阅读更多精彩内容