Calculate moving average python

Eu estou no processo de criação de um algoritmo de negociação forex e queria tentar a minha chance de calcular EMA (médias móveis exponenciais). Meus resultados parecem corretos (em comparação com os cálculos que fiz à mão), então acredito que o método a seguir funciona, mas só queria obter um conjunto extra de olhos para garantir que não estou perdendo nada. Note que isso apenas retorna o EMA para o preço mais recente, ele não retorna uma matriz de EMAs, pois não é o que eu preciso para o meu aplicativo. A recursão é uma boa ferramenta para o trabalho certo, mas aqui ela é usada para realizar um loop simples. Como tal o código. é mais difícil de ler e raciocinar. é mais lento porque grande parte do código no ema só precisa ser executado uma vez. irá falhar com o valor de janela grande o suficiente devido ao transbordamento da pilha de chamadas Pythons. Por favor, documente pelo menos os parâmetros de cada função, por exemplo. essa janela é o tamanho da janela e essa posição é contada a partir do final dos dados. (Na verdade, as coisas ficariam mais claras se a posição fosse um índice direto normal nos dados). Levante uma exceção quando você encontrar um parâmetro com um valor inválido. Retornar Nenhum, em vez disso, causará apenas uma exceção mais confusa posteriormente. Na verdade, se eu tentar indicadores (). Ema (closeprices, 600) recebo recursão infinita porque sma retorna nenhum. o que faz o ema chamar sma repetidamente. O ponto anterior também revela que, se len (data), a janela 2 não é a verificação de validade correta. O 1 em data-window2 1: - window 1 não parece correto para mim. Suponho que você quer data-window2: - window O retorno de instrução previousema está em um lugar estranho porque nesse ponto você calculou um novo currentema. Este é o caso base da recursão, e é costume lidar com o caso base primeiro. Minha proposta para ema: Respondeu o dia 26 de novembro de 14 em 18:56 Revisão consideravelmente rasa: Você não precisa de escrever uma classe para o que você está fazendo (e eu sugiro que você dê uma olhada neste vídeo). Sua classe não encapsula nenhum dado e você apenas o usa para ter suas funções em uma mesma entidade. Eu acho que as coisas seriam mais fáceis de entender se você definir o método de classe para tornar óbvio que você realmente não confiará em nenhuma instância. No entanto, uma opção ainda melhor seria apenas definir funções em um módulo indicador. Answer: Nov 24 14 at 18:04 Obrigado pelas sugestões que eu realmente tive-los como métodos de classe e debatei indo e voltando entre mesmo usando uma classe ou apenas definindo funções em um módulo de indicador (o que vou fazer agora). ndash ChrisC Nov 25 14 at 19:12 Só assisti o vídeo também, ótimo material. ndash ChrisC Nov 25 14 at 19:43 Sua Resposta 2016 Stack Exchange, Inc9.7. statistics 8212 Funções de estatísticas matemáticas Este módulo fornece funções para calcular estatísticas matemáticas de dados numéricos (calculados em reais). A menos que explicitamente indicado de outra forma, essas funções suportam int. flutuador. decimal. Decimal e frações. Fração. O comportamento com outros tipos (seja na torre numérica ou não) não é suportado no momento. Tipos mistos também são indefinidos e dependentes da implementação. Se os dados de entrada consistirem em tipos mistos, você poderá usar map () para garantir um resultado consistente, por exemplo, map (float, inputdata). 9.7.1. Médias e medidas de localização central Essas funções calculam um valor médio ou típico de uma população ou amostra. 9.7.3. Detalhes da função Nota: As funções não requerem que os dados dados a elas sejam ordenadas. No entanto, para facilitar a leitura, a maioria dos exemplos mostra sequências ordenadas. Retornar a média aritmética de amostra dos dados. uma sequência ou iterador de números reais. A média aritmética é a soma dos dados dividida pelo número de pontos de dados. É comumente chamado de 8220 a média8221, embora seja apenas uma entre muitas diferentes médias matemáticas. É uma medida da localização central dos dados. Alguns exemplos de uso: A média é fortemente afetada por outliers e não é um estimador robusto para localização central: a média não é necessariamente um exemplo típico dos pontos de dados. Para medidas mais robustas, embora menos eficientes, de localização central, consulte mediana () e modo (). (Neste caso, 8220efficient8221 refere-se a eficiência estatística em vez de eficiência computacional.) A média da amostra fornece uma estimativa imparcial da média real da população, o que significa que, tomada em média sobre todas as amostras possíveis, a média (amostra) converge na verdadeira média de toda a população. Se os dados representam a população inteira em vez de uma amostra, então a média (dados) é equivalente ao cálculo da média real da população. Estatisticas. mediana (dados) Retorna a mediana (valor médio) dos dados