Eksponentiaalisesti Painotettu Liikkuva Keskiarvo Suodatin

Exploring Exponentially Weighted Moving Average Vaikutus on yleisin riskin mitta, mutta se tulee useisiin makuihin. Aiemmassa artikkelissa näimme kuinka laskea yksinkertainen historiallinen volatiliteetti. (Tämän artikkelin lukeminen on ohjeaiheessa Vaihtoehtoisuuden käyttäminen tulevaisuuden riskin mittaamiseen.) Käytimme Googlen todellisia osakekursseja, jotta laskettaisiin päivittäinen volatiliteetti 30 päivän varastotiedon perusteella. Tässä artikkelissa parannamme yksinkertaista volatiliteettiä ja keskustelemme eksponentiaalisesti painotetusta liikkuvasta keskiarvosta (EWMA). Historiallinen Vs. Implisiittinen volatiliteetti Ensinnäkin, annamme tämän metrin hieman näkökulmasta. On olemassa kaksi laajaa lähestymistapaa: historiallinen ja implisiittinen (tai implisiittinen) volatiliteetti. Historiallinen lähestymistapa olettaa, että menneisyys on prologue mitata historiaa siinä toivossa, että se on ennakoiva. Epäsuora volatiliteetti puolestaan ​​jättää huomiotta historian, jota se ratkaisee markkinahintojen epävakauden vuoksi. Se toivoo, että markkinat tietävät parhaiten ja että markkinahinta sisältää, vaikka epäsuorasti, myös konsensuksen arvio volatiliteetista. (Ks. Vastaavanlaisen lukemisen, ks. Volatiliteetin käyttötarkoitukset ja rajat.) Jos keskitymme vain kolmeen historialliseen lähestymistapaan (edellä vasemmalla), niillä on kaksi vaihetta yhteisesti: Laske sarja määräaikaisia ​​tuottoja Käytä painotusjärjestelyä Ensin me laske säännöllinen tuotto. Tämä on tyypillisesti sarja päivittäisiä tuotoksia, joissa jokainen tuotto ilmaistaan ​​jatkuvasti yhdistetyissä termeissä. Jokaiselle päivälle käytämme luonnollista kirjaa osakekurssien suhteesta (eli eilen hinta jaettuna eilen ja niin edelleen). Tämä tuottaa sarjan päivittäisiä tuottoja u: stä u i-m: iin. riippuen siitä, kuinka monta päivää (m päivää) mitataan. Tämä saa meidät toiseen vaiheeseen: Tässä kolme lähestymistapaa eroavat toisistaan. Edellisessä artikkelissa (Volatility To Gauge Future Riskin avulla) osoitettiin, että yksinkertaisen varianssi on parin hyväksyttävän yksinkertaistamisen alapuolella neliöityjen tuottojen keskiarvo: Huomaa, että tämä summaa jokainen jaksoittainen tuotto ja jakaa sen yhteensä päivien tai havaintojen määrä (m). Joten, se on oikeastaan ​​vain keskimäärin neliöidyt jaksottaiset tuotot. Toinen tapa, jokaisella neliöllä tuotolla on sama paino. Joten jos alpha (a) on painotuskerroin (erityisesti 1 m), niin yksinkertainen varianssi näyttää jotain tällaiselta: EWMA parantaa yksinkertaista poikkeamaa Tämän lähestymistavan heikkous on, että kaikki tuotot ansaitsevat saman painon. Yesterdaydays (viimeaikaisella) paluulla ei ole enää vaikutusta varianssiin kuin viime kuukausina. Tämä ongelma on vahvistettu käyttämällä eksponentiaalisesti painotettua liukuvaa keskiarvoa (EWMA), jossa viimeisimmillä tuottoilla on suurempi paino varianssin suhteen. Eksponentiaalisesti painotettu liikkuva keskiarvo (EWMA) tuo lambdalle. jota kutsutaan tasoitusparametriksi. Lambdan on oltava alle yksi. Tällöin samanarvoisen sijaan jokaisen neliösumman tuotto painetaan kertoimella seuraavasti: Esimerkiksi riskienhallintayhtiö RiskMetrics TM pyrkii käyttämään lambda-arvoa 0,94 tai 94. Tässä tapauksessa ensimmäinen ( viimeisin) neliöllinen jaksollinen tuotto on painotettu (1-0,94) (94) 0 6. Seuraavaksi neliöllinen paluu on yksinkertaisesti lambda-moninkertainen aikaisemman painon