Python De Média Ponderada

Este é um wrapper Python para TA-LIB com base em Cython em vez de SWIG. Na página inicial: a TA-Lib é amplamente utilizada pelos desenvolvedores de software que exigem a análise técnica dos dados do mercado financeiro. Inclui 150 indicadores como ADX, MACD, RSI, estocástico, Bandas Bollinger, etc. Reconhecimento de padrão de castiçal API de fonte aberta para CC, Java, Perl, Python e 100 Managed. NET. As ligações originais de Python usam SWIG que, infelizmente, são difíceis de instalar. E não são tão eficientes quanto poderiam ser. Portanto, este projeto usa Cython e Numpy para se conectar de forma eficiente e limpa a TA-Lib - produzindo resultados 2-4 vezes mais rápido do que a interface SWIG. Instale o TA-Lib ou Leia os Documentos Semelhantes ao TA-Lib, a interface da função fornece um invólucro leve dos indicadores expostos do TA-Lib. Cada função retorna uma matriz de saída e tem valores padrão para seus parâmetros, a menos que especificado como argumentos de palavras-chave. Normalmente, essas funções terão um período de lookback inicial (um número necessário de observações antes que uma saída seja gerada) configurado para NaN. Todos os exemplos a seguir usam a função API: Calcule uma média móvel simples dos preços de fechamento: Cálculo de bandas de bollinger, com média móvel exponencial tripla: Cálculo do momento dos preços de fechamento, com um período de tempo de 5: Inicialização da API Resumo Se você estiver Já familiarizado com o uso da função API, você deve se sentir em casa usando a API abstrata. Cada função leva a mesma entrada, passada como um dicionário de matrizes Numpy: as funções podem ser importadas diretamente ou instanciadas pelo nome: a partir daí, as funções de chamada são basicamente as mesmas que a função API: Saiba mais sobre o uso mais avançado do TA-Lib aqui . Indicadores suportados Podemos mostrar todas as funções TA suportadas pelo TA-Lib, seja como uma lista ou como um orden ordenado por grupo (por exemplo, Estudos de Sobreposição, Indicadores de Momento, etc.): Grupos de Função Com uma série de tempo xi, eu quero calcular uma ponderada Média móvel com uma janela média de N pontos, onde as ponderações favorecem valores mais recentes sobre valores mais antigos. Ao escolher os pesos, estou usando o fato familiar de que uma série geométrica converge para 1, ou seja, soma (frac) k, desde que sejam tomadas infinitamente muitos termos. Para obter um número discreto de pesos que somam a unidade, estou simplesmente tomando os primeiros N termos da série geométrica (frac) k e depois normalizando por sua soma. Quando N4, por exemplo, isso dá os pesos não normalizados que, depois de normalizar por sua soma, dão. A média móvel é então simplesmente a soma do produto dos últimos 4 valores em relação a esses pesos normalizados. Este método é generalizado da maneira óbvia para mover janelas de comprimento N, e também parece computacionalmente fácil. Existe algum motivo para não usar esta maneira simples de calcular uma média móvel ponderada usando pesos exponenciais que eu pergunto porque a entrada da Wikipedia para EWMA parece mais complicada. O que me faz pensar se a definição do livro de texto da EWMA talvez tenha algumas propriedades estatísticas que a definição simples acima não seja ou são de fato equivalentes pediram 28 de novembro às 23:53 Para começar, você está assumindo 1) que não existem valores incomuns E sem mudanças de nível e sem tendências de tempo e sem dummies sazonais 2) que a média ponderada ótima tem pesos que caem em uma curva suave descritível por 1 coeficiente 3) que a variância do erro é constante que não há séries causais conhecidas Por que todos os premissas. Ndash IrishStat 1 de outubro 14 às 21:18 Ravi: No exemplo dado, a soma dos primeiros quatro termos é 0.9375 0.06250.1250.250.5. Assim, os primeiros quatro termos detém 93,8 do peso total (6,2 está na cauda truncada). Use isso para obter pesos normalizados que somam a unidade por meio de uma atualização (dividindo) por 0.9375. Isto dá 0.06667, 0.1333, 0.2667, 0.5333. Ndash Assad Ebrahim 1 de outubro 14 às 22:21 Eu descobri que a computação de médias correntes ponderadas exponetially usando overline leftarrow overline alpha (x-overline), alphalt1 é um método simples de uma linha, que é facilmente, se apenas aproximadamente, interpretável em termos de Um número efetivo de amostras Nalpha (compare esse formulário com o formulário para calcular a média de corrida), requer apenas o datum atual (e o valor médio atual) e é numericamente estável. Tecnicamente, essa abordagem incorpora toda a história na média. As duas principais vantagens para o uso da janela completa (em oposição ao truncado discutido na questão) são que, em alguns casos, pode facilitar a caracterização analítica da filtragem e reduz as flutuações induzidas se um dado muito grande (ou pequeno) O valor é parte do conjunto de dados. Por exemplo, considere o resultado do filtro se os dados forem todos zero exceto para um dado cujo valor é 106. respondido 29 de novembro às 0:33