Moving average filter python

Eu tenho uma matriz onde discreto sinewave valores são gravados e armazenados. Eu quero encontrar o máximo e min da forma de onda. Como os dados de onda senoidal são tensões gravadas usando um DAQ, haverá algum ruído, então eu quero fazer uma média ponderada. Assumindo self. yArray contém meus valores sinewave, aqui está o meu código até agora: Meu problema parece estar no segundo para loop, onde, dependendo do meu tamanho da janela média (filtersize), eu quero resumir os valores na janela a tomar A média deles. Recebo um erro dizendo: Eu sou um EE com pouca experiência em programação, então qualquer ajuda seria muito apreciada perguntou May 29 13 at 18:09 Paul, obrigado pela recomendação. Note-se, no entanto, que, embora x: y não produza um erro, ele não ganhará o resultado esperado no código OP39s. Qualquer OP precisaria usar sua correção, mas com yxfiltersize e retirado do loop ou a soma deve ser removida, com a indexação xy deixada no lugar. Ndash tom10 30 de maio 13 às 17:18 tom10, I39m certeza de que você está certo. Minha resposta foi principalmente ir fora alguma intuição sobre o que o problema mais provável era, eu não sou qualificado sobre o domínio do problema para saber a precisão do algoritmo real. É por isso que enviei o OP à sua resposta. Ndash Paul Woolcock May 30 13 at 17:22 As outras respostas corretamente descrevem seu erro, mas este tipo de problema realmente chama para usar numpy. Numpy correrá mais rápido, será mais memória eficiente, e é mais expressivo e conveniente para este tipo de problema. Heres um exemplo: Se você não quiser usar numpy, também deve ser observado que theres um erro lógico em seu programa que resulta no TypeError. O problema é que na linha você está usando a soma dentro do laço onde o seu também calcular a soma. Então, ou você precisa usar soma sem o loop, ou fazer um loop através da matriz e adicionar todos os elementos, mas não ambos (e está fazendo ambos, ou seja, aplicando soma ao elemento de matriz indexada, que leva ao erro no primeiro lugar). Ou seja, aqui estão duas soluções: numpy. average Eixo ao longo do qual a média a. Se Nenhum. A média é feita sobre o arranjo achatado. Pesos. Arraylike, optional Uma matriz de pesos associados com os valores em a. Cada valor em a contribui para a média de acordo com seu peso associado. A matriz de pesos pode ser 1-D (caso em que seu comprimento deve ser o tamanho de um ao longo do eixo dado) ou da mesma forma como a. Se weightsNone. Então todos os dados em um são assumidos para ter um peso igual a um. devolvida . Bool, opcional O padrão é False. Se for verdade . A tupla (média de sumofweights) é retornada, caso contrário apenas a média é retornada. Se weightsNone. Sumofweights é equivalente ao número de elementos sobre os quais a média é tomada. Média, sumofweights. Arraytype ou double Retorna a média ao longo do eixo especificado. Quando retornado é True. Retorna uma tupla com a média como o primeiro elemento ea soma dos pesos como o segundo elemento. O tipo de retorno é Float se a for de tipo inteiro, caso contrário ele é do mesmo tipo que a. Sumofweights é do mesmo tipo que a média. Nós introduzimos anteriormente como criar médias móveis usando python. Este tutorial será uma continuação deste tópico. Uma média móvel no contexto da estatística, também chamada média de rolamento / corrida, é um tipo de resposta de impulso finito. Em nosso tutorial anterior traçamos os valores das matrizes xey: Let8217s traçam x contra a média móvel de y que chamaremos yMA: Em primeiro lugar, let8217s equalizar o comprimento de ambos os arrays: E para mostrar isso no contexto: O resultado Gráfico: Para ajudar a entender isso, let8217s trama dois relacionamentos diferentes: x vs y e x vs MAy: A média móvel aqui é a parcela verde que começa em 3: Compartilhe isso: Como este: Related Post navegação Deixe uma resposta Cancelar resposta Very useful Eu gostaria de ler a última parte em grandes conjuntos de dados Espero que ele virá em breve8230 d blogueiros como este: Backtesting um Crossover média móvel em Python com pandas Por Michael Halls-Moore em 21 de janeiro de 2017 No artigo anterior sobre Research Backtesting Ambientes Em Python