Eu tenho um intervalo de datas e uma medição em cada uma dessas datas. Eu gostaria de calcular uma média móvel exponencial para cada uma das datas. Alguém sabe como fazer isso Im novo para python. Não parece que as médias são construídas na biblioteca padrão do python, o que me parece um pouco estranho. Talvez eu não esteja procurando no lugar certo. Então, dado o seguinte código, como eu poderia calcular a média móvel ponderada dos pontos de QI para datas de calendário (provavelmente há uma maneira melhor de estruturar os dados, qualquer conselho seria apreciado) perguntou 28 de janeiro às 18:01 Meu python é um Um pouco enferrujado (qualquer um pode se sentir livre para editar este código para fazer correções, se eu magoado a sintaxe de alguma forma), mas aqui vai. Esta função move-se para trás, do fim da lista para o início, calculando a média móvel exponencial para cada valor trabalhando para trás até que o coeficiente de peso para um elemento seja menor do que a dada epsilon. No final da função, inverte os valores antes de retornar a lista (para que eles estão na ordem correta para o chamador). (NOTA LATERAL: se eu estivesse usando uma linguagem diferente de python, eu criaria uma matriz vazia de tamanho completo primeiro e, em seguida, preenchê-la para trás-ordem, de modo que eu não teria que inverter no final. Mas eu não acho que você pode declarar Uma grande matriz vazia em python. E em listas de python, acrescentando é muito menos caro do que prepending, é por isso que eu construí a lista na ordem inversa. Por favor, corrija-me se estou errado.) O argumento alfa é o fator de decaimento em cada iteração. Por exemplo, se você usou um alfa de 0,5, então o valor da média móvel de hoje seria composto dos seguintes valores ponderados: Claro, se você tem uma grande variedade de valores, os valores de dez ou quinze dias não vão contribuir muito Média ponderada de hoje. O argumento epsilon permite definir um ponto de corte, abaixo do qual você deixará de se preocupar com valores antigos (já que sua contribuição para o valor de hoje será insignificante). Youd invocar a função algo como isto: Eu não sei Python, mas para a parte de média, você quer dizer um filtro de passagem decrescente decrescente exponencialmente da forma onde alfa dttau, dt o timestep do filtro , Tau a constante de tempo do filtro (a variável-timestep forma deste é o seguinte, basta clipe dttau para não ser mais do que 1,0) Se você quiser filtrar algo como uma data, certifique-se de converter em uma quantidade de ponto flutuante Como de segundos desde 01 de janeiro de 1970. Respondeu Jan 28 09 at 18:10 Eu encontrei o trecho de código acima pelo earino muito útil - mas eu precisava de algo que poderia continuamente suave um fluxo de valores - então eu refatorado-lo para isso: e eu uso Ele gosta disto: (onde pin. read () produz o próximo valor Id como consumir). Respondeu Feb 12 14 at 20:35 Im sempre calculando EMAs com Pandas: Aqui está um exemplo de como fazê-lo: Mais informações sobre Pandas EWMA: respondido Oct 4 15 at 12:42 Don39t versões mais recentes de Pandas têm novas e melhores funções. Ndash Cristian Ciupitu May 11 16 at 14:10 Note que ao contrário em sua planilha, eu não calcular o SMA, e eu não espero para gerar o EMA após 10 amostras. Isso significa que meus valores diferem ligeiramente, mas se você o traçar, ele segue exatamente após 10 amostras. Durante as primeiras 10 amostras, o EMA que eu calculo é adequadamente suavizado. Hmmm, parece que este citar para implementar a função é realmente muito fácil de errar e tem promovido uma boa discussão sobre a eficiência da memória. I39m feliz por ter bloat se isso significa saber que something39s sido feito direito. Ndash Richard Sep 20 14 at 19:23 NumPys falta de uma determinada função específica do domínio é talvez devido à disciplina de Equipes Core e fidelidade à diretiva Prime NumPys: fornecer um tipo de matriz N-dimensional. Bem como funções para criar e indexar essas matrizes. Como muitos objetivos fundacionais, este não é pequeno, e NumPy faz isso brilhantemente. O SciPy (muito maior) contém uma coleção muito maior de bibliotecas específicas de domínio (chamadas subpacotes por SciPy devs) - por exemplo, otimização numérica, processamento de sinal (sinal) e cálculo integral (integrar). Minha suposição é que a função que você está depois está em pelo menos um dos subpáginas SciPy (scipy. signal talvez) no entanto, eu iria olhar primeiro na coleção de scikits SciPy. Identificar o (s) scikit (s) relevante (s) e procurar a função de interesse lá. Scikits são