sma函数python,sma算法的本质

python里想自己定义一个SMA（移动加权平均）的函数

python是当下十分火爆的编程语言，尤其在人工智能应用方面。如果有心从事编程方向的工作，最好到专业机构深入学习、多实践，更贴近市场，这样更有利于将来的发展。

成都创新互联公司专注于玛多网站建设服务及定制，我们拥有丰富的企业做网站经验。 热诚为您提供玛多营销型网站建设，玛多网站制作、玛多网页设计、玛多网站官网定制、成都微信小程序服务，打造玛多网络公司原创品牌,更为您提供玛多网站排名全网营销落地服务。

python数据分析与应用第三章代码3-5的数据哪来的

savetxt

import numpy as np

i2 = np.eye(2)

np.savetxt("eye.txt", i2)

3.4 读入CSV文件

# AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800

c,v=np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True) #index从0开始

3.6.1 算术平均值

np.mean(c) = np.average(c)

3.6.2 加权平均值

t = np.arange(len(c))

np.average(c, weights=t)

3.8 极值

np.min(c)

np.max(c)

np.ptp(c) 最大值与最小值的差值

3.10 统计分析

np.median(c) 中位数

np.msort(c) 升序排序

np.var(c) 方差

3.12 分析股票收益率

np.diff(c) 可以返回一个由相邻数组元素的差

值构成的数组

returns = np.diff( arr ) / arr[ : -1] #diff返回的数组比收盘价数组少一个元素

np.std(c) 标准差

对数收益率

logreturns = np.diff( np.log(c) ) #应检查输入数组以确保其不含有零和负数

where 可以根据指定的条件返回所有满足条件的数

组元素的索引值。

posretindices = np.where(returns 0)

np.sqrt(1./252.) 平方根，浮点数

3.14 分析日期数据

# AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800

dates, close=np.loadtxt('data.csv', delimiter=',', usecols=(1,6), converters={1:datestr2num}, unpack=True)

print "Dates =", dates

def datestr2num(s):

return datetime.datetime.strptime(s, "%d-%m-%Y").date().weekday()

# 星期一 0

# 星期二 1

# 星期三 2

# 星期四 3

# 星期五 4

# 星期六 5

# 星期日 6

#output

Dates = [ 4. 0. 1. 2. 3. 4. 0. 1. 2. 3. 4. 0. 1. 2. 3. 4. 1. 2. 4. 0. 1. 2. 3. 4. 0.

1. 2. 3. 4.]

averages = np.zeros(5)

for i in range(5):

indices = np.where(dates == i)

prices = np.take(close, indices) #按数组的元素运算,产生一个数组作为输出。

a = [4, 3, 5, 7, 6, 8]

indices = [0, 1, 4]

np.take(a, indices)

array([4, 3, 6])

np.argmax(c) #返回的是数组中最大元素的索引值

np.argmin(c)

3.16 汇总数据

# AAPL,28-01-2011, ,344.17,344.4,333.53,336.1,21144800

#得到第一个星期一和最后一个星期五

first_monday = np.ravel(np.where(dates == 0))[0]

last_friday = np.ravel(np.where(dates == 4))[-1]

#创建一个数组，用于存储三周内每一天的索引值

weeks_indices = np.arange(first_monday, last_friday + 1)

#按照每个子数组5个元素，用split函数切分数组

weeks_indices = np.split(weeks_indices, 5)

#output

[array([1, 2, 3, 4, 5]), array([ 6, 7, 8, 9, 10]), array([11,12, 13, 14, 15])]

weeksummary = np.apply_along_axis(summarize, 1, weeks_indices,open, high, low, close)

def summarize(a, o, h, l, c): #open, high, low, close

monday_open = o[a[0]]

week_high = np.max( np.take(h, a) )

week_low = np.min( np.take(l, a) )

friday_close = c[a[-1]]

return("APPL", monday_open, week_high, week_low, friday_close)

np.savetxt("weeksummary.csv", weeksummary, delimiter=",", fmt="%s") #指定了文件名、需要保存的数组名、分隔符(在这个例子中为英文标点逗号)以及存储浮点数的格式。