tässä tapauksessa 6 kerrottuna 94: llä 5.64. Ja kolmas aika ennen päivää on yhtä suuri (1-0,94) (0,94) 2 5,30. Sillä eksponentiaalisen merkityksen EWMA: ssa: jokainen paino on vakio kertoin (eli lambda, jonka on oltava pienempi kuin yksi) aikaisempien päivien painosta. Tämä takaa varianssin, joka on painotettu tai puolueellinen viimeisimpiin tietoihin nähden. (Tutustu Googlen volatiliteetin Excel-laskentataulukkoon.) Ero yksinkertaisesti volatiliteetin ja EWMA: n Googlelle on esitetty alla. Yksinkertainen volatiliteetti punnitsee tehokkaasti jokaisen jaksotetun tuoton 0,196 prosentilla O-sarakkeessa esitetyllä tavalla (meillä oli kahden vuoden päivittäiset osakekurssitiedot eli 509 päivittäistä tuottoa ja 1509 0,196). Huomaa kuitenkin, että sarake P osoittaa painon 6, sitten 5.64, sitten 5.3 ja niin edelleen. Tämä on ainoa ero yksinkertaisen varianssin ja EWMA: n välillä. Muista: Kun summaamme koko sarjan (sarakkeessa Q), meillä on varianssi, joka on keskihajonnan neliö. Jos haluamme volatiliteettia, meidän on muistettava ottaa varianssin neliöjuuri. EWMA: n päivittäisen volatiliteetin erotus Googlen tapauksessa Merkittävä: Yksinkertainen varianssi antoi meille 2,4: n päivittäisen volatiliteetin, mutta EWMA: n päivittäinen volatiliteetti oli vain 1,4 (ks. Laskentataulukko yksityiskohtiin). Ilmeisesti Googlen volatiliteetti laski hiljattain, joten yksinkertainen varianssi saattaa olla keinotekoisesti korkea. Nykypäivän varianssi on Pior-päivän varianssin funktio Youll - ilmoitus meidän tarvitsi laskea pitkän sarjan eksponentiaalisesti laskevia painoja. Meillä ei tapahdu matematiikkaa tässä, mutta yksi EWMA: n parhaista ominaisuuksista on se, että koko sarja pienentää kätevästi rekursiivista kaavaa: Rekursiivinen tarkoittaa, että nykyiset varianssin referenssit (eli aikaisempien päivien varianssin funktio). Tämä kaava löytyy myös laskentataulukosta, ja se tuottaa täsmälleen saman tuloksen kuin pitkäkestoinen laskelma. Se sanoo: Nykyinen varianssin (EWMA: n mukaan) on yesterdaysin varianssi (painotettu lambdalla) ja ylennykset neliön paluu (punnittu yhdellä miinus lambda). Huomaa, että lisäämme vain kahta termiä: yesterdays painotettu varianssi ja yesterdays painotettu, neliöinen paluu. Jopa niin, lambda on meidän tasoitusparametri. Korkeampi lambda (esimerkiksi kuten RiskMetrics 94) osoittaa sarjasta hitaamman hajoamisen - suhteellisesti, meillä tulee olemaan enemmän datapisteitä sarjassa ja ne tulevat pudota hitaammin. Toisaalta, jos vähennämme lambda-arvoa, osoitamme suurempaa hajoamista: painot putoavat nopeammin ja nopean hajoamisen välittömänä seurauksena käytetään vähemmän datapisteitä. (Laskentataulukossa lambda on tulo, joten voit kokeilla sen herkkyyttä). Yhteenveto Volatiliteetti on varastojen hetkellinen keskihajonta ja yleisin riski-metriikka. Se on myös varianssin neliöjuuri. Voimme mitata varianssin historiallisesti tai implisiittisesti (implisiittinen volatiliteetti). Kun mittaat historiallisesti, helpoin tapa on yksinkertainen varianssi. Mutta heikkous yksinkertaisella varianssi on kaikki palaa saada sama paino. Joten kohtaamme klassisen kompromissin: haluamme aina enemmän tietoja, mutta mitä enemmän tietoa meillä on enemmän, laskemme laimennetaan kaukaisilla (vähemmän merkityksellisillä) tiedoilla. Eksponentiaalisesti painotettu liikkuva keskiarvo (EWMA) parantaa yksinkertaista varianssia määrittämällä painot jaksottaisiin tuottoihin. Näin voimme käyttää sekä suurta otoskoon