EXP 以E为低 有没有问题？

100019216

下面的代码是计算分形自适应均线的代码，
其中用到 EXP 函数，我的问题是： 如果对数运算用 LOG, 是不是要改成用LN?

EXP
指数。
用法:
EXP(X)为E的X次幂
例如:
EXP(CLOSE)返回E的CLOSE次幂
所属函数组：数学函数





//中间变量         FRACTAL AMA 计算
DIR1:=ABS(H-REF(L,POWERN));
DIR2:=REF((ABS(H-REF(L,POWERN))),POWERN);
DIR3:=ABS(H-REF(L,(POWERN*2)));
RT1:=DIR1/POWERN;
RT2:=DIR2/POWERN;
RT3:=DIR3/(POWERN*2);
POWER:=(LOG(RT1+RT2)-Ln(RT3))/LOG(2);
CONSTANT:=EXP(-4.6*(POWER-1));
FAMA:EMA(DMA(CLOSE,CONSTANT),MAN);

技术006

是的

100019216

请问：下面公式的取值原因是什么?
CONSTANT:=EXP(-4.6*(POWER-1));
-4.6
POWER-1

100019216

                                                FRAMA的含义与计算公式

顾名思义，分形自适应移动平均利用了投资品价格序列的分形特征（对于不熟悉分形的读者，请参考量信文章《分形市场假说》）。简单地说，FRAMA是一个动态的指数移动平均。它的算法通过一个简单但有效的公式计算从当前时刻往前的长度为2T的时间窗口内时间序列的分形维数D，并利用分形维数进一步求解指数移动平均的衰减参数alpha。这使得FRAMA均线在保证移动平均线平滑的同时，大大降低了移动平均线的滞后性。（对于移动平均的详细介绍，请参阅量信文章《移动平均：你知道的与你不知道的》。）

分形维数描述时间序列的趋势，其取值在1到2之间，越大说明趋势越明显，越小说明时间序列越随机。因此，通过连续的计算时间序列局部的分形维数，该算法根据时间序列自身的统计相似性特征，动态、自适应地计算平滑所用的参数。由于alpha是D的减函数，因此D越大（趋势越明显），alpha越小，即指数平滑时对过去的数值衰减的越慢；D越小（随机性越强），alpha越大，即指数平滑时对过去的数值衰减的越快、对最新数据的变化越敏感。

具体的，对于当前时点t和给定的窗口2T，该方法用到了
三个时间窗口，即
t到t-T+1（记为窗口W1，长度为T），
t-T到t-2T+1（记为窗口W2，长度为T），以及
t到t-2T+1（记为窗口W，长度为2T）。不难看出，W=W1+W2。FRAMA的计算过程如下：

FRAMA的计算过程
1 用窗口W1内的最高价和最低价计算 N1 = (最高价 – 最低价) / T

2 用窗口W2内的最高价和最低价计算 N2 = (最高价 – 最低价) / T

3 用窗口T内的最高价和最低价计算 N3 = (最高价 – 最低价) / (2T)

4 计算分形维数 D = [log(N1+N2) – log(N3)] / log(2)

5 计算指数移动平均的参数alpha = exp(-4.6*(D-1))，并使其满足在0.01和1之间*



* 随着alpha向1逼近，指数平滑的衰减加剧，造成移动平均的平滑度大幅下降。因此如果将alpha的上限定为1可能带来不必要的高频扰动。在实际使用时，可以根据希望达到的最低平滑度来调整alpha的上限。在本文后续例子和实验中，如无特殊声明，我们将alpha的上限设为0.2。

6 将alpha带入指数移动平均的公式求解t时刻的FRAMA移动平均值

以上证指数周频交易数据为例，下图比较了计算窗口为52周时分形自适应移动平均和简单移动平均线（Simple Moving Average，或SMA）的平滑效果。由于利用了时间序列自身的分形特征，FRAMA均线对滞后性的提高非常明显，这意味着在价格趋势发生变化的时候它捕捉的更加及时。相比较而言，SMA的滞后性相当显著。



如果想让SMA达到相同的滞后效果，就必须使用更短的窗口来计算（但更短的窗口会保留一定的高频误差）。下图为52周窗口计算的FRAMA和8周窗口计算的SMA的比较。在使用了更短的窗口之后，SMA的滞后性大大减弱，效果和FRAMA相似，但同时SMA变的不够平滑、展现出了比FRAMA更大的波动。可见，SMA减小滞后性是以牺牲移动均线的平滑性为前提的。

技术010

这个不清楚，只有代码编写的才知道这样定义的真实用意。

100019216

如果求以10为低的幂，用哪个函数？

技术006

log