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)

最新推荐文章于 2025-02-25 18:27:11 发布
最新推荐文章于 2025-02-25 18:27:11 发布
阅读量1.8k 收藏 36
点赞数 32
分类专栏： 量化交易 文章标签： python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/cl2010abc/article/details/139779242
版权

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​(Xt−n+1​+Xt−n+2​+...+Xt​)

以下是贵州茅台从 2018.6.1 2018.6.1 2018.6.1到 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 plt


def 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


if __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+(n−1)+...+2+1nXt​+(n−1)Xt−1​+...+2Xt−n+2​+Xt−n+1​​

以下是贵州茅台从 2018.6.1 2018.6.1 2018.6.1到 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 plt


def 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


if __name__ == '__main__':
    data = get_data('sh.600519', '2018-06-01', '2019-12-31')
    n = 10
    weights = 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​+(1−α)EMAt−1​
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到 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 plt


def 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


if __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 plt


if __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) ** t

    df = 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 plt



def 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 data





if __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

python 移动平均线_Python中的移动平均线
weixin_26713521的博客
09-02 2418
There are situations, particularly when dealing with real-time data, when a conventional average is of little use because it includes old values which are no longer relevant and merely give a misleadi...
python移动平均算法_移动平均算法
weixin_39760434的博客
12-15 5965
1、移动平均线的计算方法N日移动平均线=N日收市价之和/N以时间的长短划分，移动平均线可分为短期、中期、长回期几种，一般短期移动平均线答5天与10天；中期有30天、65天；长期有200天及280天。可单独使用，也可多条同时使用。综合观察长、中、短期移动平均线，可以判研市场的多重倾向。如果三种移动平均线并列上涨，该市场呈多头排列；如果三种移动平均线并列下跌，该市场呈空头排列。移动平均线说到底是一种趋...
python计算各类移动平均线.
01-22
python计算各类移动平均线,python计算各类移动平均线,
python计算移动平均数
weixin_40241782的博客
07-05 294
Python相关视频讲解：python的or运算赋值用法用python编程Excel有没有用处？011_编程到底好玩在哪？查看python文件_输出py文件_cat_运行python文件_shelPython计算移动平均数 移动平均数是一种常见的统计方法，用于平滑时间序列数据，消除噪声，凸显出数据的趋势。在Pytho...
使用DeepSeek R1大模型编写迅投 QMT 的量化交易 Python 代码
最新发布
WTSolutions的博客
02-25 1371
随着人工智能技术的迅猛发展，利用AI工具提升工作效率已成为现代开发者的重要手段。在使用deepseek官方网页生成迅投QMT代码的时候，deepseek给出的代码是xtquant代码，也就是miniqmt代码，并不是我们传统意义上说的大QMT可用的代码。因此，我们需要自建一个知识库，让deepseek根据我的知识库里面的知识，去帮我生成大QMT可用的交易代码。
利用Python计算移动平均值
qq_32649321的博客
10-09 1593
无
时间序列分析方法之 -- 移动平均（Moving Average）原理及Python代码示例
wodertianna的博客
07-26 2762
根据取平均值的方式不同，移动平均可以分为简单移动平均（Simple Moving Average, SMA）、加权移动平均（Weighted Moving Average, WMA）和指数移动平均（Exponential Moving Average, EMA）等。加权移动平均和指数移动平均则适合对最新数据点赋予更高权重，从而对变化更为敏感。指数移动平均是一种递归计算的移动平均方法，其特点是对最新数据点赋予更大的权重。简单移动平均是最基本的移动平均方法，其计算方式是取指定窗口内的数据点的简单平均值。
