Crear indicador TAMA

• 12/30/2024 at 6:53 AM #241931
  repropel

  Hola,

  He visto recientemente que se ha publicado en la revista IFTA del 2025 un articulo en el que hacen referencia a un indicador llamado TAMA (Trend Adaptive Moving Averages). Este indicador resuelve los problemas que tienen las medias móviles cuando hay tendencias. Dejo el articulo en pdf adjuntado y un enlace al indicador que esta disponible para MT5.
  Quería saber si alguien cree que es posible hacer este indicador en ProRealtime.

  Gracias.

  https://www.mql5.com/en/market/product/88759?source=External#description

  

  repropel

  Participant

  Topics: 12

  Replies: 27

  Been thanked: 2 times
  12/30/2024 at 6:37 PM #241974
  Iván

  Buenas! Me he aventurado a programar algo.
  Resumo aquí el indicador:
  Tres Modos de Cálculo:
  Modo 0: TAMA básica con promedio simple de regresiones.
  Modo 1: TAMA ponderada, usando una ponderación lineal para dar más peso a las regresiones recientes.
  Modo 2: TAMA basada en cuantiles, donde el valor final se selecciona según el cuantil definido por el usuario.

  // Configuración de parámetros Per = 20 // Período de la media móvil MaType = 0 // Tipo de media móvil base (0=SMA, 1=EMA, etc.) aggFunc = 0.5 // Cuantil usado para la agregación (0=min, 1=max, 0.5=mediana) mode = 0// Modo de cálculo: 0=Básica, 1=Ponderada, 2=Cuantiles // Cálculo de la media móvil base baseMA = average[Per, MaType](close) // Inicialización de variables trendAdjustedMA = 0 // Valor ajustado $regressionArray[0] = 0 // Array para almacenar resultados de regresiones // Cálculo de las regresiones FOR i = 1 TO Per DO regressionEstimate = LinearRegression[i](close) // Regresión para cada subconjunto $regressionArray[i] = regressionEstimate // Almacenamos en el array NEXT // Modo 0: TAMA básica IF mode = 0 THEN // Cálculo de las regresiones y estimaciones regressionSum = 0 // Suma de las regresiones regressionCount = 0 // Número de regresiones realizadas FOR i = 1 TO Per DO // Regresión lineal para cada subconjunto de la ventana regressionEstimate = LinearRegression[i](close) regressionSum = regressionSum + regressionEstimate regressionCount = regressionCount + 1 NEXT // Promedio de las estimaciones IF regressionCount > 0 THEN trendAdjustedMA = regressionSum / regressionCount ELSE trendAdjustedMA = baseMA // En caso de error, usar la media móvil base ENDIF // Modo 1: TAMA ponderada linealmente ELSIF mode = 1 THEN regressionSum = 0 weightSum = 0 FOR i = 1 TO Per DO weight = i / (Per * (Per + 1) / 2) // Peso lineal regressionSum = regressionSum + ($regressionArray[i] * weight) weightSum = weightSum + weight NEXT IF weightSum > 0 THEN trendAdjustedMA = regressionSum / weightSum ELSE trendAdjustedMA = baseMA // Respaldo en caso de error ENDIF // Modo 2: TAMA basada en cuantiles ELSIF mode = 2 THEN ArraySort($regressionArray, ASCEND) // Ordenar los valores IF IsSet($regressionArray[Per]) THEN cuantilIndex = FLOOR(aggFunc * (Per - 1)) + 1 // Índice del cuantil trendAdjustedMA = $regressionArray[cuantilIndex] ELSE trendAdjustedMA = baseMA // Respaldo en caso de error ENDIF ENDIF // Devolución de resultados RETURN baseMA COLOURED("blue") AS "Media Base", trendAdjustedMA COLOURED("red") AS "TAMA"

  1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67

  // Configuración de parámetros Per = 20 // Período de la media móvil MaType = 0 // Tipo de media móvil base (0=SMA, 1=EMA, etc.) aggFunc = 0.5 // Cuantil usado para la agregación (0=min, 1=max, 0.5=mediana) mode = 0// Modo de cálculo: 0=Básica, 1=Ponderada, 2=Cuantiles   // Cálculo de la media móvil base baseMA = average[Per, MaType](close)   // Inicialización de variables trendAdjustedMA = 0 // Valor ajustado $regressionArray[0] = 0 // Array para almacenar resultados de regresiones   // Cálculo de las regresiones FOR i = 1 TO Per DO regressionEstimate = LinearRegression[i](close) // Regresión para cada subconjunto $regressionArray[i] = regressionEstimate // Almacenamos en el array NEXT   // Modo 0: TAMA básica IF mode = 0 THEN // Cálculo de las regresiones y estimaciones regressionSum = 0 // Suma de las regresiones regressionCount = 0 // Número de regresiones realizadas   FOR i = 1 TO Per DO // Regresión lineal para cada subconjunto de la ventana regressionEstimate = LinearRegression[i](close) regressionSum = regressionSum + regressionEstimate regressionCount = regressionCount + 1 NEXT   // Promedio de las estimaciones IF regressionCount > 0 THEN trendAdjustedMA = regressionSum / regressionCount ELSE trendAdjustedMA = baseMA // En caso de error, usar la media móvil base ENDIF   // Modo 1: TAMA ponderada linealmente ELSIF mode = 1 THEN regressionSum = 0 weightSum = 0 FOR i = 1 TO Per DO weight = i / (Per * (Per + 1) / 2) // Peso lineal regressionSum = regressionSum + ($regressionArray[i] * weight) weightSum = weightSum + weight NEXT IF weightSum > 0 THEN trendAdjustedMA = regressionSum / weightSum ELSE trendAdjustedMA = baseMA // Respaldo en caso de error ENDIF   // Modo 2: TAMA basada en cuantiles ELSIF mode = 2 THEN ArraySort($regressionArray, ASCEND) // Ordenar los valores IF IsSet($regressionArray[Per]) THEN cuantilIndex = FLOOR(aggFunc * (Per - 1)) + 1 // Índice del cuantil trendAdjustedMA = $regressionArray[cuantilIndex] ELSE trendAdjustedMA = baseMA // Respaldo en caso de error ENDIF ENDIF   // Devolución de resultados RETURN baseMA COLOURED("blue") AS "Media Base", trendAdjustedMA COLOURED("red") AS "TAMA"

   

   

  

  Iván

  Moderator

  Topics: 0

  Replies: 1180

  Been thanked: 427 times
• Author
  Posts