python实现技术指标(简单移动平均,加权移动平均线,指数移动平均线)

本文主要是介绍python实现技术指标(简单移动平均,加权移动平均线,指数移动平均线),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

移动平均线是最常见的技术指标,它能够去除时间序列的短期波动,使得数据变得平滑,从而可以方便看出序列的趋势特征。常见的移动平均线有简单移动平均线,加权移动平均线,指数移动平均线。

一. 简单移动平均(SMA)

简单移动平均线(Simple Moving Average),很好理解,就是将过去n个窗口内的价格进行算术平均
S M A t ( n ) = 1 n ( X t − n + 1 + X t − n + 2 + . . . + X t ) SMA_t(n) = \frac{1}{n}(X_{t-n+1} + X_{t-n+2} + ... + X_t) SMAt(n)=n1(Xtn+1+Xtn+2+...+Xt)

以下是贵州茅台从 2018.6.1 2018.6.1 2018.6.1 2019.12.31 2019.12.31 2019.12.31收盘价的简单移动平均线。

import pandas as pd
import baostock as bs
import matplotlib.pyplot as pltdef get_data(code, start_date, end_date):lg = bs.login()rs = bs.query_history_k_data_plus(code,"date,code,open,high,low,close,volume",start_date=start_date, end_date=end_date,frequency="d", adjustflag="3")data_list = []while (rs.error_code == '0') & rs.next():data_list.append(rs.get_row_data())result = pd.DataFrame(data_list, columns=rs.fields)bs.logout()result['date'] = pd.to_datetime(result['date'])result['open'] = result['open'].astype(float)result['high'] = result['high'].astype(float)result['low'] = result['low'].astype(float)result['close'] = result['close'].astype(float)result['volume'] = result['volume'].astype(float)result.set_index(result['date'], inplace=True)return resultif __name__ == '__main__':data = get_data('sh.600519', '2018-06-01', '2019-12-31')data['SMA10'] = data['close'].rolling(10).mean()data['SMA20'] = data['close'].rolling(20).mean()fig = plt.figure(figsize=(20, 10))ax = fig.add_subplot()ax.plot(data.index, data['close'], linestyle='--', label='close')ax.plot(data.index, data['SMA10'], label='SMA10')ax.plot(data.index, data['SMA20'], label='SMA20')ax.legend()plt.show()

在这里插入图片描述

二. 加权移动平均(WMA)

加权移动平均(Weighted Moving Average)在计算平均值时,对最近的数据赋予的权重比历史数据的权重要大。
W M A ( n ) t = n X t + ( n − 1 ) X t − 1 + . . . + 2 X t − n + 2 + X t − n + 1 n + ( n − 1 ) + . . . + 2 + 1 WMA(n)_t = \frac{nX_t + (n-1)X_{t-1} + ... + 2X_{t-n+2} + X_{t-n+1}}{n + (n - 1) + ...+ 2 + 1} WMA(n)t=n+(n1)+...+2+1nXt+(n1)Xt1+...+2Xtn+2+Xtn+1

以下是贵州茅台从 2018.6.1 2018.6.1 2018.6.1 2019.12.31 2019.12.31 2019.12.31收盘价的加权移动平均线。

import numpy as np
import pandas as pd
import baostock as bs
import matplotlib.pyplot as pltdef get_data(code, start_date, end_date):lg = bs.login()rs = bs.query_history_k_data_plus(code,"date,code,open,high,low,close,volume",start_date=start_date, end_date=end_date,frequency="d", adjustflag="3")data_list = []while (rs.error_code == '0') & rs.next():data_list.append(rs.get_row_data())result = pd.DataFrame(data_list, columns=rs.fields)bs.logout()result['date'] = pd.to_datetime(result['date'])result['open'] = result['open'].astype(float)result['high'] = result['high'].astype(float)result['low'] = result['low'].astype(float)result['close'] = result['close'].astype(float)result['volume'] = result['volume'].astype(float)result.set_index(result['date'], inplace=True)return resultif __name__ == '__main__':data = get_data('sh.600519', '2018-06-01', '2019-12-31')n = 10weights = np.array(range(1, n + 1))weights_sum = np.sum(weights)data['WMA10'] = data['close'].rolling(window=n, min_periods=n).apply(lambda x: np.sum(x * weights) / weights_sum)fig = plt.figure(figsize=(20, 10))ax = fig.add_subplot()ax.plot(data.index, data['close'], linestyle='--', label='close')ax.plot(data.index, data['WMA10'], label='WMA10')ax.legend()plt.show()

