Viktat glidande medelvärde python

Detta är ett Python-omslag för TA-LIB baserat på Cython istället för SWIG. Från hemsidan: TA-Lib används ofta av handelsutvecklare som behöver utföra teknisk analys av finansmarknadsdata. Innehåller 150 indikatorer som ADX, MACD, RSI, Stochastic, Bollinger Bands, etc. Candlestick-mönsterigenkänning Open-source API för CC, Java, Perl, Python och 100 Managed De ursprungliga Pythonbindningarna använder SWIG som tyvärr är svåra att installera och arent så effektiva som de kunde vara. Därför använder detta projekt Cython och Numpy för att effektivt och rent binda till TA-Lib-producerande resultat 2-4 gånger snabbare än SWIG-gränssnittet. Installera TA-Lib eller läsa dokumenten Liknande TA-Lib, ger funktionsgränssnittet ett lättviktspaket av de exponerade TA-Lib-indikatorerna. Varje funktion returnerar en utsignal och har standardvärden för sina parametrar, om inte specificeras som sökordsargument. Typiskt kommer dessa funktioner att ha en initial lookback-period (ett nödvändigt antal observationer innan en produktion genereras) inställd på NaN. Alla följande exempel använder funktion API: Beräkna ett enkelt glidande medelvärde av de stängda priserna: Beräkna bollingerband, med triple exponentiell glidande medelvärde: Beräkna momentum av de stängda priserna, med en tidsperiod på 5: Sammanfattning API Snabbstart Om du som redan är bekant med att använda funktionen API, borde du känna dig riktigt hemma med hjälp av abstrakt API. Varje funktion har samma inmatning, skickad som en ordbok för Numpy-arrays: Funktioner kan antingen importeras direkt eller instantieras med namn: Därifrån är samtalsfunktioner i stort sett samma som funktion API: Läs om mer avancerad användning av TA-Lib här . Stödda indikatorer Vi kan visa alla TA-funktioner som stöds av TA-Lib, antingen som en lista eller som en dikt sorterad efter grupp (t. ex. Överlappsstudier, Momentumindikatorer, etc): FunktionsgrupperMoving Average Crossover System med RSI-filter Enkla system står bäst chanser att lyckas genom att inte bli överdriven kurva. Att lägga till ett enkelt filter till ett robust system kan dock vara ett utmärkt sätt att förbättra lönsamheten, förutsatt att du också analyserar hur det kan ändra eventuella risker eller företeelser som är inbyggda i systemet. Moving Average Crossover System med RSI Filter är ett utmärkt exempel på detta. Om systemet Systemet använder 30-enheten SMA för snabbmediet och 100-enheten SMA för det långsamma genomsnittet. Eftersom dess snabbrörande medelvärde är en bra bit långsammare än SPY 10100 Long Only Moving Average Crossover System. det bör generera mindre totala handelssignaler. Det blir intressant att se om det leder till en högre vinstfrekvens. Systemet använder också RSI-indikatorn som ett filter. Detta är utformat för att hålla systemet ute av handel på marknader som inte trender, vilket också skulle leda till en högre vinstfrekvens. Systemet går in i en lång position när 30-enheten SMA passerar över 100-enheten SMA om RSI är över 50. Den går in i en kort position när 30-enheten SMA passerar under 100-enheten SMA om RSI är under 50. Systemet går ut en lång position om 30-enheten SMA korsar tillbaka under 100-enheten SMA, eller om RSI faller under 30. Den lämnar en kort position om 30-enheten SMA korsar tillbaka över 100-enheten SMA eller om RSI stiger över 70. Det implementerar också ett bakåtstopp som bygger på volatiliteten på marknaden och sätter ett initialt stopp vid den senaste lågen till en lång position eller den senaste högen för en kort position. Ett dagligt FXI-diagram, EURUSD ETF, visar systemreglerna i åtgärd 30-enhet SMA-kors över 100 enheter SMA RSI gt 50 30-enhet SMA-korsar under 100 enheter SMA RSI lt 50 30-enhet SMA korsar under 100 enheter SMA eller RSI-droppar nedan 30 eller Trailing Stop är träffad, eller Initial Stop är hit Exit Short När: 30 enhet SMA korsar