Bei den fortgeschrittenen Vertretern aus der Familie der Gleitenden Durchschnitte kommt – wie in den entsprechenden Beiträgen nachzulesen – ein Gewichtungsfaktor zum Einsatz, der die Verzögerungskomponente des Konzepts reduzieren soll. Grundsätzliches Problem bei den bisher betrachteten Indikatorausprägungen ist die Tatsache, dass der Gewichtungsfaktor unabhängig von der aktuellen Marktsituation unveränderlich ist, in hektischen Marktphasen also genauso reagiert wie in ruhigen.

Diesem Nachteil entgegen zu treten versucht wird mit sog. adaptiven Indikatoren, zu denen auch der auf P. Kaufman zurückgehende Adaptive Moving Average (AMA) gehört. Grundlegendes Anliegen aller adaptiven Indikatorenansätze ist eine Anpassung von Berechnungslänge oder Gewichtung des Indikators an die aktuellen Marktbedingungen mit dem Ziel reagible Indikatorensysteme zu schaffen, deren Werte die Veränderung der Schwankungsintensität des Basistitels nachvollziehen.

Bekannte Praxisbeispiele aus der Familie der adaptiven Indikatoren sind der Dynamic Momentum Index und der Variable Index Dynamic Average. Aufgrund der gemessen Schwankungsintensität erfolgt eine stetige Anpassung von Berechnungslänge bzw. Gewichtungseinstellung. Beide angeführten Ansätze haben das Ziel gemeinsam, dass der Indikator während hektischer Marktphasen schneller reagiert, Kursbewegungen also eher nachvollzieht, in Seitwärtsmärkten hingegen ist eine langsamere Reaktion und damit ein trägeres Nachfolgen gegenüber dem Basiswertverlauf erwünscht.

Der Adaptive Moving Average von Kaufman hat nun genau das gegenteilige Ziel wie der im letzten Abschnitt beschriebene Variable Index Dynamic Average. Gemeinsam ist beiden Ansätzen die Verwendung eines exponentiellen Durchschnitts als Basis, Kaufman wollte jedoch einen Trendfilter in der Form schaffen, dass der Indikator während ruhiger Marktphasen sich träger verhält als in ausgeprägten Trendmärkten. Erreicht wird dies durch eine Änderung des Gewichtungsfaktors bei der Berechnung des exponentiellen Durchschnitts.

Die rechnerische Herleitung des AMA ist nicht ganz einfach und soll an dieser Stelle nicht näher vertieft werden. Es sei in diesem Zusammenhang lediglich angemerkt, dass die sog. Efficiency-Ratio für die Skalierung des Gewichtungsfaktors verantwortlich zeichnet. Hierbei handelt es sich um das Verhältnis zwischen Nettokursbewegung (absolute Kursveränderung in der Betrachtungsspanne) und Bruttokursbewegung (Gesamtsumme aller Kursveränderungen in der Betrachtungsspanne). Die Efficiency-Ratio ist ein gutes Maß ob bestimmte Kursbewegungen gleichmäßig verlaufen sind (Ratio nahe 1) oder ein sehr volatiler Verlauf zu verzeichnen war (Ratio tendiert gegen 0).

Der Gewichtungsfaktor, dessen konkrete Errechnung wie gesagt außen vor bleiben soll, zeichnet verantwortlich für die Reagibilität des Indikators, hohe Trendeffizienz geht mit einem hohen Gewichtungsfaktor einher, niedrige entsprechend mit einem niedrigen. Zusammenfassend betrachtet lässt sich feststellen, dass der Adaptive Moving Average in der Familie der Gleitende Durchschnitte den am besten geeigneten Trendfilter darstellt obwohl auch hier konzeptbedingt die zeitliche Verzögerungskomponente enthalten ist.

Eine besonders kreative Fortführung stellt der Fractal Adaptive Moving Average (FRAMA) dar. Dieser Indikator geht auf John Ehlers zurück, der sich sich mathematischen Methoden zur Zyklusanalyse und Signalfilterung verschrieben hat. Auf Basis eines exponentiellen gleitenden Durchschnitts berechnet Ehlers die Fraktakle Dimension N mit dem Ziel der Anpassung des Gewichtungsfaktor an die vorherrschende Volatilität und den Kurstrend. Das Ergebnis ist ein Indikator, der während trendstabiler Phasen sehr schnell auf Richtungsänderungen reagiert, in volatilen Seitwärtsmärkten sich aber sehr träge verhält.