فیلتر بالاگذر چیست؟ کاربرد High-Pass Filter در تحلیل چرخه بازار

فیلتر بالاگذر یا High-Pass Filter یکی از ابزارهای مهم پردازش سیگنال است که مؤلفه‌های کم‌فرکانس را تضعیف می‌کند و مؤلفه‌های پرفرکانس را نسبت به آنها بهتر حفظ می‌کند.
در تحلیل بازارهای مالی، از این ویژگی می‌توان برای کاهش اثر حرکت‌های آهسته، حذف یا تضعیف روند و بررسی نوسان‌های سریع‌تر قیمت استفاده کرد.
بااین‌حال، فیلتر بالاگذر به‌تنهایی مشخص نمی‌کند کدام نوسان ناشی از یک چرخه قابل‌تحلیل است و کدام نوسان به نویز یا تغییرات نامنظم بازار مربوط می‌شود.

فیلتر پایین‌گذر یا Low-Pass Filter یکی از مهم‌ترین ابزارهای پردازش سیگنال است که برای حفظ نسبی مؤلفه‌های کم‌فرکانس و تضعیف مؤلفه‌های پرفرکانس طراحی می‌شود.
در بازارهای مالی، این ویژگی معمولاً به شکل کاهش نوسان‌های سریع و نمایش هموارتر حرکت قیمت ظاهر می‌شود.
میانگین‌های متحرک ساده (SMA)، میانگین‌های متحرک نمایی (EMA) و بعضی فیلترهای پیشرفته مانند SuperSmoother از نمونه‌های فیلتر پایین‌گذر هستند.
اما نکته اصلی این است که هموارسازی قیمت با کشف چرخه یا پیش‌بینی جهت آینده بازار یکسان نیست.

فیلتر در تحلیل چرخه ابزاری ریاضی است که برای تغییر سهم مؤلفه‌های مختلف یک سری زمانی به کار می‌رود. در بازارهای مالی، فیلترها می‌توانند نوسان‌های سریع را تضعیف کنند، حرکت‌های آهسته‌تر را برجسته سازند یا توجه تحلیلگر را به محدوده مشخصی از فرکانس‌ها معطوف کنند.
میانگین‌های متحرک از شناخته‌شده‌ترین نمونه‌های فیلتر در تحلیل تکنیکال هستند. اما کاربرد پردازش سیگنال بسیار گسترده‌تر از هموارسازی ساده قیمت است.

میانگین‌های متحرک کوتاه‌مدت و بلندمدت دو روش متفاوت برای مشاهده رفتار قیمت در مقیاس‌های زمانی مختلف هستند. میانگین کوتاه به تغییرات جدید حساس‌تر است؛ درحالی‌که میانگین بلند، نوسان‌های بیشتری را هموار می‌کند و تصویر آهسته‌تری از حرکت قیمت ارائه می‌دهد.
مقایسه این دو میانگین به تحلیلگر کمک می‌کند رابطه حرکت‌های کوتاه‌مدت با ساختار هموارتر بازار را بررسی کند.
اما یک پرسش مهم وجود دارد:
آیا اختلاف میانگین کوتاه و بلند واقعاً اختلاف فاز چرخه‌های بازار را نشان می‌دهد؟

تأخیر میانگین‌های متحرک یکی از مهم‌ترین ویژگی‌های این ابزارها در تحلیل تکنیکال و تحلیل چرخه‌ای بازار است. میانگین متحرک با استفاده از داده‌های قیمت، نوسان‌ها را هموار می‌کند؛ اما در این فرایند ممکن است تغییرات بازار دیرتر در خروجی آن منعکس شوند.
به‌طور معمول،میانگین متحرک کوتاه‌مدت نسبت به تغییرات جدید حساس‌تر است و میانگین بلندمدت رفتار هموارتری دارد.
بااین‌حال،برای تحلیل علمی این موضوع باید میان سه مفهوم تفاوت بگذاریم:
تأخیر واکنش به تغییرات قیمت
تأخیر فازی یک مؤلفه نوسانی
تأخیر گروهی یک فیلتر