在这里插入图片描述

三. 指数移动平均(EMA)

指数移动平均(Exponential Moving Average)跟加权移动平均类似,只是它对最近的数据赋予了更高的权重。
E M A t = α X t + ( 1 − α ) E M A t − 1 EMA_t = {\alpha}X_t + (1-\alpha)EMA_{t-1} EMAt=αXt+(1α)EMAt1
α \alpha α一般取 2 / ( n + 1 ) 2/(n + 1) 2/(n+1), n n n为数据序列长度,pandas中计算EMA一般可以使用ewm方法。

以下是贵州茅台从 2018.6.1 2018.6.1 2018.6.1 2019.12.31 2019.12.31 2019.12.31收盘价的指数移动平均线。

import numpy as np
import pandas as pd
import baostock as bs
import matplotlib.pyplot as pltdef get_data(code, start_date, end_date):lg = bs.login()rs = bs.query_history_k_data_plus(code,"date,code,open,high,low,close,volume",start_date=start_date, end_date=end_date,frequency="d", adjustflag="3")data_list = []while (rs.error_code == '0') & rs.next():data_list.append(rs.get_row_data())result = pd.DataFrame(data_list, columns=rs.fields)bs.logout()result['date'] = pd.to_datetime(result['date'])result['open'] = result['open'].astype(float)result['high'] = result['high'].astype(float)result['low'] = result['low'].astype(float)result['close'] = result['close'].astype(float)result['volume'] = result['volume'].astype(float)result.set_index(result['date'], inplace=True)return resultif __name__ == '__main__':data = get_data('sh.600519', '2018-06-01', '2019-12-31')[['date', 'close']]data['EMA10'] = data['close'].ewm(span=10, adjust=True).mean()fig = plt.figure(figsize=(20, 10))ax = fig.add_subplot()ax.plot(data.index, data['close'], linestyle='--', label='close')ax.plot(data.index, data['EMA10'], label='EMA10')ax.legend()plt.show()

在这里插入图片描述

四. 对比三种均线
1. 三种均线的权重对比

从权重思维来看,三种方法都可以认为是加权平均。

  • SMA:权重系数一致
  • WMA:权重系数随时间间隔线性递减
  • EMA:权重系数随时间间隔指数递减

下面通过程序展示三种均线的权重系数的递减情况

import numpy as np
import pandas as pd
import matplotlib.pyplot as pltif __name__ == '__main__':n = 30# 简单移动平均权重weight_sma = np.ones(n)# 加权移动平均weights_wma = range(1, n + 1)weights_wma /= np.sum(weights_wma)weights_wma = weights_wma[::-1]# 指数移动平均alpha = 2 / (n + 1)t = np.array(range(0, n))weights_ema = alpha * (1 - alpha) ** tdf = pd.DataFrame({"SMA30-Weights": weight_sma, "WMA30-Weights": weights_wma, "EMA30-Weights": weights_ema})ax = df.plot.bar(subplots=True, figsize=(16, 6), title=['', '', ''])plt.show()

在这里插入图片描述
从上图中的权重系数随时间间隔衰减情况可以看出,指数移动平均系数衰减较快,也因此一般也能更快的发现趋势的变化。

2. 三种均线可视化

下面展示贵州茅台从2018.6.1到2019.12.31收盘价的三种移动均线。

import numpy as np
import pandas as pd
import baostock as bs
import matplotlib.pyplot as pltdef get_data(code, start_date, end_date):lg = bs.login()rs = bs.query_history_k_data_plus(code,"date,code,open,high,low,close,volume",start_date=start_date, end_date=end_date,frequency="d", adjustflag="3")data_list = []while (rs.error_code == '0') & rs.next():data_list.append(rs.get_row_data())result = pd.DataFrame(data_list, columns=rs.fields)bs.logout()result['date'] = pd.to_datetime(result['date'])result['open'] = result['open'].astype(float)result['high'] = result['high'].astype(float)result['low'] = result['low'].astype(float)result['close'] = result['close'].astype(float)result['volume'] = result['volume'].astype(float)result.set_index(result['date'], inplace=True)return result# 简单移动平均
def sma_demo(data, n):data['SMA20'] = data['close'].rolling(window=n, min_periods=n).mean()return data# 加权移动平均
def wma_demo(data, n):weights = np.array(range(1, n + 1))weights_sum = np.sum(weights)data['WMA20'] = data['close'].rolling(window = n, min_periods=n).apply(lambda x: np.sum(x * weights) / weights_sum)return data# 指数平均
def ema_demo(data, n):data['EMA20'] = data['close'].ewm(span=n, min_periods=n, adjust=True).mean()return dataif __name__ == '__main__':data = get_data('sh.600519', '2018-06-01', '2019-12-31')[['close']]data = sma_demo(data, 20)data = wma_demo(data, 20)data = ema_demo(data, 20)fig = plt.figure(figsize=(30, 20))ax = fig.add_subplot()ax.plot(data.index, data['close'], linestyle='--', label='close')ax.plot(data.index, data['SMA20'], label='SMA20')ax.plot(data.index, data['WMA20'], label='WMA20')ax.plot(data.index, data['EMA20'], label='EMA20')ax.legend()plt.show()

