Les modèles statistiques montrent que la moyenne est la meilleure métrique pour représenter le paramètre de position d’un ensemble de données. De nombreux types de moyennes mobiles et de filtres numériques ont été présentés à ce jour pour mesurer ce paramètre.  Je propose une solution originale à ce problème à travers le filtre de Carnazzi.

Ce filtre a été conçu pour combiner les qualités des filtres gaussiens et Butterworth en une seule métrique. Dans les filtres conventionnels, plus le niveau de filtrage est élevé, plus la latence est importante. Nous utilisons ici une technique innovante pour contourner ce problème : au lieu d’augmenter le niveau de filtrage avec la période de coupure, nous utilisons le décalage de fréquence. Cette technique offre une réactivité exceptionnelle, tout en maintenant le dépassement au minimum. Tout ceci aboutit à un filtre aussi lisse qu’un filtre de Butterworth ou même de Laguerre, tout en conservant la même réactivité (et même mieux !) qu’un filtre gaussien.

Afin de mesurer les performances de ce filtre par rapport à un filtre gaussien classique, un filtre de Butterworth, la moyenne mobile d’Arnaud Legoux (ALMA), ou la moyenne mobile de Hull, je vous laisse consulter les benchmarks fournis ci-dessous. Le filtre de Carnazzi possède également de bonnes propriétés de calcul puisqu’il se calcule extrêmement rapidement, notamment par rapport à l’ALMA.

Le filtre de Carnazzi fournit la meilleure représentation d’une fonction échelon :

Il gère également très bien les grands écarts de prix :

Il suit agréablement et précisément les mouvements doux du prix, même avec des paramètres de grande période :

Je suis sûr que cet outil vous apportera la plus grande satisfaction et je vous souhaite un excellent trading.

Meilleures salutations,

Bruno.