1.4 重叠因子：指数移动平均线(Exponential Moving Average, EMA)概念与Python实战-CSDN博客

本文链接：https://blog.csdn.net/weixin_39521144/article/details/145733137

0. 本栏目因子汇总表

1. 因子简述

指数移动平均线(Exponential Moving Average, EMA)是一种重要的技术分析工具，它通过对价格数据进行加权平均计算，赋予近期数据更大的权重。相比简单移动平均线(SMA)，EMA对市场变化的反应更加敏感，能更快地捕捉价格趋势的变化。

2. 因子计算逻辑

EMA的计算公式如下：

$\begin{align*} \alpha &= \frac{2}{n+1} \\ EMA_t &= \alpha \times Price_t + (1-\alpha) \times EMA_{t-1} \\ EMA_{factor} &= \frac{Close - EMA}{\sigma_n(Close)} \end{align*}$

其中：

n为移动平均周期
α为平滑系数
Price_t为t时刻的价格
EMA_{t-1}为上一期的EMA值
σ_n(Close)为n周期收盘价的滚动标准差

3. 因子应用场景

趋势跟踪：
- 价格上穿EMA，做多信号
- 价格下穿EMA，做空信号
趋势确认：
- EMA斜率反映趋势强度
- EMA形态判断趋势持续性
支撑阻力：
- EMA作为动态支撑位
- EMA作为动态阻力位
均线系统：
- 与其他周期EMA配合使用
- 构建黄金交叉、死亡交叉策略

4. 因子优缺点

优点：

反应灵敏：对价格变化的响应速度快
权重合理：近期数据权重更大
计算简单：实现容易，计算量小
应用广泛：适用于各类市场和周期

缺点：

滞后存在：作为滞后指标仍有一定延迟
假信号：在震荡市场易产生虚假信号
参数敏感：周期选择影响指标效果
单一维度：仅考虑价格信息

5. 因子代码实现

def EMA_factor(df, n=20):
    """
    计算指数移动平均线(EMA)因子
    
    参数:
    df (DataFrame): 输入数据
        - code: 证券代码，如'600036.SH'
        - date: 日期，格式为'YYYY-MM-DD'
        - close: 收盘价
    n (int): 移动平均周期，默认20
    
    返回:
    DataFrame: 包含原有列和EMA因子值，理论取值范围(-∞,+∞)，实际大多在[-3,3]之间
    """
    import numpy as np
    import pandas as pd
    
    # 检查code格式
    valid_codes = df['code'].str.match(r'^(?:\d{6}\.(SH|SZ)|[A-Z]+/[A-Z]+|\w+\.(IB|CFE|US))$')
    if not valid_codes.all():
        raise ValueError("Invalid code format found")
    
    # 检查date格式
    valid_dates = df['date'].str.match(r'^\d{4}-\d{2}-\d{2}$')
    if not valid_dates.all():
        raise ValueError("Invalid date format found, expected 'YYYY-MM-DD'")
    
    # 排序（使用字符串比较）- 保持时间降序
    df = df.sort_values(['code', 'date'], ascending=[True, False])
    
    # 按code分组计算
    def calculate_ema(group):
        # 计算EMA
        alpha = 2 / (n + 1)
        ema = group['close'].ewm(alpha=alpha, adjust=False).mean()
        
        # 计算n周期滚动标准差
        rolling_std = group['close'].rolling(window=n).std()
        
        # 计算因子值：使用滚动标准差标准化的价格偏离度
        # 处理标准差为0的情况
        group['EMA'] = np.where(
            rolling_std != 0,
            (group['close'] - ema) / rolling_std,
            0
        )
        return group
    
    # 按code分组计算因子
    df = df.groupby('code', group_keys=False).apply(calculate_ema)
    
    # 按照最终要求重新排序并重置索引
    df = df.sort_values(['date', 'code'], ascending=[False, True]).reset_index(drop=True)
    
    return df

测试数据：
在这里插入图片描述

6. 因子取值范围及其含义

EMA因子的取值范围理论上是(-∞,+∞)，但实际上大多数值会落在[-3,3]区间内：

取值 > 2：表示价格显著高于EMA（超过2个标准差），强烈超买信号
取值在(1,2]之间：表示价格高于EMA一个标准差以上，偏多信号
取值在[-1,1]之间：表示价格在EMA一个标准差范围内波动，震荡区间
取值在[-2,-1)之间：表示价格低于EMA一个标准差以上，偏空信号
取值 < -2：表示价格显著低于EMA（超过2个标准差），强烈超卖信号

7. 因子函数参数建议

n (移动平均周期)：
- 默认值：20
- 建议范围：[5, 120]
- 参数说明：决定移动平均的平滑程度
- 选择建议：
  - 日线数据常用周期：
    - 短期：5、10、20日
    - 中期：30、60日
    - 长期：120、250日
  - 小时线数据建议使用较小的周期：5-30
  - 分钟线数据建议使用更小的周期：3-15
  - 高波动市场使用较大的周期
  - 低波动市场使用较小的周期

注意事项：