量化-使用python计算各类移动平均线
小丁丁_ddxdd 于 2016-06-29 00:05:18 发布 52880 收藏 45
# 导入数据 - 注意：这里请填写数据文件在您电脑中的路径
stock_data = pd.read_csv('stock data/sh600000.csv', parse_dates=[1])
# 将数据按照交易日期从远到近排序
stock_data.sort('date', inplace=True)
# 分别计算5日、20日、60日的移动平均线
ma_list = [5, 20, 60]
# 计算简单算术移动平均线MA - 注意：stock_data['close']为股票每天的收盘价
for ma in ma_list:
stock_data['MA_' + str(ma)] = pd.rolling_mean(stock_data['close'], ma)
# 计算指数平滑移动平均线EMA
for ma in ma_list:
stock_data['EMA_' + str(ma)] = pd.ewma(stock_data['close'], span=ma)
# 将数据按照交易日期从近到远排序
stock_data.sort('date', ascending=False, inplace=True)
# ========== 将算好的数据输出到csv文件 - 注意：这里请填写输出文件在您电脑中的路径
stock_data.to_csv('sh600000_ma_ema.csv', index=False)
移动平均线
BITSTAMP:ETHUSD 1. 均线上看 日线已经站上MA20、MA 40，并且MA20与MA40形成交叉 → 看涨 2. 压力位1720 1700-1750的压力区间，过去一年中反复测试多次，日线上看，分别在： 2021.5.23 2021.6.22 2021.6.26 2022.5.12 2022.5.27 2022.6.3 2022.6.7 并最终于2022.6.10跌破，跌至880，形成接近50%的跌幅 如果未来1720突破，我认为这种年度级别压力区间不会轻易跌破，做多的止损放在1650即可。 止损：20700 止盈：第一目标2100，第二目标2400
李子园创新高后完成8ema修正（多头观点） 透过日线孕线上破确认入场做多（交易计划） buy stop：27.18 stop loss：26.18 tp：32.18（交易执行） 总资产一直增长，自由现金流有所回落（投资活动引起的），毛利率稳居于35%左右（也属于暴利行列） 好的公司财务表现配合一个好的入场机会，就叫做情投意合咯
SHIB的这次上涨很明显是庄家的板块轮动（ETH翻倍行情过去炒作完成，BTC也拉了一波，开始找一些别的山寨炒作了），上涨的初期涨幅很快，每小时平均都有5%左右的波动。 行情上涨没有拐头的迹象，当我看到行情起来的时候，已经15%左右了，结合谐波形态，看到了SHIB已经拉到了蝴蝶🦋形态的反转区，RSI严重超买，出现了爆增量的行情。但是呢？是否真的要考虑操作呢？ 之前分享观点的时候，写的都是到达反转区看成交量和是否出现了超卖超买，行情是否出现拐头的迹象，我们才去动手。我们看接下来的行情，行情有调整的迹象，但是根本都没有跌破我画的EMA12均线就又开始向上走了，证明这次的上涨行情还没有结束（蝴蝶形态失败）。 接着行情直接拉到了单日42%的上涨。 .
1. ETH 合并升级，算力转移，RVN是算力转移的一个潜在标的，炒作逻辑跟ETC类似 2. 日线突破MA120，突破2022年1月至今的下降趋势线 做多，止损放7月29日的K线下方：0.032
1. 目前已突破2021.12.23至今的下降趋势线 2. 同时也突破日线MA120，其实趋势线和MA120几乎是重合的状态 移动平均线MA的优缺点及助涨助跌作用 交易计划： 等明天收盘，如果价格站住，则买进。
1. BTC已经连续6周 周线收盘在MA200之下，从过往的2015、2018熊底，周线MA200是抄底的好位置，不过随着BTC体量的变大，价格走势跟美股的联动性变得极强，因此周线MA200的抄底信号可能不再有效。 2. 从2022.3.28 开始的下降趋势线迟迟不能向上突破，暂时难以看多。 暂时宜空仓等待，等待突破下降趋势线，才有可能做多。
BITSTAMP:BTCUSD 1. 均线上看 日线已经站上MA20、MA 40，并且MA20与MA40形成交叉 → 看涨 2. 趋势线 日线已经突破连接5月5日和6月7日的下降趋势线 → 看涨 止损：20700 目标止盈：28000，既是前期（5月10日 - 6月10日）的密集成交区，同时是日线MA120大致位置
黄金月线孕线下破（空头观点） 透过日线孕线下破确认入场做空（交易计划） sell stop：1736.2 stop loss：1749.5 移动平均线MA的优缺点及助涨助跌作用 tp：1669.7（交易执行） 符合定义的交易不常有，遇到了就要牢牢地把握住
福耀玻璃创新高后完成21均线修正（多头观点） 透过日线孕线上破确认入场做多（交易计划） buy stop：42.33 stop loss：41.46 tp：46.72（交易执行） 一个好的公司股票配合一个好的入场机会。打造出1+1>2的震撼效果 好的公司是无论上涨或者下跌都想要买的
SSE:000001 快速上涨阶段结束，进入震荡期，持续约半个月到一个月，最晚不会超过7月27日。 之后开始再次探底，持续到11-12月，目标为3100±50，若突发利空，可能到2900-2950。 11-12月见底后，开启2023年小牛市。
美日创新高后完成8ema修正（多头观点） 透过日线孕线上破确认入场做多（交易计划） buy stop：135.43 stop loss：134.33 tp1:136.53 剩下追踪（交易执行） 此处并不高，转势另处理!
