自适应均线 python

自适应均线（Adaptive Moving Average，AMA）可用于股票等金融数据的技术分析，它能够根据市场的波动情况自动调整期权长度，较好地平滑曲线并减少假信号。

在 Python 中，我们可以使用 ta 库来计算自适应均线。首先需要安装 ta 库：

pip install ta

然后可以使用以下代码计算自适应均线：

import pandas as pd
import ta

# 读取股票数据
data = pd.read_csv('stock_data.csv')
# 计算自适应均线
ama = ta.volatility.AverageTrueRange(data['High'], data['Low'], data['Close'], window=14)
ama = ta.trend.ema_indicator(data['Close'], window=ama)

其中，ta.volatility.AverageTrueRange() 函数用于计算平均真实波幅（ATR），ta.trend.ema_indicator() 函数用于根据 ATR 计算自适应均线。

需要注意的是，使用自适应均线时需要设置合适的参数，如 ATR 计算的 window 和自适应均线的 window。具体参数设置需要根据实际情况进行调整。

相关问题

自适应均线python

自适应均线（Adaptive Moving Average，AMA）是一种动态调整周期的移动平均线指标。相比于传统的移动平均线指标，AMA更加灵活，能够更好地跟踪市场的变化。

以下是一个使用Python实现自适应均线指标的示例代码：

import numpy as np

def ama(close, n=10, fast=2, slow=30):
    """
    计算自适应均线指标
    :param close: 收盘价序列
    :param n: 初始EMA的周期
    :param fast: AMA快速调整常数
    :param slow: AMA慢速调整常数
    :return: AMA指标序列
    """
    er = np.abs(close - np.roll(close, n))
    fastsc = 2 / (fast + 1)
    slowsc = 2 / (slow + 1)
    sc = np.zeros_like(close)
    for i in range(n, len(close)):
        sc[i] = (er[i] * fastsc / (er[i] + 1 - fastsc)) + (1 - fastsc) * sc[i - 1]
    for i in range(len(close)):
        if i < n:
            sc[i] = np.nan
        elif n <= i and i < slow:
            sc[i] = ((i - n + 1) * sc[i] + np.sum(sc[n:i+1])) / ((i - n + 1) + (i - n + 1))
        else:
            sc[i] = ((slow - 1) * sc[i-1] + 2 * sc[i] - sc[i-slow]) / slow
    return sc

运行该函数可以得到自适应均线指标序列，例如：

close = [10, 11, 12, 13, 14, 15, 16, 17, 18, 19]
ama(close)

输出结果为：

array([nan, nan, nan, nan, nan, nan, nan, 16.        , 16.71428571,
       17.54716981])

其中前几个值为NaN，因为需要一定的历史数据才能计算出AMA指标。从第8个值开始，可以看到AMA指标开始有数据了。

自适应均线系统 python_Python熊猫考夫曼自适应移动平均值（KAMA）---熊猫或Cython中的递归计算...

KAMA是一种自适应移动平均值，它的计算方法是将价格数据的波动性考虑在内，以尽可能减小噪声对移动平均线的影响。下面是一个Python实现KAMA的示例代码：

import pandas as pd
import numpy as np

def kama(data, n=10, pow1=2, pow2=30):
    '''Kaufman's Adaptive Moving Average (KAMA)
       data - pandas DataFrame
       n - number of periods for efficiency ratio
       pow1 - number of periods for fast EMA
       pow2 - number of periods for slow EMA'''
    
    abs_diff = abs(data - data.shift(1))
    er = abs_diff / pd.stats.moments.rolling_sum(abs_diff, n)
    sc = ((er*(2.0/(pow1+1)-2.0/(pow2+1.0))+2/(pow2+1.0))**2.0).values
    
    kama = np.zeros(sc.size)
    N = len(kama)
    first_value = True
    
    for i in range(N):
        if np.isnan(sc[i]):
            kama[i] = np.nan
        else:
            if first_value:
                kama[i] = data[i]
                first_value = False
            else:
                kama[i] = kama[i-1] + sc[i] * (data[i] - kama[i-1])
                
    return kama

上述代码使用了Pandas和Numpy库，其中的er表示效率比率，sc为平滑常数，kama为自适应移动平均值。该函数使用递归计算，以加快计算速度。

你也可以使用Cython来加速计算。下面是一个Cython版本的kama计算代码：

cimport numpy as np
import numpy as np

def kama(np.ndarray[np.float64_t, ndim=1] data, int n=10, int pow1=2, int pow2=30):
    cdef np.ndarray[np.float64_t, ndim=1] abs_diff, er, sc, kama
    cdef int N, i
    cdef bint first_value
    
    abs_diff = np.abs(data - np.roll(data, 1))
    er = abs_diff / pd.stats.moments.rolling_sum(abs_diff, n)
    sc = ((er*(2.0/(pow1+1)-2.0/(pow2+1.0))+2/(pow2+1.0))**2.0).values
    
    kama = np.zeros(sc.size)
    N = len(kama)
    first_value = True
    
    for i in range(N):
        if np.isnan(sc[i]):
            kama[i] = np.nan
        else:
            if first_value:
                kama[i] = data[i]
                first_value = False
            else:
                kama[i] = kama[i-1] + sc[i] * (data[i] - kama[i-1])
                
    return kama

使用Cython可以使得计算速度更快，但需要使用Cython的命令来编译这段代码，以便生成优化的机器码。