Moving Average In Python

Dies ist ein Python-Wrapper für TA-LIB basierend auf Cython statt SWIG. Von der Homepage: TA-Lib ist weit verbreitet durch den Handel Software-Entwickler, die eine technische Analyse der Finanzmarktdaten durchführen. Es enthält 150 Indikatoren wie ADX, MACD, RSI, Stochastik, Bollinger Bänder usw. Candlestick Mustererkennung Open Source API für CC, Java, Perl, Python und 100 Managed. NET Die ursprünglichen Pythonbindungen verwenden SWIG, die leider schwer zu installieren sind Und arent so effizient wie sie sein konnten. Daher werden in diesem Projekt Cython und Numpy effizient und sauber an TA-Lib gebunden, was 2-4 mal schneller als die SWIG-Schnittstelle resultiert. TA-Lib installieren oder Docs lesen Ähnlich wie TA-Lib bietet die Funktionsschnittstelle einen leichten Wrapper der exponierten TA-Lib-Anzeigen. Jede Funktion gibt ein Ausgabearray zurück und hat Vorgabewerte für ihre Parameter, sofern sie nicht als Schlüsselwortargumente angegeben sind. Typischerweise haben diese Funktionen eine anfängliche Rückblickperiode (eine erforderliche Anzahl von Beobachtungen, bevor ein Ausgang erzeugt wird) auf NaN gesetzt. Alle folgenden Beispiele verwenden die Funktion API: Berechnen Sie einen einfachen gleitenden Durchschnitt der engen Preise: Berechnen von Bollinger-Bändern mit dreifach exponentiellem gleitenden Durchschnitt: Berechnen der Momentum der engen Preise mit einem Zeitraum von 5: Zusammenfassung API Quick Start Wenn youre Die bereits mit der Funktion API vertraut sind, sollten Sie sich mit der abstrakten API zu Hause fühlen. Jede Funktion übernimmt dieselbe Eingabe, die als Wörterbuch von Numpy-Arrays übergeben wird: Funktionen können entweder direkt importiert oder mit Namen instanziiert werden: Von dort aus ist die Aufruffunktion grundsätzlich die gleiche wie die Funktions-API: Hier erfahren Sie mehr über die erweiterte Nutzung von TA-Lib . Unterstützte Indikatoren Alle von TA-Lib unterstützten TA-Funktionen können entweder als Liste oder als Diktat nach Gruppen sortiert dargestellt werden (zB Overlap Studies, Momentum Indicators etc.): FunktionsgruppenGegeben einer Zeitreihe xi möchte ich eine gewichtete Berechnung berechnen Gleitenden Durchschnitt mit einem Mittelungsfenster von N Punkten, wobei die Gewichtungen für jüngere Werte über ältere Werte sprechen. Bei der Wahl der Gewichte verwende ich die bekannte Tatsache, daß eine geometrische Reihe gegen 1 konvergiert, d. H. Sum (frac) k, sofern unendlich viele Begriffe genommen werden. Um eine diskrete Zahl von Gewichtungen zu erhalten, die zu einer Einheit summieren, nehme ich einfach die ersten N-Terme der geometrischen Reihe (frac) k und normalisiere dann ihre Summe. Bei N4 ergeben sich zum Beispiel die nicht normierten Gewichte, die nach Normalisierung durch ihre Summe ergibt. Der gleitende Mittelwert ist dann einfach die Summe aus dem Produkt der letzten 4 Werte gegen diese normierten Gewichte. Diese Methode verallgemeinert sich in der offensichtlichen Weise zu bewegten Fenstern der Länge N und scheint auch rechnerisch einfach. Gibt es einen Grund, diese einfache Methode nicht zu verwenden, um einen gewichteten gleitenden Durchschnitt mit exponentiellen Gewichten zu berechnen, frage ich, weil der Wikipedia-Eintrag für EWMA komplizierter erscheint. Was mich fragt, ob die Lehrbuch-Definition von EWMA hat vielleicht einige statistische Eigenschaften, die die obige einfache Definition nicht oder sind sie in der Tat gleichwertig sind, beginnen Sie mit 1), dass es keine ungewöhnlichen Werte Und keine Pegelverschiebungen und keine Zeittrends und keine saisonalen Dummies 2), dass das optimale gewichtete Mittel Gewichte aufweist, die auf eine gleichmäßige Kurve fallen, die durch einen Koeffizienten 3 beschreibbar ist), dass die Fehlerabweichung konstant ist, dass es keine bekannten Ursachenreihen gibt Annahmen. Ndash IrishStat Okt 1 14 am 21:18 Ravi: In dem gegebenen Beispiel ist die Summe der ersten vier Ausdrücke 0,9375 0,06250,1250.250,5. Die ersten vier Ausdrücke haben also 93,8 des Gesamtgewichts (6,2 ist im abgeschnittenen Schwanz). Verwenden Sie diese, um normierte Gewichte zu erhalten, die zu einer Einheit durch Reskalierung (dividieren) um 0,9375 zusammenkommen. Dies ergibt 0,06667, 0,1333, 0,267, 0,5333. Ndash Assad Ebrahim Ich habe festgestellt, dass die Berechnung der exponentiell gewichteten laufenden Durchschnitte mit overline leftarrow overline alpha (x - overline), alphalt1 ist eine einfache einzeilige Methode, die leicht, wenn auch nur annähernd interpretierbar in Bezug auf Eine effektive Anzahl von Proben Nalpha (vergleichen Sie diese Form an die Form für die Berechnung der laufenden Mittelwert), erfordert nur das aktuelle Datum (und den aktuellen Mittelwert), und ist numerisch stabil. Technisch integriert dieser Ansatz alle Geschichte in den Durchschnitt. Die beiden Hauptvorteile bei der Verwendung des Vollfensters (im Gegensatz zum verkürzten, in der Frage diskutierten) liegen darin, dass es in einigen Fällen die analytische Charakterisierung der Filterung erleichtern kann, und es reduziert die Fluktuationen, die bei sehr großen (oder kleinen) Daten induziert werden Wert ist Teil des Datensatzes. Zum Beispiel betrachten das Filter-Ergebnis, wenn die Daten sind alle Null, außer für ein Datum, dessen Wert 106. beantwortet Nov 29 12 bei 0:33