میانگین متحرک ساده یا Simple Moving Average (SMA) یکی از شناخته‌شده‌ترین ابزارهای تحلیل تکنیکال و پردازش سری‌های زمانی است. این ابزار با محاسبه میانگین تعداد مشخصی از قیمت‌های متوالی، نموداری هموارتر از قیمت خام تولید می‌کند.
ویژگی اصلی SMA این است که تمام داده‌های داخل پنجره محاسباتی وزن یکسانی دارند.
اما در تحلیل چرخه‌ای، اهمیت SMA فراتر از هموارسازی نمودار است. این میانگین بر دامنه و فاز مؤلفه‌های نوسانی اثر می‌گذارد و می‌تواند در بررسی رفتار قیمت نسبت به یک مرجع متحرک استفاده شود.

میانگین متحرک (Moving Average) با ترکیب داده‌های گذشته،برخی نوسان‌های سریع قیمت را تضعیف می‌کند و خروجی هموارتری می‌سازد.اما این ابزار نمی‌تواند به‌طور قطعی تشخیص دهد کدام حرکت نویز است و کدام حرکت اطلاعات واقعی بازار را نشان می‌دهد.
از دید پردازش سیگنال،میانگین‌های متحرک استاندارد مانندSMA وEMA نوعی فیلتر پایین‌گذر هستند؛ یعنی معمولاً مؤلفه‌های کم‌فرکانس را بیشتر حفظ می‌کنند و مؤلفه‌های پرفرکانس را تضعیف می‌کنند.
برای درک دقیق این رفتار باید تفاوت میان نویز، فرکانس،دامنه و دوره چرخه را بشناسیم.

میانگین متحرک (Moving Average) یکی از ابزارهای پایه‌ای تحلیل تکنیکال و پردازش سیگنال است که با میانگین‌گیری از قیمت‌های گذشته، یک سری زمانی هموارتر تولید می‌کند. هدف اصلی آن کاهش اثر بخشی از نوسان‌های سریع و ساده‌ترکردن مشاهده تغییرات قیمت در مقیاس زمانی انتخاب‌شده است.
اما میانگین متحرک فقط یک خط روی نمودار نیست.
از دید تحلیل چرخه‌ای، میانگین متحرک یک فیلتر است که می‌تواند دامنه مؤلفه‌های نوسانی را تغییر دهد، میان آنها تأخیر ایجاد کند و بر موقعیت فازی سیگنال اثر بگذارد.

فاز صفر (Zero Phase) نقطه مرجعی در یک مدل چرخه‌ای است که اندازه‌گیری موقعیت زاویه‌ای چرخه از آن آغاز می‌شود. این نقطه معمولاً با زاویه صفر درجه یا صفر رادیان نمایش داده می‌شود و مبنایی برای محاسبه سایر موقعیت‌های فازی مانند ۹۰، ۱۸۰ و ۲۷۰ درجه است.
در تحلیل چرخه‌ای بازار، فاز صفر به ما کمک می‌کند زمان و موقعیت نسبی مؤلفه‌های نوسانی را با یک قرارداد مشخص بررسی کنیم.

هم‌فازی چرخه‌های کوتاه، میان‌مدت و بلند به بررسی رابطه موقعیت فازی چند مؤلفه نوسانی با دوره‌های متفاوت گفته می‌شود. در تحلیل چندمقیاسی بازار، این بررسی کمک می‌کند بفهمیم مؤلفه‌های سریع‌تر و کندتر چگونه با یکدیگر ترکیب می‌شوند و چه اثری بر شکل نوسان نهایی دارند.
وقتی چند چرخه از نظر فازی به یکدیگر نزدیک می‌شوند، ممکن است سهم آنها در سیگنال ترکیبی تقویت شود. اما اگر دوره‌های متفاوتی داشته باشند، این هماهنگی معمولاً موقتی است.