desenvolvidos independentemente pacotes baseados em NumPySciPy e dirigidos a uma determinada disciplina técnica (por exemplo, scikits-image. Scikits-learn, etc.) Vários destes foram (em particular, o incrível OpenOpt para otimização numérica) foram altamente considerados, projetos maduros longo Antes de escolher para residir sob a rubrica relativamente nova scikits. A página inicial do Scikits gostava de listar cerca de 30 scikits como esse. Embora pelo menos alguns deles não estejam mais em desenvolvimento ativo. Seguindo este conselho levaria você a scikits-timeseries no entanto, que o pacote não está mais em desenvolvimento ativo Em efeito, Pandas tornou-se, AFAIK, a biblioteca de série de facto NumPy-baseado. Pandas tem várias funções que podem ser usadas para calcular uma média móvel, o mais simples destes é provavelmente rollingmean. Que você usa assim: Agora, basta chamar a função rollingmean passando no objeto Series e um tamanho de janela. Que no meu exemplo abaixo é de 10 dias. Verificar que funcionou - por exemplo. Os valores comparados 10 - 15 na série original versus a nova série alisada com média de rolamento A função rollingmean, juntamente com cerca de uma dúzia de outras funções são agrupadas informalmente na documentação Pandas sob a rubrica move janela funciona um segundo grupo relacionado de funções Em Pandas é referido como funções exponencialmente ponderadas (eg ewma., Que calcula a média ponderada exponencialmente em movimento). O fato de que este segundo grupo não está incluído na primeira (funções de janela em movimento) é talvez porque as transformações ponderadas exponencialmente não dependem de uma janela de comprimento fixoMemória móvel exponencial - EMA BREAKING DOWN Média móvel exponencial - EMA O 12- e 26- Dia EMAs são as mais populares médias de curto prazo, e eles são usados para criar indicadores como a divergência de convergência média móvel (MACD) eo oscilador de preço percentual (PPO). Em geral, as EMA de 50 e 200 dias são usadas como sinais de tendências de longo prazo. Traders que empregam análise técnica encontrar médias móveis muito útil e perspicaz quando aplicado corretamente, mas criar havoc quando usado de forma inadequada ou são mal interpretados. Todas as médias móveis normalmente utilizadas na análise técnica são, pela sua própria natureza, indicadores atrasados. Conseqüentemente, as conclusões tiradas da aplicação de uma média móvel a um gráfico de mercado específico devem ser para confirmar um movimento de mercado ou para indicar sua força. Muitas vezes, quando uma linha de indicadores de média móvel fez uma alteração para refletir uma mudança significativa no mercado, o ponto ótimo de entrada no mercado já passou. Um EMA serve para aliviar este dilema em certa medida. Porque o cálculo EMA coloca mais peso sobre os dados mais recentes, ele abraça a ação de preço um pouco mais apertado e, portanto, reage mais rápido. Isto é desejável quando um EMA é usado para derivar um sinal de entrada de negociação. Interpretando a EMA Como todos os indicadores de média móvel, eles são muito mais adequados para mercados de tendências. Quando o mercado está em uma tendência de alta forte e sustentada. A linha de indicador EMA também mostrará uma tendência de alta e vice-versa para uma tendência de baixa. Um comerciante vigilante não só prestar atenção à direção da linha EMA, mas também a relação da taxa de mudança de uma barra para a próxima. Por exemplo, à medida que a ação de preço de uma forte tendência de alta começar a se nivelar e reverter, a taxa de mudança da EMA de uma barra para a próxima começará a diminuir até que a linha de indicador se aplana ea taxa de mudança seja zero. Devido ao efeito retardado, por este ponto, ou mesmo algumas barras antes, a ação do preço deve já ter invertido. Portanto, segue-se que a observação de uma diminuição consistente da taxa de variação da EMA poderia ser utilizada como um indicador que pudesse contrariar o dilema causado pelo efeito retardado das médias móveis. Usos comuns do EMA EMAs são comumente usados em conjunto com outros indicadores para confirmar movimentos significativos do mercado e para avaliar a sua validade. Para os comerciantes que negociam intraday e mercados em rápido movimento, o EMA é mais aplicável. Muitas vezes os comerciantes usam EMAs para determinar um viés de negociação. Por exemplo, se um EMA em um gráfico diário mostra uma forte tendência ascendente, uma estratégia de comerciantes intraday pode ser o comércio apenas a partir do lado longo em um gráfico intraday.
No comments:
Post a Comment