对于EMA的计算，需要先计算出一个起始的EMA值。这可以通过计算一段时间内的SMA来得到，然后用下面的计算公式去计算：
三种平均值算法各有优缺点，你需要根据你的股票市场分析需要及实际情况来决定使用哪种算法。如果你的分析需要考虑。EMA，WMA即远离当前时间，影响较小，前一天权重大影响最大。因此在股票很多指标上都用EMA来代替SMA，如MACD等。
SMA简单移动平均线
当前EMA值=xt−1+2xt−2+...+tx01++2+...+ty_t=frac{x_t+x_{t-1}+^2x_{t-2}+...+^tx_0}{1++^2+...+^t}yt=1++2+...+txt+xt−1+2xt−2+...+tx0其中，ttt为窗口大小，αalphaα为平滑因子，i^ii为呈指数增加的权重，期数离预测时刻越近权重越大。
例如，计算过去5天的SMA，只需要将这5天的股票收盘价相加，再除以即可得出SMA。
WMA加权移动平均线
EMA是指数移动平均线。与SMA不同，EMA并不是简单的日平均数，而是考虑到股票价格的整体趋势，即将较大的权重放在了最近的股票价格上。
WMA是加权移动平均线，它是一种考虑过去时间内价格变化和波动的MovingAverage方式。与EMA类似，WMA也是将较大的权重放在较近的数据上，但与EMA不同的是，它使用的是带权的平均算法。
在WMA中，每个数据都被通过给定的权重，然后再求和得到加权平均值。通常情况下，较近的数据会有较大的权重，而较远的数据权重会下降，WMA有助于平滑股票价格的波动，并根据相应的趋势给出合适的建议。
保存总权值=从1开始的周期数*周期内每个数据的权重之和每个数据的权重=-当前数据的位置WMA是比SMA更为准确的一种移动平均计算方法，但它的计算也更为复杂。
SMA是一种较为简单的移动平均方式，经常被用于判断短期的股票趋势。由于SMA只是简单地考虑了过去一段时间的股票价格，因此它会被短期价格波动所影响，因此可能不如其他平均值算法准确。
其中，nnn为窗口大小，WMAtWMA_tWMAt为t时刻的移动平均值。
WMA的计算也需要指定一个时间周期，并且需要先计算出一段时间内的总权值，用下面的公式计算总权值后，再使用上面的加权平均公式计算WMA：
技术分析中，权重系数为n～0，即最近一个数值的权重为n，次近的为n-如此类推，直到0。WMAt=nxt+xt−1+...+2xt−n+2+xt−n+1n+（n−+...+2+1WMA_t=frac{nx_t+x_{t-1}+...+2x_{t-n+2}+x_{t-n+1}}{n+（n-+...+2+1}WMAt=n+（n−+...+2+1nxt+xt−1+...+2xt−n+2+xt−n+1
def WMA(close, n):
weights = np.array(range(1, n+1))
sum_weights = np.sum(weights)
res = close.rolling(window=n).apply(lambda x: np.sum(weights*x) / sum_weights, raw=False)
return res
#或
def WMA(close, n):
return close.rolling(window=n).apply(lambda x: x[::-1].cumsum().sum() * 2 / n / (n + 1))
方法对比分析
在EMA的计算中，最近的股票价格会得到较高的权重，而较早的股票价格的权重则会下降。计算过程中需要指定EMA的时间周期，通常包括12天和26天等。
WMAt=w1xt+w2xt−1+...+wn−1xt−n+2+wnxt−n+1w1+w2+...+wnWMA_t=frac{w_1x_t+w_2x_{t-1}+...+w_{n-1}x_{t-n+2}+w_nx_{t-n+1}}{w_1+w_2+...+w_n}WMAt=w1+w2+...+wnw1xt+w2xt−1+...+wn−1xt−n+2+wnxt−n+1
SMA是移动平均线的简称，全称是简单移动平均线。它是历史股价平均值的简单算术平均数。计算SMA，只需要将一段时间内股票收盘价的总和除以这段时间内的交易日数。
EMA指数移动平均线
y0=x0yt=yt−1+αxt,egin{split}egin{split}y_0&=x_0\y_t&=y_{t-1}+alphax_t,end{split}end{split}y0yt=x0=yt−1+αxt,
# 直接用 Pandas 的ewm 函数
pandas.ewm(span=n)
文章为作者独立观点，不代表股票交易接口观点
相关文章
股民评论