北方稀土月线孕线上破（多头观点） 透过日线孕线上破确认入场做多（交易计划） buy stop：42.21 stop loss：40.58 tp:50.36（交易执行） 突破下降趋势线，macd处于0轴上方，母线创新高
美日第一次完成21ema均线修正时出了孕线 这是一波强势的上涨，等回调均线买入的人全部得到满足 不过这个日线孕线上破是失败的，没到1:1就被止损了 当下来说，这个孕线是这么久以来第一次全部收在21ema均线下方 具体的名词为“21均线缺口孕线” 一般来讲会测试趋势极点即前高点 但是对交易而言，就是： buy stop：128.32 stop loss：127.51 tp1:129.13 然后进行趋势追踪
上证指数于4月27日探底2863，截止5月20日收盘，持续反弹15个交易日，突破3100阻力位，并且站上MA20和MA40。 以2021年12月13日高点为基准，本轮反弹仍然没有上破3186（0.382）位置，仍然处于弱反弹格局。 均线抵扣价来看，下周MA20将抵扣4月20到4月26日大跌价格，MA20将迎来拐头。MA40拐头需要20个交易日；MA60拐头需要17个交易日。综上来看，未来1-4周如果盘面能保持目前价格区间，均线将迎来密集相交，市场短中期平均成本将逐渐统一。 连续反弹15个交易日后，多项指标均有超涨指示，市场利好逐渐消化，短期反弹止盈和前期亏损止损资金都有离场需求，市场或有调整。按照推演，指数已经站上3100，在回测但不跌破的预想下，指数能在3100-3186之间震荡消化，再继续上攻更加健康。
移动平均法，滑动平均模型法（Moving average，MA）
Great1414 于 2018-10-16 12:22:23 发布 12624 移动平均线MA的优缺点及助涨助跌作用 收藏 19
什么是移动平均法
移动平均法
1.简单移动平均法
Ft = (At-1 + At-2 + . + At-n)/n
2.加权移动平均法
·n–预测的时期数；w1＋ w2＋…＋ wn＝1
移动平均法的优缺点
05-16 2422
本文将使用简单的说明性示例来解释移动平均模型（Arima [p，q]中的MA [Q]）。 假设你今天得到100股公司股票。让我们用Y1表示今年，用A(1)表示回报。再假设从明年开始，每年授予25%的股票，为期四年。以下是一段时间内未授予股票的数量: 此外，在Y2，获得了100股，加上A(1)的75股未授予股份。我们称它为A(2)回报。它与a(1)有相似的授予时间表，25%的股份在4年内授予。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DQzDB8sx-165267316
07-21 8302
____tz_zs学习笔记 滑动平均模型对于采用GradientDescent或Momentum训练的神经网络的表现都有一定程度上的提升。 原理：在训练神经网络时，不断保持和更新每个参数的滑动平均值，在验证和测试时，参数的值使用其滑动平均值，能有效提高神经网络的准确率。 tf.train.ExponentialMovingAverage tensorflow官网地址：h
04-21 7万+
11-07 9797
07-31 1523
08-18 4万+
10-25 7万+
02-25 2万+
08-28 908
移动平均法是用一组最近的实际数据值来预测未来一期或几期数据的一种常用方法。 其计算方法是： Ft=(At-1+At-2+At-3+…+At-n)/n 式中 Ft：对下一期的预测值； n：移动平均的时期个数； At-1 、At-2、At-n：前期实际值； 采用移动平均法适合于即期预测，当数据既不快速增长也不快速下降时，移动平均法能够有效消除数据的随机误差。 如果计算的数据均值为0（表明数据可能有正有负），这样得到的总体趋势线是准确的。 而实际采集的数据却明显与此不同，如果采简单进行移动平均，必然会将大量的具有
11-23 移动平均线MA的优缺点及助涨助跌作用 1522
import tushare as ts import pandas as pd import matplotlib.pyplot as plt import statsmodels.tsa.api as smtsa from statsmodels.tsa.stattools import adfuller as ADF from statsmodels.tsa.arima_model import ARMA from statsmodels.stats.diagnostic import acorr_l
