總結

使用遞歸和循環兩種方法來完成

python環境下循環相比于遞歸更快，更適應極端樣本情況

遞歸

def _ema(arr,i=None):

N = len(arr)

α = 2/(N+1) #平滑指數

i = N-1 if i is None else i

if i==0:

return arr[i]

else:

data = 0

data += (α*arr[i]+(1-α)*EMA(arr,i-1)) #遞歸公式

return data

循環

def _ema(arr):

N = len(arr)

α = 2/(N+1)

data = np.zeros(len(arr))

for i in range(len(data)):

data[i] = arr[i] if i==0 else α*arr[i]+(1-α)*data[i-1] #從首開始循環

return data[-1]

主體

def EMA(arr,period=21):

data = np.full(arr.shape,np.nan)

for i in range(period-1,len(arr)):

data[i] = _ema(arr[i+1-period:i+1])

return data

耗時

樣本為900長度的numpy.array：

遞歸保持在2.5ms附近，循環在1ms以內

當樣本達到5000時

遞歸超過10ms，循環5ms左右

樣本

python默認遞歸極限為1000，若樣本數超過1000，則需要調高遞歸極限

import sys

sys.setrecursionlimit(10000)

調高遞歸極限至10000

引用

Pandas(1.0.1)和talib對比

總結

talib計算一維樣本速度快的令人發指…但是缺點是面對多維樣本只能通過循環

pandas一維下雖然速度不及talib，但是10000的長度也只插了3ms左右，而且面對多維樣本可以一步到位

Talib

import talibarr

data = talib.EMA(arr,timeperiod=21)

Pandas

import pandas as pd

def EMA(arr,period=21):

df = pd.DataFrame(arr)

return df.ewm(span=period,min_periods=period).mean()

引用

原文鏈接:https://blog.csdn.net/cRexxar/article/details/105532398

總結

以上是生活随笔為你收集整理的python 移动平均线_Python 计算EMA(指数移动平均线)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。