楔形整理

《楔形整理》

********************************************************************

上升楔形（Rising Wedge）：通常出現在上升趨勢尾段，預示可能的反轉向下。
下降楔形（Falling Wedge）：常出現在下降趨勢尾段，預示可能的反轉向上。
********************************************************************

********************************************************************

********************************************************************

********************************************************************

BB布林通道

《接龍數列命名為 - ChainTypeEMA》

應該還通順吧，但它著實省去我很多為了修飾所耗的煩惱。

它的特色是：「無論你如何迭代，它都會無損耗或微損。」

當初也是在「死馬當活馬醫時」，所逼出來的想法。誠所謂「困而知之」者也！

現在我只使用最單純簡單的程式外加參數的修正即可。還有空閒去美化圖表呢。誠始料未及呢！只可惜我沒有能力利用數學去證明它的理論。

布林通道研究

***************************************************
1. 我們提出一個常見的現象：當K線「前不著村後不著店」時？(如圖示)

(1) 代表甚麼意義？

(2) 後續通常會是個甚麼結果？

(3) 如何處理？

***************************************************

***************************************************

(1) BB中線原本是K線回檔的支撐點，因此可暫時解釋為：

a. 弱勢回檔。

b. 超賣。

***************************************************

(2) 後續可能：

a. 再度拉升，但僅止於抵BB上緣後，再測試BB下緣支撐。很可能再度探底也可能測底成功，可能性會與它所處的位階有關。

b. 再度拉升，再度回測，並獲得中線支撐，繼續原先上升走勢，後勁可期。

***************************************************

***************************************************

(3) 依附圖所示：顯然它屬於上述之a.之測底成功但不會太強。但這只是單一個案，我們必須有足夠的樣本才可以定出一個足夠可靠的規律性。

***************************************************

EMA vs RMA

***********************************************************************
我今天有問題向您請教：

1. 統計學家羅伯特·古德爾·布朗（Robert Goodell Brown）於 60 年代提出了EMA，最重要的二個概念：(a) 後期數據權重優於前期。(b) 常數平滑因子：α=2/(n+1)。我從一開始接觸到這個平滑因子之後，直覺上就以為它應該是「調和平均數」的概念，因為它就一付調和均數的「長相」。但我一直沒去追究，是否如此呢？

2. α=2/(n+1)之所以定為「常數」的原因，我可以理解，在那個沒有電腦的時光裡，將平滑因子定為「變數」，無異自找麻煩。但EMA的致命點正在於這個常數的平滑因子，導致「後期數據權重優於前期」沒能完全發揮。那麼，在電腦日益猛進的今天，為何沒有人去推敲這個問題呢？

3. 布朗的EMA非常偉大，是我最推崇的學者之一，他成功引導後人去善用他，因此他是個名符其實的「先驅者」。今天我之所以能夠致力於RMA的研究，全靠EMA的引領。

4. 我在與您對話中也經常會去捕捉您的「語意」從而有機會機花我的構思，感謝莫名。

***********************************************************************

結論：針對RMA我將提出二個非常「有意思」的構思，想先與您探討，有了共識之後，我會隨即去實作供您審閱，不知您意下如何？二個構思如下：

1. 接龍法：將數據倒置之後，重要的後端數據，形同「在陌生環境裡尋找目標」卻無「引導車」，在古代可能需要「羅盤或指南針」在現代可能需要「路標」來指引，「走錯路」的機會很正常，一但陸續有「引導車(新的數據)」加入，路線將隨之更動，因此RMA的浮動困境就是如此。那麼何妨將這倒置的數據「接在」原始數據之後，如此，前面有原始數據權充「引導車」，RMA的浮動不就被消除了嗎？

2. 平滑因子倒置法：以現在的電腦將「常數平滑因子」，轉化為「變數」比吸一口氣還快。例如，以「2/27」為起始值；以「2/13」為終值。假使有300筆數據，那麼「增值量=(終值-起始值)/(300-1)」，就可以很輕易產生「變數平滑因子」而達成「後期數據權重優於前期」的進一步效果。RMA是將原始數據倒置，但我們可以保持原始數據而改用「平滑因子倒置法」，如此，浮動不就被消除了嗎？

至於何者效果較優？「是驢是馬拉出去遛一下」就知道了！

***********************************************************************

沒用上迭代真的很快...一下子就實作完成了...只需數據接龍就可以了...圖例示意：紅線表 - EMA(26)...黑線表 - RMA(26)...我還沒來的及去評價...不知您意下如何？

***********************************************************************

很意外...3層迭代已經很平滑了(其實2層就夠了)....因為我早擁有這些構思的副程式...只要寫好主程式就好了..因此...提前交卷...一併獻上1層版與3層版...圖例示意：紅線表 - (採用變數α下的) EMA(26)...黑線表 - RMA(26)...我還沒來的及去評價...不知您意下如何？...目前我只知道...迭代的平滑效果很大卻不失真。註：這是精實版，測試後會增修為精緻版。

***********************************************************************

台指近全

2026/01/07

**************************************************

**************************************************

**************************************************

**************************************************

**************************************************

**************************************************

**************************************************

**************************************************

**************************************************

**************************************************

**************************************************