över 100-enheten SMA eller RSI stiger över 70, eller Trailing Stop är slagen, eller Initial Stop är träffad Backtesting Results De backtesting resultat I funna för detta system var från euro vs amerikanska dollar marknaden från 2004 till 2011 med en daglig tidsperiod. Under de sju åren har systemet bara gjort 14 affärer, så det filtrerade definitivt bort en stor del av åtgärden. Frågan är huruvida det filtrerade bort de goda affärer eller de dåliga. Av dessa 14 branscher var åtta vinnare och sex förlorare. Det ger systemet en 57 vinstfrekvens, vilket vi vet kan handlas mycket framgångsrikt förutsatt att vinstgraden också är stark. Backtesting rapporter för valutasystem använder en stat kallad vinstfaktor. Detta nummer beräknas genom att bruttoresultatet divideras med bruttoresultatet. Detta ger oss den genomsnittliga vinsten vi kan förvänta oss per riskenhet. Resultaten för denna backtesting rapport gav detta system en vinstfaktor på 3,61. Det innebär att systemet på lång sikt kommer att ge en positiv avkastning. För en jämförelsepunkt hade Triple Moving Average Crossover System endast en vinstfaktor på 1,10, så det Moving Average Crossover System med RSI är troligen tre gånger mer lönsamt. Det innebär att man använder ett större antal för snabbrörande medel och att lägga till RSI-filtret måste filtrera bort några av de mindre produktiva affärer. Dessa siffror stöds ytterligare av det faktum att den genomsnittliga vinsten var drygt dubbelt så stor som den genomsnittliga förlusten. Trots dessa positiva förhållanden upplevde systemet dock en maximal drawdown på nästan 40. Provstorlek Att det här systemet ger så få signaler är både den största styrkan och den största svagheten. Att placera färre affärer och hålla dem under längre perioder gör att transaktionskostnaderna blir en faktor. Att analysera 14 branscher som inträffade över sju år kan dock leda till att resultaten blir snedställda på grund av liten provstorlek. Jag är nyfiken på hur detta system skulle ha utförts om det handlades över ett dussin olika valutapar under samma tidsperiod. Dessutom skulle hur det skulle ha utförts om backtestet gick tillbaka 50 år eller testat systemet på aktieindex eller råvaror. Det finns tydligt positiv statistik för att motivera ytterligare undersökning av detta system, men det skulle vara dumt att handla riktiga pengar baserat på resultaten från 14 branscher. Handelsexempel Ett exempel på detta system på jobbet kan ses på nuvarande diagram över FXI. Runt 18 mars i år passerade 30-dagars SMA under 100-dagars SMA. Vid den tiden var RSI också under 50. Detta skulle ha utlöst en kort position någonstans strax under 36. Det ursprungliga stoppet skulle antagligen ha placerats över den senaste höga på 38. I mitten av april hade priset sjunkit till 34 och vi skulle ha suttit på en bra vinst. Priset återhämtade sig för att nästan utlösa vårt första stopp vid 38 i början av maj innan vi kraschar nästan hela vägen till 30 i slutet av juni. Det har sedan studsat tillbaka till 34-serien. På något sätt under någon av dessa åtgärder gick 30-dagars SMA tillbaka över 100-dagars SMA, och RSI var under 70. Därför hade ingen av dessa utlöst en utgång. Medan priset kom nära vårt första stopp, kom det inte helt där, så det skulle ha hållit oss i handeln också. Det enda som kunde ha orsakat en utgång skulle ha varit det efterföljande stoppet, vilket skulle ha bero på hur mycket volatilitet vi ställde för att tillåta. Det är fortfarande för tidigt att säga om vi skulle ha blivit stoppade eller inte. Om RSI-indikatorn RSI-indikatorn utvecklades av J. Welles Wilder och presenterades i sin 1978-bok, New Concepts in Technical Trading Systems. Det är en momentumindikator som svänger mellan noll och 100, vilket indikerar hastigheten och prisförändringen. Många momentumhandlare använder RSI som en överskattad översättningsindikator. RSI beräknas genom att först