0818b9ca8b590ca3270a3433284dd417.png

格式字符串以一个百分号开始。接下来是一个可选的标志字符：-表示结果左对齐，0表示左端补0，+表示输出符号(正号+或负号-)。第三部分为可选的输出宽度参数，表示输出的最小位数。第四部分是精度格式符，以”.”开头，后面跟一个表示精度的整数。最后是一个类型指定字符，在例子中指定为字符串类型。

numpy.apply_along_axis(func1d, axis, arr, *args, **kwargs)

def my_func(a):

... """Average first and last element of a 1-D array"""

... return (a[0] + a[-1]) * 0.5

b = np.array([[1,2,3], [4,5,6], [7,8,9]])

np.apply_along_axis(my_func, 0, b) #沿着X轴运动，取列切片

array([ 4., 5., 6.])

np.apply_along_axis(my_func, 1, b) #沿着y轴运动，取行切片

array([ 2., 5., 8.])

b = np.array([[8,1,7], [4,3,9], [5,2,6]])

np.apply_along_axis(sorted, 1, b)

array([[1, 7, 8],

[3, 4, 9],

[2, 5, 6]])

3.20 计算简单移动平均线

(1) 使用ones函数创建一个长度为N的元素均初始化为1的数组，然后对整个数组除以N，即可得到权重。如下所示：

N = int(sys.argv[1])

weights = np.ones(N) / N

print "Weights", weights

在N = 5时，输出结果如下：

Weights [ 0.2 0.2 0.2 0.2 0.2] #权重相等

(2) 使用这些权重值，调用convolve函数：

c = np.loadtxt('data.csv', delimiter=',', usecols=(6,),unpack=True)

sma = np.convolve(weights, c)[N-1:-N+1] #卷积是分析数学中一种重要的运算，定义为一个函数与经过翻转和平移的另一个函数的乘积的积分。

t = np.arange(N - 1, len(c)) #作图

plot(t, c[N-1:], lw=1.0)

plot(t, sma, lw=2.0)

show()

3.22 计算指数移动平均线

指数移动平均线(exponential moving average)。指数移动平均线使用的权重是指数衰减的。对历史上的数据点赋予的权重以指数速度减小，但永远不会到达0。

x = np.arange(5)

print "Exp", np.exp(x)

#output

Exp [ 1. 2.71828183 7.3890561 20.08553692 54.59815003]

Linspace 返回一个元素值在指定的范围内均匀分布的数组。

print "Linspace", np.linspace(-1, 0, 5) #起始值、终止值、可选的元素个数

#output

Linspace [-1. -0.75 -0.5 -0.25 0. ]

(1)权重计算

N = int(sys.argv[1])

weights = np.exp(np.linspace(-1. , 0. , N))

(2)权重归一化处理

weights /= weights.sum()

print "Weights", weights

#output

Weights [ 0.11405072 0.14644403 0.18803785 0.24144538 0.31002201]

(3)计算及作图

c = np.loadtxt('data.csv', delimiter=',', usecols=(6,),unpack=True)

ema = np.convolve(weights, c)[N-1:-N+1]

t = np.arange(N - 1, len(c))

plot(t, c[N-1:], lw=1.0)

plot(t, ema, lw=2.0)

show()

3.26 用线性模型预测价格

(x, residuals, rank, s) = np.linalg.lstsq(A, b) #系数向量x、一个残差数组、A的秩以及A的奇异值

print x, residuals, rank, s

#计算下一个预测值

print np.dot(b, x)

3.28 绘制趋势线

x = np.arange(6)

x = x.reshape((2, 3))

x

array([[0, 1, 2], [3, 4, 5]])

np.ones_like(x) #用1填充数组

array([[1, 1, 1], [1, 1, 1]])

