加权指数移动平均预测 python

加权指数移动平均(WEIMA)是一种统计技术，常用于时间序列数据分析，特别是在金融领域预测股票价格等。它对历史数据赋予不同的权重，近期的数据给予较大的权重，而过去的则逐渐减小，从而更好地反映趋势。

在Python中，可以使用pandas库和statsmodels库来计算和应用加权指数移动平均。以下是基本步骤：

1. 导入所需库：

import pandas as pd
import numpy as np
from statsmodels.tsa.winsorize import winsorize_data

2. 准备数据并处理异常值（可选）：

df = pd.read_csv('your_data.csv')  # 替换为你的时间序列数据文件路径
df['your_column'] = winsorize_data(df['your_column'], limits=0.05)  # 对某一列进行截断，防止极端值影响

3. 计算加权指数移动平均：

def weighted_ewma(data, span):
    weights = np.arange(1, len(data)+1)**(-span)
    weights /= weights.sum()
    return np.convolve(data, weights, mode='full')[:len(data)]

span = 12  # 窗口大小，比如选择12个月作为移动窗口
ewma_values = weighted_ewma(df['your_column'].values, span)

4. 添加到原始DataFrame或创建新列：

df['weighted_ewma'] = ewma_values

5. 可视化结果或进行进一步分析：

df.plot(kind='line', x='date', y=['your_column', 'weighted_ewma'])