että suurempaa painoarvoa tuoreille tuottoille. (Jos haluat katsoa elokuvan opetusohjelmaa tästä aiheesta, käy Bionic Turtle.) Beta on mittaus tietoturvan tai salkun volatiliteetin tai järjestelmällisen riskin mittaamiseksi verrattuna koko markkinoihin. Verotyyppi, joka peritään yksityishenkilöille ja yhteisöille aiheutuneista myyntivoitoista. Myyntivoitot ovat sijoittajan voittoja. Tilaus ostaa tietyn hinnan tietyllä hinnalla tai sen alapuolella. Ostarajajärjestys antaa kauppiaille ja sijoittajille mahdollisuuden täsmentää. Sisäinen tulovirasto (IRS) - sääntö, joka mahdollistaa rangaistuksettomat nostot IRA-tililtä. Sääntö vaatii sen. Yksityisen yrityksen ensimmäinen varaston myynti yleisölle. IPO: t myöntävät usein pienemmät, nuoremmat yritykset, jotka hakevat. Velkaantumisaste on velkasuhde, jota käytetään mittaamaan yrityksen taloudellinen vipuvaikutus tai velkasuhde, jota käytetään yksilön mittaamiseen. Eksponentti-suodatin Tässä osassa kuvataan eksponentiaalinen suodatus, yksinkertaisin ja suosituin suodatin. Tämä on osa osaa Suodatus, joka on osa Vianhavaitsemis - ja diagnoositietoutta .. Yleiskuva, aikavakio ja analoginen vastaava Yksinkertaisin suodatin on eksponentiaalisuodatin. Siinä on vain yksi viritysparametri (muu kuin näytteenväli). Se edellyttää vain yhden muuttujan - edellisen tuotoksen tallentamista. Se on IIR (autoregressiivinen) suodatin - tulon muutoksen hajoaminen eksponentiaalisesti, kunnes näytön tai tietokoneen aritmeettisten rajojen piilotus. Eri tieteenaloilla tämän suodattimen käyttöä kutsutaan myös 8220exponential smoothing8221: ksi. Joissakin tieteenaloissa, kuten sijoitusanalyysissä, eksponentiaalisuotinta kutsutaan 8220Exponential Weighted Moving Average8221 (EWMA) eli vain 8220Exponential Moving Average8221 (EMA). Tämä vääristää perinteisen ARMA 8220: n siirtävän keskiarvon 8221 terminologiaa aikasarjojen analyysissä, koska syöttöhistoriaa ei ole käytetty - vain nykyinen syöte. Se on diskreetti aikaekvivalentti 8282 ensimmäisestä järjestyksestä lag8221, jota käytetään yleisesti jatkuvatoimisten ohjausjärjestelmien analogisessa mallinnuksessa. Sähköpiireissä RC-suodatin (suodatin yhdellä vastuksella ja yksi kondensaattori) on ensimmäisen kertaluvun viive. Analogipiirejä analogisesti korostamalla yksittäinen viritysparametri on 8220-ajan vakio8221, joka tavallisesti on kirjoitettu pienikokoiseksi kreikkalaiseksi kirjaimeksi Tau (). Itse asiassa erillisillä näytteillä olevat arvot täsmäävät täsmälleen vastaavan jatkuvan viiveajan kanssa samaan aikavakioon. Digitaalisen toteutuksen ja aikavakion välinen suhde on esitetty alla olevissa yhtälöissä. Eksponentiaalisuodatinyhtälöt ja alustus Eksponentti-suodatin on edellisen arvion (ulostulo) painotettu yhdistelmä uusimman tulodatan kanssa, joiden painojen summa on yhtä suuri kuin 1 siten, että ulostulo vastaa tuloa vakaan tilan mukaan. Seuraavassa esitetyn suodatusmerkinnän jälkeen: y (k) ay (k-1) (1-a) x (k) missä x (k) on raakapäätös ajankohtana ky (k) on vakio välillä 0 ja 1, tavallisesti välillä 0,8-0,99. (a-1) tai a on joskus kutsuttu 8220smoothing constant8221: ksi. Järjestelmissä, joissa on kiinteä aika-askel T näytteiden välillä, vakio 8220a8221 lasketaan ja tallennetaan sopivaksi vain, kun sovelluskehittäjä määrittää uuden halutun aikavakion arvon. Järjestelmissä, joissa on datanäytteitä epäsäännöllisin väliajoin, käytetään edellä mainittua eksponenttifunktiota jokaisen ajanjakson ajan, missä T on aika, joka