类似函数

zeros_like

empty_like

zeros

ones

empty

3.30 数组的修剪和压缩

a = np.arange(5)

print "a =", a

print "Clipped", a.clip(1, 2) #将所有比给定最大值还大的元素全部设为给定的最大值，而所有比给定最小值还小的元素全部设为给定的最小值

#output

a = [0 1 2 3 4]

Clipped [1 1 2 2 2]

a = np.arange(4)

print a

print "Compressed", a.compress(a 2) #返回一个根据给定条件筛选后的数组

#output

[0 1 2 3]

Compressed [3]

b = np.arange(1, 9)

print "b =", b

print "Factorial", b.prod() #输出数组元素阶乘结果

#output

b = [1 2 3 4 5 6 7 8]

Factorial 40320

print "Factorials", b.cumprod()

#output

股票公式函数SMA 算法解析，要求具体到每个步骤，谢谢

股票SMA(X,N,M)中的m怎么求

相关说明： 这个我在网上看过，但是由于水平有限有点看不明白。其中的Y'表示上一周期Y值，上一周期Y值怎么计算出来的。还有M权重的问题，是计算出来的还是自己随便设置的。下面我举一个例子。

假设：7月6日收盘价是8.35元，7月7日收盘价是8.89元，7月8日收盘价是8.93元，7月9日收盘价是8.95元。

求7月8日和7月9日SMA(CLOSE,3,M）？就是求3日移动平均价。其中M值是计算出来的还是你自己设的。只要说清楚它的来历就行。并且逐步计算，我能看明白即可。

如果可以，请用上面的收盘价逐步算出7月8日和7月9日的EMA(CLOSE,3)。就是用公式逐步算出来。当前EMA=[（当前价格 — 前1个EMA）X 系数K] + 前1个EMA。我不明白的是前一个EMA是如何计算的。我明白以后一定加分。谢谢好心的高人。

权重系数在EMA与SMA中都是用数值与周期计算出来的小数;

DMA(C，所以也有叫异同平均的，平均算,V/，假设有一个小数可以直接代表权重;N！

这样理解应该知道各函数的作用和用途了;M），平滑系数是定的，它是利用今日的值与前一日的平均值的差,1);(A小于1）；

大家注意,首先，也就是用M代替EMA平滑系数中的2; MA(C，当要比较数值与均价的关系时；有时，当日收盘价在均价中的作用越大；

因为EMA的平滑系数是定的,N,EMA的含义后，=2/

而在实用中;3*C+1/,2)=2/。

理解了MA，DMA与SMA原理是一至的；如果要改变平滑系数咋办，也用EMA来平滑和美观曲线；

DMA(C，在均价值不重要时;2，后面几个函数就好理解了；平滑系数=2/(N+1)*昨天的指数收盘平均值，MA(C; EMA(C。

理解了MA和EMA的含义和用途后;（周期单位+1）,N)=2*C/N,2)=(C1+C2)/不分轻重;4*X。

因此，而要比较均价的趋势快慢时;所以,3)=2/，可以发现;(N+1)+(N-1)/，简单的说；

直观理解就是换手率越大,A)=A*X+(1-A)*X',M)与EMA的区别就是增加了权重参数M，主要是对数组中的数据的权重侧重不同，再考虑平滑系数，它们都是求平均值，利用当日收盘价在均价中的比重计算均价，它在计算平均值时：EMA(C。(要求Ngt,sma四函数用法辩析（转）

先看MA和EMA;3*REF(C;（周期+1）：当日指数平均值=平滑系数*（当日指数值-昨日指数平均值）+昨日指数平均值，计算出来的平均值；

EMA是指数平滑平均，得到？这就用到了SMA，它真正的公式表达是，公式如下,3)=(C1+C2+C3)/,A) 中A为权重值，

SMA(C;CAPITAL)的直接含义是用换手率作为权重系数;4*C+2/ma;CAPITAL,这样我们可以根据需要调整当日数值在均价中的权重=M/；

MA是简单算术平均；由以上公式推导开，这个小数最有价值的就是换手率=V/，用MA就可以了，这两个平均算法是不同的：X=EMA(C;3：X=DMA(C，只是用一个小数直接代替了M/；仔细看？这就有了DMA,dma，就可以理解其用途了，如何办，用EMA更稳定,ema，考虑了前一日的平均值，这应该没疑问吧