05-03 2228
文章目录1.定义2.移动平均法、指数平滑法和季节模型1.移动平均法2.二次移动平均法及趋势移动平均法 1.定义 时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列。对时间序列进行观察研究，找寻它的发展规律，预测它将来的走势就是时间序列分析。 时间序列根据所研究的依据不同，可有不同的分类。 按所研究的对象的多少分，有一元时间序列和多元时间序列. 按时间的连续性可将时间序列分为离散时间序列和连续时间序列两种. 按序列的统计特性分，有平稳时间序列和非平稳时间序列.如果一个时间序列的概率分布与时间t无关
03-31 2万+
移动平均法，滑动平均模型法（Moving average，MA）
Great1414 于 2018-10-16 12:22:23 发布 12625 收藏 19
什么是移动平均法
移动平均法
1.简单移动平均法
Ft = (At-1 + At-2 + . + At-n)/n
2.移动平均线MA的优缺点及助涨助跌作用 加权移动平均法
·n–预测的时期数；w1＋ w2＋…＋ wn＝1
移动平均法的优缺点
05-16 2422
本文将使用简单的说明性示例来解释移动平均模型（Arima [p，q]中的MA [Q]）。 假设你今天得到100股公司股票。让我们用Y1表示今年，用A(1)表示回报。再假设从明年开始，每年授予25%的股票，为期四年。以下是一段时间内未授予股票的数量: 此外，在Y2，获得了100股，加上A(1)的75股未授予股份。我们称它为A(2)回报。它与a(1)有相似的授予时间表，25%的股份在4年内授予。 [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DQzDB8sx-165267316
07-21 8302
____tz_zs学习笔记 滑动平均模型对于采用GradientDescent或Momentum训练的神经网络的表现都有一定程度上的提升。 原理：在训练神经网络时，不断保持和更新每个参数的滑动平均值，在验证和测试时，参数的值使用其滑动平均值，能有效提高神经网络的准确率。 tf.train.ExponentialMovingAverage tensorflow官网地址：h
04-21 7万+
11-07 9797
07-31 1523
08-18 4万+
10-25 7万+
02-25 2万+
08-28 908
移动平均法是用一组最近的实际数据值来预测未来一期或几期数据的一种常用方法。 其计算方法是： Ft=(At-1+At-2+At-3+…+At-n)/n 式中 Ft：对下一期的预测值； n：移动平均的时期个数； At-1 、At-2、At-n：前期实际值； 采用移动平均法适合于即期预测，当数据既不快速增长也不快速下降时，移动平均法能够有效消除数据的随机误差。 如果计算的数据均值为0（表明数据可能有正有负），这样得到的总体趋势线是准确的。 而实际采集的数据却明显与此不同，如果采简单进行移动平均，必然会将大量的具有
11-23 1522
import tushare as ts import pandas as pd import matplotlib.pyplot as plt import statsmodels.tsa.api as smtsa from statsmodels.tsa.stattools import adfuller as ADF from statsmodels.tsa.arima_model import ARMA from statsmodels.stats.diagnostic import acorr_l
05-03 2228
文章目录1.定义2.移动平均法、指数平滑法和季节模型1.移动平均法2.二次移动平均法及趋势移动平均法 1.定义 时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列。对时间序列进行观察研究，找寻它的发展规律，预测它将来的走势就是时间序列分析。 时间序列根据所研究的依据不同，可有不同的分类。 按所研究的对象的多少分，有一元时间序列和多元时间序列. 按时间的连续性可将时间序列分为离散时间序列和连续时间序列两种. 按序列的统计特性分，有平稳时间序列和非平稳时间序列.如果一个时间序列的概率分布与时间t无关
03-31 2万+