赵走x博客 - 开发者的网上家园

28、指数移动平均线

资源编号:76415 人工智能 Numpy学习指南热度：36

除了简单移动平均线，指数移动平均线（exponential moving average）也是一种流行的技术指标。指数移动平均线使用的权重是指数衰减的。对历史上的数据点赋予的权重以指数速度减小，但永远不会到达0。我们将在计算权重的过程中学习exp和linspace函数。

除了简单移动平均线，指数移动平均线（exponential moving average）也是一种流行的技术 指标。指数移动平均线使用的权重是指数衰减的。对历史上的数据点赋予的权重以指数速度减小， 但永远不会到达0。我们将在计算权重的过程中学习exp和linspace函数。

###  动手实践：计算指数移动平均线

给定一个数组，exp函数可以计算出每个数组元素的指数。例如，看下面的代码：

```
import numpy as np
import sys
from matplotlib.pyplot import plot, show

x = np.arange(5)
print("Exp", np.exp(x))
```
输出结果如下：

```
Exp [ 1.          2.71828183  7.3890561  20.08553692 54.59815003]
```

linspace函数需要一个起始值和一个终止值参数，以及可选的元素个数的参数，它将返回 一个元素值在指定的范围内均匀分布的数组。如下所示：
```
print('Linspace', np.linspace(-1, 0, 5))
```

输出结果如下：

```
Linspace [-1.   -0.75 -0.5  -0.25  0.  ]
```

下面我们来对示例数据计算指数移动平均线。

* (1) 还是回到权重的计算——这次使用exp和linspace函数。

```
# N=int(sys.argv[1])
N = 5
weights = np.exp(np.linspace(-1., 0., N))
```

* (2) 对权重值做归一化处理。我们将用到ndarray对象的sum方法。

```
weights /= weights.sum()
print('Weights', weights)
```

在N = 5时，我们得到的权重值如下：

```
Weights [0.11405072 0.14644403 0.18803785 0.24144538 0.31002201]
```

* (3) 接下来就很容易了，我们只需要使用在简单移动平均线一节中学习到的convolve函数即 可。同样，我们还是将结果绘制出来。

```
c = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)
ema = np.convolve(weights, c)[N - 1:-N + 1]
t = np.arange(N - 1, len(c))
plot(t, c[N - 1:], lw=1.0)
plot(t, ema, lw=2.0)
show()
```

我们再次得到了曼妙的折线图。与之前一样，相对比较平滑的粗线描绘的是指数移动平均线， 而锯齿状的细线描绘的是每天的收盘价。

![](https://img.handsomemark.com/2020/03/08/15836751097728.jpg)

### 刚才做了些什么

我们对收盘价数据计算了指数移动平均线。首先，我们使用exp和linspace函数计算出指 数衰减的权重值。linspace函数返回的是一个元素值均匀分布的数组，随后我们计算出它们的 指数。为了将这些权重值归一化，我们调用了ndarray对象的sum方法。最后，我们再次应用了 在前面简单移动平均线一节中学习到的convolve函数，最终计算出指数移动平均线。