numéricos, usando o método comum 8220mean do meio two8221. Se os dados estiverem vazios, o StatisticsError é gerado. A mediana é uma medida robusta de localização central e é menos afetada pela presença de outliers em seus dados. Quando o número de pontos de dados é ímpar, o ponto de dados do meio é retornado: Quando o número de pontos de dados é par, a mediana é interpolada tomando a média dos dois valores médios: Isso é adequado para quando seus dados são discretos e você não se importa que a mediana não seja um ponto de dados real. Estatisticas. medianlow (data) Retorna a mediana baixa de dados numéricos. Se os dados estiverem vazios, o StatisticsError é gerado. A mediana baixa é sempre um membro do conjunto de dados. Quando o número de pontos de dados é ímpar, o valor do meio é retornado. Quando é par, o menor dos dois valores do meio é retornado. Use a mediana baixa quando seus dados forem discretos e você preferir que a mediana seja um ponto de dados real em vez de interpolado. Estatisticas. medianhigh (data) Retorna a alta mediana de dados. Se os dados estiverem vazios, o StatisticsError é gerado. A alta mediana é sempre um membro do conjunto de dados. Quando o número de pontos de dados é ímpar, o valor do meio é retornado. Quando é par, o maior dos dois valores intermediários é retornado. Use a mediana alta quando seus dados forem discretos e você preferir que a mediana seja um ponto de dados real em vez de interpolado. Estatisticas. mediangrouped (data. interval1) Retorna a mediana de dados contínuos agrupados, calculada como o 50o percentil, usando interpolação. Se os dados estiverem vazios, o StatisticsError é gerado. No exemplo a seguir, os dados são arredondados, de modo que cada valor representa o ponto médio das classes de dados, por exemplo, 1 é o ponto médio da classe 0.582111.5, 2 é o ponto médio de 1.582112.5, 3 é o ponto médio de 2.582113.5, etc. Com os dados fornecidos, o valor médio cai em algum lugar da classe 3.582114.5 e a interpolação é usado para estimar: Intervalo de argumento opcional representa o intervalo de classe e o padrão é 1. Alterar o intervalo de classe naturalmente alterará a interpolação: Essa função não verifica se os pontos de dados têm pelo menos intervalo de intervalo. Detalhes da implementação do CPython: sob algumas circunstâncias, o mediangrouped () pode coagir os pontos de dados para flutuantes. Esse comportamento provavelmente mudará no futuro. 8220Estatísticas para as Ciências do Comportamento8221, Frederick J Gravetter e Larry B Wallnau (8ª edição). Calculando a mediana. A função SSMEDIAN na planilha Gnome Gnumeric, incluindo essa discussão. Retorna o ponto de dados mais comum de dados discretos ou nominais. O modo (quando existe) é o valor mais típico e é uma medida robusta da localização central. Se os dados estiverem vazios ou se não houver exatamente um valor mais comum, o StatisticsError será gerado. o modo assume dados discretos e retorna um único valor. Este é o tratamento padrão do modo como comumente ensinado nas escolas: O modo é único na medida em que é a única estatística que também se aplica a dados nominais (não numéricos): Retorna o desvio padrão da população (a raiz quadrada da variância da população ). Veja pvariance () para argumentos e outros detalhes. Retorna a variação populacional de dados. um iterável não vazio de números reais. A variância, ou segundo momento sobre a média, é uma medida da variabilidade (dispersão ou dispersão) dos dados. Uma grande variação indica que os dados estão espalhados e uma pequena variação indica que ela está agrupada em torno da média. Se o segundo argumento opcional mu for dado, deve ser a média dos dados. Se estiver faltando ou None (o padrão), a média é calculada automaticamente. Use essa função para calcular a variação de toda a população. Para estimar a variação de uma amostra, a função variance () é geralmente uma escolha melhor. Se você já calculou a média dos seus dados, pode passá-lo como o segundo argumento opcional mu para evitar o recálculo: Esta função não tenta verificar se você passou a média real como mu. Usar valores arbitrários para mu pode levar a resultados inválidos ou impossíveis. Decimais e Frações são suportados: Quando chamado com toda a população, isso dá a variância da população. Quando é chamada uma amostra, esta é a variância da amostra com desvio, também conhecida como variância com N graus de liberdade. Se você, de alguma forma, conhecer a verdadeira média populacional, poderá usar essa função para calcular a variância de uma amostra, dando a média populacional conhecida como o segundo argumento. Desde que os pontos de dados sejam representativos (por exemplo, independentes e identicamente distribuídos), o resultado será uma estimativa imparcial da variância da população. Retornar o desvio padrão da amostra (a raiz quadrada da variação da amostra). Veja variance () para argumentos e outros detalhes. Estatisticas. variance (data. xbarNone) Retorna a variância da amostra de dados. um iterável de pelo menos dois números reais. A variância, ou segundo momento sobre a média, é uma medida da variabilidade (dispersão ou dispersão) dos dados. Uma grande variação indica que os dados estão espalhados e uma pequena variação indica que ela está agrupada em torno da média. Se o segundo argumento opcional xbar é dado, deve ser a média dos dados. Se estiver faltando ou None (o padrão), a média é calculada automaticamente. Use esta função quando seus dados forem uma amostra de uma população. Para calcular a variação de toda a população, consulte pvariance (). Gera StatisticsError se os dados tiverem menos de dois valores. Se você já calculou a média dos seus dados, você pode passá-lo como o segundo argumento opcional xbar para evitar o recálculo: Esta função não tenta verificar se você passou a média real como xbar. Usar valores arbitrários para xbar pode levar a resultados inválidos ou impossíveis. Valores Decimal e Fração são suportados: Esta é a variância da amostra com correção de Bessel8217s, também conhecida como variância com N-1 graus de liberdade. Desde que os pontos de dados sejam representativos (por exemplo, independentes e de distribuição idêntica), o resultado deve ser uma estimativa imparcial da variância da população verdadeira. Se você, de alguma forma, conhecer a média real da população, você deve passá-la para a função pvariance () como o parâmetro mu para obter a variância de uma amostra. 9.7.4. Exceções Uma única exceção é definida: estatísticas de exceção. StatisticsError Subclasse de ValueError para exceções relacionadas à estatística. Digamos que eu tenha uma lista: Eu quero criar uma função que calcule a média móvel de n dias. Então, se n fosse 5, eu iria querer que o meu código calculasse o primeiro 1-5, adicionasse e encontrasse a média, que seria 3.0, depois passasse para 2-6, calculasse a média, que seria 4.0, depois 3 -7, 4-8, 5-9, 6-10. Eu não quero calcular os primeiros n-1 dias, então a partir do nono dia, contará os dias anteriores. Isto parece imprimir o que eu quero: No entanto, eu não sei como calcular os números dentro dessas listas. Todas as idéias perguntadas 14 de fevereiro às 21:05 Enquanto eu gosto de Martijns responder sobre isso, como george, eu queria saber se isso não seria mais rápido usando uma somatória contínua em vez de aplicar a soma () repetidamente na maior parte dos mesmos números . Também a ideia de ter nenhum valor como padrão durante a fase de ramp up é interessante. Na verdade, pode haver muitos cenários diferentes que alguém poderia conceber para médias móveis. Vamos dividir o cálculo das médias em três fases: Ramp Up: Iniciando iterações onde a iteração atual conta o tamanho da janela Steady Progress: Temos exatamente o tamanho da janela de elementos disponíveis para calcular uma média normal: soma (xiterationcounter-windowsize: iterationcounter) / windowsize Rampa para Baixo: No final dos dados de entrada, podemos retornar outro windowsize - 1 números médios. Heres uma função que aceita iteráveis ​​arbitrários (geradores são bons) como entrada para dados Tamanhos arbitrários de janela 1 Parâmetros para ligar / desligar a produção de valores durante as fases para funções de retorno de chamada para essas fases para controlar como os valores são produzidos. Isso pode ser usado para fornecer constantemente um padrão (por exemplo, Nenhum) ou para fornecer médias parciais. Parece ser um pouco mais rápido que a versão Martijns - o que é muito mais elegante, no entanto. Heres o código de teste: A questão original pode agora ser resolvida com esta função chamada: respondeu 18 de fevereiro às 18:15 Use as funções de soma e mapa. A função map no Python 3 é basicamente uma versão preguiçosa disso: tenho certeza que você pode adivinhar o que a função sum faz. respondeu 14 de fevereiro 13 em 21:07 Uma abordagem que evita recomputing somas intermediárias .. fazer isso corre (int (v)). então. repr (runsumlistk - runsumlistk-5) / 5) se você formiga para transportar números a strings .. Alt sem o global: certifique-se de fazer contas flutuantes mesmo se você inserir valores inteiros respondidos 14/02 às 22:04 O algoritmo de soma de execução é mais rápido. Eu publiquei uma resposta provando seu ponto. Não há necessidade de uma variável global aqui. ndash cfi 18 de fevereiro de 13 às 18:16 direito você está, eu estava tentando muito difícil aviod um loop for explícito. ndash agentp Fev 19 13 at 18:37 Há outra solução que estende uma receita itertools emparelhada (). Você pode estender isso para nwise (). que fornece a janela deslizante (e funciona se o iterável for um gerador): Embora um custo de configuração relativamente alto para iteráveis ​​curtos, esse custo reduz o impacto, quanto mais tempo o conjunto de dados. Isso usa sum (), mas o código é razoavelmente elegante: respondeu 26 de novembro às 14:59