python 移动平均线_Python 计算EMA(指数移动平均线)

总结

使用递归和循环两种方法来完成

python环境下循环相比于递归更快，更适应极端样本情况

递归

def _ema(arr,i=None):

N = len(arr)

α = 2/(N+1) #平滑指数

i = N-1 if i is None else i

if i==0:

return arr[i]

else:

data = 0

data += (α*arr[i]+(1-α)*EMA(arr,i-1)) #递归公式

return data

循环

def _ema(arr):

N = len(arr)

α = 2/(N+1)

data = np.zeros(len(arr))

for i in range(len(data)):

data[i] = arr[i] if i==0 else α*arr[i]+(1-α)*data[i-1] #从首开始循环

return data[-1]

主体

def EMA(arr,period=21):

data = np.full(arr.shape,np.nan)

for i in range(period-1,len(arr)):

data[i] = _ema(arr[i+1-period:i+1])

return data

耗时

样本为900长度的numpy.array：

递归保持在2.5ms附近，循环在1ms以内

当样本达到5000时

递归超过10ms，循环5ms左右

样本

python默认递归极限为1000，若样本数超过1000，则需要调高递归极限

import sys

sys.setrecursionlimit(10000)

调高递归极限至10000

引用

Pandas(1.0.1)和talib对比

总结

talib计算一维样本速度快的令人发指…但是缺点是面对多维样本只能通过循环

pandas一维下虽然速度不及talib，但是10000的长度也只插了3ms左右，而且面对多维样本可以一步到位

Talib

import talibarr

data = talib.EMA(arr,timeperiod=21)

Pandas

import pandas as pd

def EMA(arr,period=21):

df = pd.DataFrame(arr)

return df.ewm(span=period,min_periods=period).mean()

引用

原文链接:https://blog.csdn.net/cRexxar/article/details/105532398