kuluu edellisen näytteen kuluttua. Suodatinlähtö alustetaan yleensä vastaamaan ensimmäistä tuloa. Kun aikavakio lähestyy 0, a menee nollaan, joten suodatus 8211 ei ole yhtä suuri kuin uusi tulo. Koska aikavakio on erittäin suuri, lähestymistapoja 1, niin että uusi tulo jää lähes huomiotta 8211 erittäin raskas suodatus. Edellä esitetty suodatusyhtälö voidaan järjestää uudelleen seuraaviin ennustaja-korjaimen ekvivalentiksi: Tämä muoto tekee selväksi, että muuttujan estimaatti (suodattimen lähtö) ennustetaan muuttumattomana edellisestä arviosta y (k-1) odottamattoman 8220 innovaation 8221 avulla - uuden tulon x (k) ja ennusteen y (k-1) välinen ero. Tämä muoto on myös seurausta eksponentiaalisuodattimen muodostamisesta Kalman-suodattimen yksinkertaisena erikoistapauksena. joka on optimaalinen ratkaisu estimointiongelmaan tietyn oletusryhmän kanssa. Vaihevalvonta Eksponentiaalisuodattimen toiminnan havainnollistaminen on piirtää vastaus ajan kuluessa vaiheen sisääntuloon. Toisin sanoen alkaen suodatinpanoksesta ja lähdöstä 0: ssä, tuloarvo muuttuu yhtäkkiä arvoon 1. Tuloksena olevat arvot on piirretty alla: Edellä olevasta kuvaajasta aika jaetaan suodattimen aikavakiona tau, jotta voitte helposti ennustaa tuloksia mille tahansa ajanjaksolle suodattimen aikavakion arvon suhteen. Aikavakion suuruisen ajan jälkeen suodattimen lähtö nousee 63,21: een lopullisesta arvostaan. Kun aika on kaksi kertaa vakio, arvo nousee sen lopulliseen arvoon 86,47. Lähtökerrat 3,4 ja 5 aikavakojen jälkeen ovat 95,02, 98,17 ja lopullisen arvon 99,33. Koska suodatin on lineaarinen, tämä tarkoittaa, että näitä prosenttiosuuksia voidaan käyttää minkä tahansa muutoksen suuruuteen, ei pelkästään tässä käytettyyn arvoon 1. Vaikka askelvaste on teoriassa äärettömän ajan käytännön näkökulmasta, ajattele eksponentiaalisuotinta 98: sta 99: n 8220: een 8221: een vastaten aikaa, joka on yhtä suuri kuin 4-5 suodatusajan vakioita. Eksponentiaalisuodattimen vaihtelut Eksponentiaalisuodattimella 8220 ei-lineaarinen eksponentti-suodatin 8221 Weber, 1980, jonka tarkoituksena on suodattaa voimakkaasti tietty 8220typical8221-amplitudi, mutta vastata nopeammin suurempaan muutokseen. Copyright 2010 - 2013, Greg Stanley Jaa tämä sivu: eksponentiaalisesti painotettu liukuva keskiarvo Voit ajatella katselusuositusta säikeiksi, jotka olet kirjanmerkitty. Voit lisätä tunnisteita, tekijöitä, säikeitä ja jopa hakutuloksia katseluun. Tällä tavoin voit helposti seurata aiheita, joita sinä olet kiinnostunut. Voit katsoa katselulistasi napsauttamalla QuoteMy Newsreaderquot-linkkiä. Jos haluat lisätä kohteita kellolistallesi, napsauta quotadd nähdäksesi listanlinkin linkin minkä tahansa sivun alareunassa. Kuinka voin lisätä kohteen kellolistalleni Jos haluat lisätä hakuehtoja katselulistalle, etsi haluamasi termi hakukenttään. Napsauta lainaa Lisää tämä haku katselusivulle - linkkiä hakutulossivulla. Voit myös lisätä tagin katselulistallesi etsimällä tunnistetta direktiivin quottagilla: tagnamequot, jossa tagname on tunnisteen nimi, jota haluat katsoa. Voit lisätä tekijän katselulistalle siirtymällä kirjoittajien profiilisivulle ja napsauttamalla sivun yläreunassa olevaa viittausta Lisää tämä tekijä katselusivun listalle - linkkiä. Voit myös lisätä tekijän katselulistallesi siirtymällä säikeeseen, jonka tekijä on lähettänyt ja napsauttamalla lainaa "Lisätä tämä tekijä katselusivulle" - linkkiä. Sinulta ilmoitetaan aina, kun kirjoittaja tekee viestin. Voit