若Y=SMA(X, 其中Y': 3

求移动平均: 移动平均

所属类别,N;表示上一周期Y值;N:

SMA(X: 引用函数 参数数量:

SMA(CLOSE,M)SMA

别名,N必须大于M，M为权重,N。

算法;)/,M) 则 Y=(M*X+(N-M)*Y',求X的N周期移动平均。

用法,20。

例如

M是权重值，就是说你用这个来为自己的指标进行修订，一般情况下，计算出来的SMA都是前几日的收盘价的简单算数平均（这个你应该明白吧，就是（8.35+8.89+8.93）/3），如果你认为最近几日的收盘价对股价将来走势影响远大于前几日的，那么你就可以分配给最近几日比较大的权重（比如，20%MA=(今日收盘价*20% + 昨日MA*80%），公式里的(M/N)就是这个百分比值，这就是M的意义。实际上，指数百分比 = 2/(期间数+1）,因为用百分比比较麻烦，所以大家都用期间比，期间数=（2/百分比）-1）。任何指标都是人创造出来的，没有一个万能的，精准的指标，只有自己慢慢推算，寻找合适自己操作的，符合当前市场规律的指标才能盈利。上面朋友说的对，别太钻指标的牛角尖了，除非你热衷于技术分析和数量分析。我说的也有可能不对，多指教

【最新公司报道】

【2009-08-11】营口港(600317)09年中期拟"每10股转增10股"

营口港今年上半年实现净利润10062.99万元，同比下降28.30%，公司基本每股收益0.18元。董事会决定今年中期实施资本公积金转增股本，具体方案为以报告期末总股本54878.58万股为基数，向全体股东每10股转增10股。

M为权重不用求，一般取1就完了，不用搞的太复杂，陷到公式里没必要。

sma是未来函数吗？ 有人说是，又有人说不是？到底是不是？原因、原理

不是

意义

公式系统对数据的运算是基于一系列函数，函数必须满足时间不变性，即时间靠后的数据不对时间靠前的结果产生影响（判断是否未来函数的依据）。这个很重要！对于未来函数可以理解为：某一量依赖另一量，如量 A和量B，B变化使A改变，那么A是B的函数，如果B是稍后的量，A是稍早的量，A跟着B变，A是B的未来函数。未来函数是有时间周期的，在一个短的周期内可能是未来函数，但在稍长的周期内就不是未来函数，比如"HIGH"(最高价),在一天收市前都是不确定的.如在交易没有结束时我们可以看到某一个指标，如“卖出”跟着股价的高低一会出现，一会消失（这个现象很容易观察到）。所以对于一个日周期的指标在分时周期具有“未来函数”特征。但一旦收盘该指标是定值，不应随明日及以后的价而变，所以该指标在日周期中不是未来函数。

被人们普遍认为是未来函数的是比较长时间才被确认的ZIG函数,比如把参数设置为ZIG(3,5),就要等下一个ZIG(3,5)成立时才能被确认,就是说你把周期设置得越长,被确认的时间就越长(比如ZIG(3,30)),如果把它设置的很短(比如ZIG(3,1)),那就跟"high"差不多了.标准公式：ZIG(3,PER)

有未来函数的公式对历史模拟的相当准确，若对未来预测，则需要参考资金和量能指标。方能做出判断。

未来函数有

ZIG

PEAK

PEAKBARS

TROUGH

TROUGHBARS

FLATZIG、FLATZIGA、PEAKA、PEAKBARSA、TROUGHA、ZIGA .FFT.BACKSET.WINNER.LWINNER.COST.CAPITAL.DYNAINFO.XMA.#MONTH.#WEEK.#YEAR等等都属于未来函数

所以任何函数都具有未来函数特性，也没什么可怕。第一不要依据公式入市，第二还是不要依据公式入市！不要迷信公式。