移动平均值_python移动均值_python基础_移动平均值_
10-02
例如，在股票市场中，投资者会利用移动平均线来判断股票的买入或卖出信号。而在时间序列预测中，移动平均可以作为模型的基础，帮助我们更好地理解和预测未来的趋势。 总之，Python提供了多种方式来计算移动平均值，...
Python实现各类移动平均线的计算方法
移动平均线主要有简单移动平均线（Simple Moving Average, SMA）、加权移动平均线（Weighted Moving Average, WMA）、指数移动平均线（Exponential Moving Average, EMA）等类型。Python是一种流行的编程语言，被...
Python 金融量化 均线系统交易策略专题(简单移动平均，加权移动平均，指数加权移动平均，异同移动平均MACD等解读与绘图)(2)
m0_60635176的博客
05-05 938
print(‘提示：添加均线数量最多是五个！’)colors = [‘r’, ‘k’, ‘b’, ‘c’, ‘y’] # 设定5个颜色，也即关系到上边均线数量的上限。j = 0 # 用于颜色索引转换j += 1plt.title(name + ‘收盘数据附’ + days + ‘日MAV图’)plt.legend() # 增设图例plt.show()MACD指标由两线一柱组合起来形成。快速线为DIF，慢速线为DEA，柱状图为MACD。
【时间序列】时序分析之移动平均-python实战
AI蜗牛车
08-08 1万+
今天给大家讲解一下移动平均，其在时间序列分析中具有重要的作用。1 简介移动平均（moving average）主要应用于时间序列的分析，其能够去除不同时间步长的序列间的微小差异。移动平...
移动平均-Python代码-信息分析与预测
05-23
信息分析与预测的实验，Python写的代码，萌新代码，勿喷，仅仅只是方便没时间写实验的朋友，直接用python打开就能运行
Python实现移动平均数
热门推荐
夜深人静后的码农
09-06 1万+
首先，什么是移动平均数呢？（来自百度百科） 若依次得到测定值 时，按顺序取一定个数所做的全部算术平均值。 例如 等是移动平均值 详细可以点击此处链接 Python中是如何实现呢？ Python中有个一个现有的类， deque.这个一个双向队列。我们知道，队列具有先进先出的特点。 算法原理是： 假设一组数据是：[40, 30, 50, 46, 39, 44] 1、首先可以...
如何在Python中计算移动平均值？
python收藏家的博客
09-30 1202
在这篇文章中，我们将看到如何在Python中计算移动平均值。移动平均是指总观测值集合中固定大小子集的一系列平均值。它也被称为滚动平均。考虑n个观测值的集合，k是用于确定任何时间t的平均值的窗口的大小。然后，移动平均列表通过最初取当前窗口中存在的前k个观测值的平均值并将其存储在列表中来计算。现在，根据要确定的移动平均值的条件来扩展窗口，并且再次计算窗口中存在的元素的平均值并将其存储在列表中。这个过程一直持续到窗口到达集合的末尾。
python 移动平均线_Python 3中如何计算移动平均值？
weixin_39637256的博客
02-19 1246
虽然我喜欢像george这样的Martijn's answer方法，但我想知道，如果使用一个运行求和法，而不是在几乎相同的数字上一遍又一遍地应用sum()，这样做是否更快。另外，在爬坡阶段将None值作为默认值的想法也很有趣。事实上，移动平均线可能有很多不同的情况。我们把平均数的计算分成三个阶段：加速：在当前迭代计数窗口大小处开始迭代稳定的进程：我们有精确的窗口大小的元素数，可以计算一个正常的av...
【python】一次移动平均算法
qq_43605229的博客
04-22 1242
python实现一次移动平均算法 python实现一次移动平均，代码如下，可直接运行： import pandas as pd #导入数据分析包并命名为pd import itertools import numpy as np from collections import deque #data = pd.read_csv('train1.csv') #读取数据 #print(data) #datay = data['Count'] #print(y) def moving_average(data
时间序列平滑方法之移动平均、一次指数平滑、二次指数平滑、三次指数平滑的python细节实现...
AI蜗牛车
12-08 1208
时间序列平滑方法之移动平均、一次指数平滑、二次指数平滑、三次指数平滑的python细节实现一、平滑方法常用的平滑方法有移动平均一次指数平滑、二次指数平滑、三次指数平滑具体理论比较好懂，可以参考：https://zhuanlan.zhihu.com/p/441373033https://zhuanlan.zhihu.com/p/78848809二、python实现以下写法都是流式的方式来写的，就是来...
python 移动平均函数_python – NumPy版本的“指数加权移动平均线...
weixin_39791653的博客
12-07 1888
更新于08/06/2019纯粹的,快速的&大输入的矢量化解决方案用于就地计算的out参数,dtype参数,索引顺序参数这个函数相当于pandas的ewm(adjust = False).mean(),但要快得多. ewm(adjust = True).mean()(pandas的默认值)可以在结果的开头产生不同的值.我正在努力为此解决方案添加adjust功能.当输入太大时,@Divakar...
python 移动平均法_移动平均法详解
weixin_39620684的博客
12-07 4160
什么是移动平均法?移动平均法是用一组最近的实际数据值来预测未来一期或几期内公司产品的需求量、公司产能等的一种常用方法。移动平均法适用于即期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动，是非常有用的。移动平均法根据预测时使用的各元素的权重不同，可以分为：简单移动平均和加权移动平均。移动平均法是一种简单平滑预测技术，它的基本思想是：根据时间序列...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值