lisätä kierteen katselulistalle siirtymällä viestilehtisivulle ja napsauttamalla rivin lisäämällä tämän säiön sivun yläreunaan linkkikohtaan. Tietoa uutisryhmistä, lukijoista ja MATLABista Keskustelu Mitä ovat uutisryhmät Uutisryhmät ovat maailmanlaajuinen foorumi, joka on avoin kaikille. Uutisryhmiä käytetään keskustelemaan monista aiheista, ilmoituksista ja kauppatiedostoista. Keskustelut ovat kierrettyjä tai ryhmiteltyinä siten, että voit lukea lähetetyn sanoman ja kaikki vastaukset kronologisessa järjestyksessä. Tämä helpottaa keskustelun lähteen seurantaa ja nähdä, mitä on jo sanottu ennen kuin lähetät oman vastauksen tai lähetät uuden viestin. Uutisryhmän sisältöä jakavat eri organisaatioiden isännöimät palvelimet Internetissä. Viestejä vaihdetaan ja hallitaan avoimen standardiprotokollan avulla. Yksikään yksikkö ei kerro uutisryhmiä. On olemassa tuhansia uutisryhmiä, joista kukin käsittelee yhtä aihetta tai mielenkiintoa. MATLAB Central Newsreader lähettää ja näyttää viestit comp. soft-sys. matlab-uutisryhmässä. Kuinka lukea tai lähettää uutisryhmiin Voit käyttää integroitua uutislehturia MATLAB Central - sivustossa lukemaan ja lähettämään viestejä tässä uutisryhmässä. MATLAB Centralin isännöi MathWorks. MATLABin Keskuslukijaa lähettämäsi viestit näkevät kaikkien uutisryhmien avulla riippumatta siitä, miten he pääsevät uutisryhmiin. MATLAB Centralin käyttöä on useita etuja. Yksi tili MATLAB Central - tilisi on sidottu MathWorks-tiliisi helpottamiseksi. Käytä valitsemasi sähköpostiosoitetta MATLABin keskuslukijalla voit määrittää vaihtoehtoisen sähköpostiosoitteen postitusosoitteesi välttäen ensisijaisen postilaatikon sekavuutta ja vähentämällä roskapostia. Roskapostin hallinta Useimmat uutisryhmän roskapostin suodattaa MATLAB Central Newsreader. Merkintäviestit voidaan merkitä johonkin kirjautuneen käyttäjän merkittyyn merkintään. Tunnisteita voidaan käyttää avainsanoina löytääksesi kiinnostavia tiedostoja tai luokitella kirjanmerkittyjä postitusasi. Voit sallia muiden näkevän tunnistetietosi, ja voit tarkastella tai etsiä myös otherrsquo-tunnisteita ja koko yhteisöä. Merkitseminen tarjoaa tavan nähdä sekä suuret trendejä että pienemmät, hämärämpiä ideoita ja sovelluksia. Katso luetteloita Kelloristeluiden luominen mahdollistaa ilmoituksen tekijöiden, säikeen tai minkä tahansa hakumuuttujan valitsemista lähetyksistä tehdyistä päivityksistä. Varmuuslistailmoituksia voi lähettää sähköpostilla (päivittäinen pilkku tai välitön), My Newsreaderissa tai RSS-syötteen kautta. Muut uutisryhmien käyttötavat Käytä uutisten lukijaa koulun, työnantajan tai Internet-palveluntarjoajan välityksellä Maksuta uutisryhmän käyttöoikeutta kaupalliselta palveluntarjoajalta Käytä Google-ryhmiä Mathforum. org tarjoaa uutisjulkaisijalle pääsyn comp. softin sys. matlab-uutisryhmään Suorita oma palvelimelle. Tyypillisiä ohjeita, katso: slyckng. phppage2 Valitse oma maaDokumentaatio Tässä esimerkissä näytetään, miten liikkuvaa keskimääräistä suodatinta ja resamplinga voidaan käyttää erottamaan ajanjakson jaksollisten komponenttien vaikutus tuntilämpötilan lukemiin sekä poistamaan ei-toivottua linjamelua auki - jännitteen mittaus. Esimerkissä on myös esimerkki siitä, miten kellosignaalin tasot tasoitetaan ja reunat säilytetään käyttämällä mediaanisuodatinta. Esimerkki osoittaa myös, kuinka Hampelin suodatinta käytetään suurien poikkeamien poistamiseksi. Motivaation tasoittaminen on, kuinka löydämme tärkeitä kuvioita