With Pandas criamos um ambiente de backtesting baseado em pesquisa orientado a objetos e o testamos em uma estratégia de previsão aleatória. Neste artigo, faremos uso da maquinaria que introduzimos para realizar pesquisas sobre uma estratégia real, a saber, o Crossover Médio Móvel na AAPL. Estratégia de Crossover Média em Movimento A técnica de Crossover de Moving Average é uma estratégia de momentum simplista extremamente bem conhecida. É freqüentemente considerado o exemplo Hello World para negociação quantitativa. A estratégia aqui descrita é longa. São criados dois filtros separados de média móvel simples, com períodos de retrocesso variáveis, de uma série temporal específica. Os sinais para comprar o ativo ocorrem quando a média móvel de retrocesso mais curta excede a média móvel de maior tempo de retrocesso. Se a média mais longa subseqüentemente exceder a média mais curta, o ativo é vendido de volta. A estratégia funciona bem quando uma série de tempo entra em um período de forte tendência e, em seguida, lentamente inverte a tendência. Para este exemplo, eu escolhi a Apple, Inc. (AAPL) como a série de tempo, com um lookback curto de 100 dias e um lookback longo de 400 dias. Este é o exemplo fornecido pela biblioteca de negociação algorítmica do zipline. Assim, se queremos implementar nosso próprio backtester, precisamos garantir que ele corresponda aos resultados em tirolesa, como um meio básico de validação. Implementação Certifique-se de seguir o tutorial anterior aqui. Que descreve como a hierarquia de objeto inicial para o backtester é construída, caso contrário, o código abaixo não funcionará. Para essa implementação em particular, usei as seguintes bibliotecas: A implementação do macross. py requer backtest. py do tutorial anterior. O primeiro passo é importar os módulos e objetos necessários: Como no tutorial anterior, vamos subclassificar a classe-base Abstract de Estratégia para produzir MovingAverageCrossStrategy. Que contém todos os detalhes sobre como gerar os sinais quando as médias móveis de AAPL cruzar uns aos outros. O objeto requer uma janela curta e uma janela longa sobre a qual operar. Os valores foram ajustados para padrões de 100 dias e 400 dias respectivamente, que são os mesmos parâmetros usados ​​no exemplo principal de tirolesa. As médias móveis são criadas usando a função rollingmean pandas sobre o preço de fecho barsClose do estoque AAPL. Uma vez construídas as médias móveis individuais, a Série de sinais é gerada ajustando a coluna igual a 1,0 quando a média móvel curta é maior que a média móvel longa, ou 0,0 caso contrário. A partir daí, as ordens de posição podem ser geradas para representar sinais de negociação. O MarketOnClosePortfolio é subclassificado do Portfolio. Que é encontrado em backtest. py. É quase idêntico à implementação descrita no tutorial anterior, com a exceção de que as negociações são agora realizadas em uma base Close-to-Close, em vez de uma base Open-to-Open. Para obter detalhes sobre como o objeto Portfolio está definido, consulte o tutorial anterior. Ive deixou o código em para a integridade e para manter este tutorial auto-contido: Agora que as classes MovingAverageCrossStrategy e MarketOnClosePortfolio foram definidas, uma função principal será chamado para amarrar todas as funcionalidades em conjunto. Além disso, o desempenho da estratégia será analisado através de um gráfico da curva de equivalência patrimonial. O objeto DataReader do pandas faz o download dos preços OHLCV das ações da AAPL para o período de 1º de janeiro de 1990 a 1º de janeiro de 2002, momento em que os sinais DataFrame são criados para gerar os sinais long-only. Subseqüentemente, a carteira é gerada com uma base de capital inicial de 100.000 USD e os retornos são calculados na curva de patrimônio líquido. O passo final é usar matplotlib para traçar um gráfico de dois dígitos de ambos os preços da AAPL, superposto com as médias móveis e sinais de compra / venda, bem como a curva de equidade com os mesmos sinais de compra / venda. O código de plotagem é obtido (e modificado) a partir do exemplo de implementação da tirolesa. A saída gráfica do código é a seguinte. Eu fiz uso do comando IPython colar para