运行结果:
在这里插入图片描述

这篇关于python实现技术指标(简单移动平均,加权移动平均线,指数移动平均线)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1088161

相关文章

揭秘Python Socket网络编程的7种硬核用法

《揭秘PythonSocket网络编程的7种硬核用法》Socket不仅能做聊天室,还能干一大堆硬核操作,这篇文章就带大家看看Python网络编程的7种超实用玩法,感兴趣的小伙伴可以跟随小编一起... 目录1.端口扫描器:探测开放端口2.简易 HTTP 服务器:10 秒搭个网页3.局域网游戏:多人联机对战4.

Java枚举类实现Key-Value映射的多种实现方式

《Java枚举类实现Key-Value映射的多种实现方式》在Java开发中,枚举(Enum)是一种特殊的类,本文将详细介绍Java枚举类实现key-value映射的多种方式,有需要的小伙伴可以根据需要... 目录前言一、基础实现方式1.1 为枚举添加属性和构造方法二、http://www.cppcns.co

使用Python实现快速搭建本地HTTP服务器

《使用Python实现快速搭建本地HTTP服务器》:本文主要介绍如何使用Python快速搭建本地HTTP服务器,轻松实现一键HTTP文件共享,同时结合二维码技术,让访问更简单,感兴趣的小伙伴可以了... 目录1. 概述2. 快速搭建 HTTP 文件共享服务2.1 核心思路2.2 代码实现2.3 代码解读3.

MySQL双主搭建+keepalived高可用的实现

《MySQL双主搭建+keepalived高可用的实现》本文主要介绍了MySQL双主搭建+keepalived高可用的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,... 目录一、测试环境准备二、主从搭建1.创建复制用户2.创建复制关系3.开启复制,确认复制是否成功4.同

Python使用自带的base64库进行base64编码和解码

《Python使用自带的base64库进行base64编码和解码》在Python中,处理数据的编码和解码是数据传输和存储中非常普遍的需求,其中,Base64是一种常用的编码方案,本文我将详细介绍如何使... 目录引言使用python的base64库进行编码和解码编码函数解码函数Base64编码的应用场景注意

Java实现文件图片的预览和下载功能

《Java实现文件图片的预览和下载功能》这篇文章主要为大家详细介绍了如何使用Java实现文件图片的预览和下载功能,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... Java实现文件(图片)的预览和下载 @ApiOperation("访问文件") @GetMapping("

Python基于wxPython和FFmpeg开发一个视频标签工具

《Python基于wxPython和FFmpeg开发一个视频标签工具》在当今数字媒体时代,视频内容的管理和标记变得越来越重要,无论是研究人员需要对实验视频进行时间点标记,还是个人用户希望对家庭视频进行... 目录引言1. 应用概述2. 技术栈分析2.1 核心库和模块2.2 wxpython作为GUI选择的优

使用Sentinel自定义返回和实现区分来源方式

《使用Sentinel自定义返回和实现区分来源方式》:本文主要介绍使用Sentinel自定义返回和实现区分来源方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Sentinel自定义返回和实现区分来源1. 自定义错误返回2. 实现区分来源总结Sentinel自定

Mysql表的简单操作(基本技能)

《Mysql表的简单操作(基本技能)》在数据库中,表的操作主要包括表的创建、查看、修改、删除等,了解如何操作这些表是数据库管理和开发的基本技能,本文给大家介绍Mysql表的简单操作,感兴趣的朋友一起看... 目录3.1 创建表 3.2 查看表结构3.3 修改表3.4 实践案例:修改表在数据库中,表的操作主要

Java实现时间与字符串互相转换详解

《Java实现时间与字符串互相转换详解》这篇文章主要为大家详细介绍了Java中实现时间与字符串互相转换的相关方法,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录一、日期格式化为字符串(一)使用预定义格式(二)自定义格式二、字符串解析为日期(一)解析ISO格式字符串(二)解析自定义