tietomme jättäessä pois asioita, jotka ovat merkityksettömiä (eli melua). Käytämme suodatusta tämän tasoituksen suorittamiseen. Tasoituksen tavoite on tuottaa hitaita arvonmuutoksia niin, että sen tietomuutokset ovat helpommin nähtävissä. Joskus tarkastellessasi sisääntulotietoja, saatat haluta suoda dataa, jotta signaali voi kehittyä. Esimerkissämme meillä on lämpötilalukema Celsiuksessa joka tunti Loganin lentokentällä koko tammikuun 2011 ajan. Huomaa, että voimme nähdä visuaalisesti sen vaikutelman, että kellonaika on lämpötilan lukemissa. Jos olet kiinnostunut vain päivittäisestä lämpötilan vaihtelusta kuukauden aikana, tuntivaihtelut aiheuttavat vain melua, jolloin päivittäiset vaihtelut ovat vaikeasti havaittavissa. Jos haluat poistaa päivän vaikutuksen, haluamme nyt tasoittaa tietoja käyttämällä liikkuvaa keskimääräistä suodatinta. Siirrettävä keskimääräinen suodatin Yksinkertaisimmalla muodollaan pituussuunnassa N liikkuva keskimääräinen suodatin ottaa jokaisen N peräkkäisen aaltomuodon näytteen keskiarvon. Jokaisen datapisteen liukuvan keskimääräisen suodattimen käyttämiseksi rakennamme suodattimemme kertoimet siten, että jokainen piste on yhtä painotettu ja vastaa 124: tä keskimääräiseen keskiarvoon. Tämä antaa meille keskimääräisen lämpötilan 24 tunnin aikana. Suodinviive Huomaa, että suodatettu lähtö viivästyy noin kaksitoista tuntia. Tämä johtuu siitä, että liikkuvan keskimääräisen suodattimemme on viivästynyt. Jokaisella N-pituisella symmetrisellä suodattimella on viive (N-1) 2 näytettä. Voimme ottaa huomioon tämän viiveen manuaalisesti. Keskimääräisten erotusten erottaminen Vaihtoehtoisesti voimme käyttää myös liukuvaa keskimääräistä suodatinta saadaksesi paremman arvion siitä, miten kellonaika vaikuttaa yleiseen lämpötilaan. Tätä varten vähennetään ensin tasoitetut tiedot tuntilämpötilan mittauksista. Sitten segmentoi eriytetyt tiedot päiviin ja kestää keskimäärin kuukauden kaikkien 31 päivän aikana. Peak-kirjekuoren purkaminen Joskus haluamme myös olla sujuvasti vaihteleva arvio siitä, miten lämpötilasignaalin nousu ja lasku muuttuvat päivittäin. Tätä varten voimme käyttää kirjekuoritoimintoa ääri - ja alamomenttien yhdistämiseen yli 24 tunnin jakson osajoukossa. Tässä esimerkissä varmistetaan, että kunkin äärimmäisen korkean ja äärimmäisen alhaisen välillä on vähintään 16 tuntia. Voimme myös saada tunteen siitä, kuinka korkeimmat ja alhaiset ovat kehittymässä ottamalla keskiarvon kahden ääripään välillä. Painotetut keskimääräiset suodattimet Muiden liikkuvien keskimääräisten suotimien paino ei näytä yhtä painoa. Toinen yleinen suodatin seuraa (12,12): n binomiomaista laajentamista. Tämän tyyppinen suodatin lähentää normaalia käyrää n suurille arvoille. Se on hyödyllistä suodattaa suurtaajuusmelu pienelle n: lle. Binomi-suodattimen kertoimien löytämiseksi konvolvoidaan 12 12 itsensä kanssa ja sitten iteratiivisesti konvolvoidaan ulostulo 12 12: llä määrätyllä määrällä kertaa. Tässä esimerkissä käytä viittä täydellistä iteraatiota. Toinen suodatin, joka on hieman samanlainen kuin Gaussian laajennussuodatin, on eksponentiaalinen liukuva keskimääräinen suodatin. Tämäntyyppinen painotettu liikkuva keskimääräinen suodatin on helppo rakentaa eikä vaadi suurta ikkunan kokoa. Säädä eksponentiaalisesti painotettua liikkuvaa keskimääräistä suodatinta alfa-parametrilla nollan ja yhden välillä. Alfa-arvon suurempi arvo on vähemmän tasoittava. Suurenna lukemaa yhden päivän ajan. Valitse maasi