colocar isso diretamente no console IPython enquanto no Ubuntu, para que a saída gráfica permaneceu na vista. Os upticks rosa representam a compra do estoque, enquanto os downticks pretos representam vendê-lo de volta: Como pode ser visto a estratégia perde dinheiro durante o período, com cinco negócios de ida e volta. Isto não é surpreendente, tendo em conta o comportamento da AAPL ao longo do período, que registou uma ligeira tendência descendente, seguida de um aumento significativo a partir de 1998. O período de retrocesso dos sinais da média móvel é bastante grande e isso afectou o lucro do comércio final , O que de outra forma pode ter feito a estratégia rentável. Em artigos subseqüentes, criaremos um meio mais sofisticado de analisar o desempenho, bem como descrevendo como otimizar os períodos de retorno dos sinais individuais de média móvel. Michael Halls-Moore Mike é o fundador da QuantStart e tem estado envolvido no setor de finanças quantitativas nos últimos cinco anos, principalmente como desenvolvedor quantitativo e mais tarde como consultor de negociação de quant para hedge funds. Advanced Matplotlib Series (vídeos e fonte final apenas ) Uma vez que você tenha uma compreensão básica de como funciona o Matplotlib, você pode ter interesse em levar seu conhecimento um pouco mais. Algumas das necessidades gráficas mais complexas vêm na forma de análise de ações e gráficos, ou Forex. Nesta série tutorial, foram indo para cobrir onde e como automaticamente pegar, classificar e organizar alguns stock livre e dados de preços forex. Em seguida, foram indo para gráfico usando alguns dos indicadores mais populares como um exemplo. Aqui, bem fazer MACD (Moving Average Convergence Divergence) eo RSI (Relative Strength Index). Para nos ajudar a calculá-los, usaremos o NumPy, mas, caso contrário, calcularemos tudo por conta própria. Para adquirir os dados, iriam usar a API de finanças do Yahoo. Esta API retorna dados de preços históricos para o símbolo de ticker que especificamos e para o tempo que pedimos. Quanto maior o período de tempo, menor a resolução de dados que obtemos. Assim, se você pedir um período de tempo de 1 dia para AAPL, você receberá 3-minuto OHLC (aberto alto fechamento baixo) dados. Se você pedir 10 anos vale a pena, você obterá dados diários, ou mesmo 3 dias de tempo. Tenha isso em mente e escolha um período de tempo que se ajuste aos seus objetivos. Além disso, se você escolher um intervalo de tempo baixo o suficiente e obter alta granularidade suficiente, a API retornará o tempo em um carimbo de data / hora unix, em comparação com um carimbo de data. Uma vez que tenhamos os dados, vamos querer graficá-lo. Para começar, basta traçar as linhas, mas a maioria das pessoas vai querer traçar um castiçal em seu lugar. Vamos usar a função de candelabro Matplotlibs, e fazer uma edição simples para melhorar ligeiramente. Neste mesmo gráfico, bem também sobrepor alguns cálculos de média móvel. Depois disso, vamos criar uma sub-trama, e graficar o volume. Não podemos plotar o volume na mesma subtrama imediatamente, porque a escala é diferente. Para começar, vamos plotar o volume embaixo em outro sub-plot, mas eventualmente bem realmente sobreposição de volume na mesma figura e torná-lo um pouco transparente. Então, foram indo para adicionar 2 sub-parcelas e traçar um RSI indicador na parte superior eo MACD indicador na parte inferior. Para todos estes, foram indo para compartilhar o eixo X, para que possamos zoom in e out em 1 parcela e todos eles correspondem ao mesmo período de tempo. Vamos tramar no formato de data para o eixo X, e personalizar quase todas as coisas que podemos para a estética. Isso inclui mudar as cores da etiqueta da marca, as cores da borda / coluna, as cores das linhas, as cores do candelabro da OHLC, aprender a criar um gráfico preenchido (para o volume), histogramas, desenhar linhas específicas (hline para RSI) e muito mais. Heres o resultado final (eu tenho tanto um Python 3 e uma versão Python 2. Python 3 primeiro, depois Python 2. Certifique-se de que você está usando o que corresponde a sua versão Python): Isso é tudo por agora. Quer mais tutoriais Chefe para a Home Page Matplotlib Crash Course