beräkna RS, vilket är medelvärdet för de sista n perioderna dividerat med den genomsnittliga förlusten av de sista n perioderna. Värdet för n är i allmänhet 14 dagar. RS (Average Gain) (Genomsnittlig förlust) När RS har beräknats används följande ekvation för att göra det värdet till en oscillerande indikator: RSI 100 8211 100 (1 RS) Detta ger oss ett värde mellan noll och 100. Valfritt värde ovan 70 anses generellt överköpt, och något värde under 30 anses vara överlåtet. Men eftersom detta system är ett trendföljande system, har överköp och överlåtelse inte haft sina vanliga negativa konnotationer. när man använder en m. a. strategi tar du hänsyn till valutakursen också .. använder du dollarn som din basvaluta Jag har handlat aktier före men aldrig forex, och jag försöker bygga något med python, en forex med en 8gt20 long8lt20 kort , men undrar fortfarande om jag behöver införa räntesatsen för varje valuta i analysen för pamplen. tack för din tid. Jorge Medellin jormoriagmail PS. Jag vet att jokey är lika viktigt som hästen, så i det här fallet menar jag att valutan är valutor i motsats till terminer eller framåtriktade kontrakt. Tack för din anteckning. Den rätta räntan i sig är inte den viktiga biten. Vi är trots allt parhandel. Den starka valutan är den som har den högsta förväntan på stigande räntor. Jag skulle inte uppmärksamma räntorna mycket, åtminstone inte för tillfället. Traders bryr sig mycket mer om kvantitativ lättnad än räntan för tillfället. QE är mycket viktigare och farligare. Vad är ENHETEN av SMA 30-enheten SMA 100-enhet SMA Menar du att det är Period med enkel rörelse Genomsnittlig Alla andra Ja, it8217s SMA-perioden. Den första perioden SMA är 10. Den andra perioden SMA är 100. När de passerar får du en signal om RSI är över 50. Hej Shaun, jag vill börja med att tacka dig för din mycket informativa blogg och artiklar. Jag hoppas att jag kommer att kunna hjälpa andra handlare i framtiden som du gör. Jag har konstruerat och använt en filtrerad momentumindikator som ett filter i andra strategier på ett demokonto. Jag funderade inte över att använda RSI eftersom jag inte gillar att använda indikatorer som i grunden visar samma sak (de flesta indikatorer reflekterar sin fart på ett eller annat sätt medan andra inte har någon rationell förklaring). Men efter att ha läst din artikel ovan ersatte jag min momentumindikator med RSI. Resultaten är verkligen lovande med mycket mindre whipsaw i jämförelse. Jag ska försöka hitta tiden att skriva en EA och backtest strategin. Varför tror du att det var så stor drawdown Är det inneboende i MA crossover-strategin Eller orsakas det av RSI Mer än sannolikt it8217s båda. Jag personligen ogillar inte RSI. I8217ll är säker på att göra en glidande genomsnitts jämförelse för dig i Quantilator också. It8217 är det enklaste och mest objektiva sättet att plocka ut strategier. Välkommen till Statsmodels8217s Dokumentationsstatistikmodeller är en Python-modul som ger klasser och funktioner för uppskattning av många olika statistiska modeller samt för att utföra statistiska tester och statistisk datautforskning. En omfattande lista över resultatstatistik är avalabel för varje estimator. Resultaten testas mot befintliga statistiska paket för att säkerställa att de är korrekta. Paketet släpps under licens för öppen källkod Modifierad BSD (3-klausul). Online dokumentationen är värd vid sourceforge. Minimala exempel Sedan version 0.5.0 av statistikmodeller. Du kan använda R-stil formler tillsammans med pandas datarammar för att passa dina modeller. Här är ett enkelt exempel med vanliga minsta rutor: Du kan också använda numpy arrayer istället för formler: Ta en titt på dir (resultat) för att se tillgängliga resultat. Attributen beskrivs i results. doc och resultatmetoder har egna doktreringar. Grundläggande dokumentation Information om struktur och utveckling av statistikmodeller: