一文带你深入了解Python中的二次移动平均法

二次移动平均法逻辑

二次移动平均法是一种重要的数学工具，用于处理时间序列数据，它的主要目的是通过平滑序列中的噪音数据来更好地捕捉趋势。

具体实现：

• 计算第一个二次移动平均数，这通常是简单移动平均数（SMA）。

• 使用以下公式计算每个时间步的二次移动平均数：

EMA_t=α×y_t+(1−α)×EMA_t−1

其中EMA_t表示时间步t的二次移动平均数，y_t表示时间步t的数据点，α表示权重系数，它一般设置为2/(n+1)，其中n表示窗口长度。

Python代码实现

下面是一个用 python 实现的二次移动平均法的代码示例：

def ema(data, window):
   alpha = 2 / (window + 1)
   ema = [data[0]]
   for i in range(1, len(data)):
       ema.append(alpha * data[i] + (1 - alpha) * ema[-1])
   return ema

data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
window = 5
ema_data = ema(data, window)
print(ema_data)

运行代码，得到如下输出。

第二种实现二次移动平均法的方式

另一种写法是直接使用 NumPy 的函数 numpy.convolve() 实现二次移动平均法。具体如下：

import numpy as np

data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
window = 5

def double_moving_average(data, window=2):
   return np.convolve(data, np.ones(window) / window, 'valid')

ema_data = double_moving_average(data, window)
print(ema_data)

这里的 data 变量表示输入的数据， window 变量表示窗口大小，这个代码实现了二次移动平均法的功能，可以得到移动平均值数组。

第三种卷积实现二次移动平均法

第三种方法是使用卷积，在 Python 中可以使用 Numpy 实现：

import numpy as np

data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
window = 5

def moving_average_2(data, window=3):
   cumsum_vec = np.cumsum(np.insert(data, 0, 0))
   ma = (cumsum_vec[window:] - cumsum_vec[:-window]) / window
   return np.concatenate((np.zeros(window - 1), ma))

ema_data = moving_average_2(data, window)
print(ema_data)

这种方法将二次移动平均法转化为卷积的形式，使用 cumsum() 函数计算前缀和，然后通过切片的方式计算窗口内的平均值。

二次移动平均法的应用场景

数据平滑：可以通过二次移动平均法对时间序列数据进行平滑处理，去除其中的噪音和瞬时干扰。

趋势分析：可以通过对数据进行二次移动平均法处理，得到数据的趋势信息，用于趋势分析和预测。

市场分析：在股市分析中，二次移动平均法常被用于分析股票价格的趋势，判断买卖信号。

去除季节性：二次移动平均法可以用于去除季节性对数据的影响。

来源：https://blog.csdn.net/hihell/article/details/128834635