【量化交易笔记】4.移动平均值的实现
上一讲已经讲A股的数据下载到本地或保存数据库，我们可以随时使用。
移动平均MA(Moving Average) ，是用统计分析的方法，将一定时期内的证券价格（指数）加以平均，并把不同时间的平均值连接起来，形成一根MA，用以观察证券价格变动趋势的一种技术指标。
下面我们从K 线图中的均线讲解移动平均值，如 5日均线（周），10日均线（半月），20日均线（月），250日均线（年）。在肌市多头排列，空头排列这些专业名称，我在以后讲解都需要用到移动平均值。多头排列，即小周期的均值大于大周期的均值，即小周期均线在大周期均线之上，反之，即空头排列。
除了移动平均之外，加权移动平均（Weighted Moving Average，WMA），指数移动平均值（Exponential Moving AverageEMA），也是类似指标，在股市也有着广泛的应用。
原理
在讲移动平均值前，让我先了解简单平均值：
M=1N∗(X1+X2+⋯+XN)=1N∑i=1NM=\frac{1}{N}*(X_1+X_2+ \cdots +X_N)=\frac{1}{N} \sum_{i=1}^N M=N1∗(X1+X2+⋯+XN)=N1i=1∑N
这就是我们平时讲的一般意义的平均值。而移动平均值，给定一个移动窗口，来计算一系列平均值。
我们以百度百科的例子。
原数据列为： X1,X2,X3,⋯,XnX_1,X_2,X_3,\cdots,X_n X1,X2,X3,⋯,Xn 现以窗口长度为 3，进行移动平均值，公式如下：
X1+X2+X33,X2+X3+X43,⋯,Xn−2+nn−1+Xn3\frac{X_1+X_2+X_3}{3},\frac{X_2+X_3+X_4}{3},\cdots,\frac{X_{n-2}+n_{n-1}+X_n}{3} 3X1+X2+X3,3X2+X3+X4,⋯,3Xn−2+nn−1+Xn
代码实现
为了方便描述，将数列都放在 pandas 里；
X= np.arange(1,11)
df=pd.DataFrame(X,columns=['A'])
for i in range(3,df.shape[0]):df.loc[i,'B']=(df.loc[i-3][0]+df.loc[i-2][0]+df.loc[i-1][0])/3
df
| A | B | |
|---|---|---|
| 0 | 1 | NaN |
| 1 | 2 | NaN |
| 2 | 3 | 2.0 |
| 3 | 4 | 3.0 |
| 4 | 5 | 4.0 |
| 5 | 6 | 5.0 |
| 6 | 7 | 6.0 |
| 7 | 8 | 7.0 |
| 8 | 9 | 8.0 |
| 9 | 10 | 9.0 |
可以发现B2=(A0+A1+A2)/3， B3=(A1+A2+A3)/3， B4=(A2+A3+A4)/3。由于前面2行个无法计算一般情况下是删除。
弄清楚原理后，pandas 函数和 Ta-lib 库都可以提供相关操作，获得一致结果。
- pandas 函数
# 直接用pandas 的rolling函数
df.A.rolling(window=3).mean()
- ta-lib 库
# talib 的MA 函数
talib.MA(df.A, timeperiod = 3)
这里在安装talib有个坑，需提醒大家的。
不能直接用命令安装pip install Ta-Lib，可能会提示安装不成功或错误。
原因是不同的python版本，需要不同的talib库。因此需要自己下载whl格式文件，进行手动安装。
方法如下：
- 找到自己电脑的python 版本 ，具体 命令为‘!python -V’，比如得到的是3.6.4
如：若本机安装是32位的python3.6，则选TA_Lib‑0.4.17‑cp36‑cp36m‑win32.whl下载；
下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/
在后面找到“TA-Lib: a wrapper for the TA-LIB Technical Analysis Library.”这一行下面。 - 在命令行中（命令行的打开方式在文章最后的Tips里），进入此whl文件所在的目录，执行命令：
pip install 下载的whl文件名
如：pip install TA_Lib-0.4.17-cp37-cp37m-win_amd64.whl
或pip install 文件所在的绝对路径+文件名
如：pip install D:my_packages TA_Lib-0.4.17-cp37-cp37m-win_amd64.whl
应用
现在以收盘价，画出5日，10日，20日，均线。为了方便我们定义一个函数。
def ma(df, n=5, factor='close'):"""计算均线因子:param df: 待计算扩展因子的DataFrame:param n: 待计算均线的周期，默认计算5日均线:param factor: 待计算均线的因子，默认为收盘价:return: 包含扩展因子的DataFrame"""# 均线名称，例如，收盘价的5日均线名称为ma_5，成交量的5日均线名称为volume_ma_5name = '{}ma_{}'.format('' if 'close' == factor else factor + '_', n)# 取待计算均线的因子列s = pd.Series(df[factor], name=name, index=df.index)# 利用rolling和mean计算均线数据s = s.rolling(center=False, window=n).mean()# 将均线数据添加到原始的DataFrame中df = df.join(s)# 均线数值保留两位小数df[name] = df[name].apply(lambda x: round(x + 0.001, 2))return df
# 均线周期列表
ma_list = [5, 10, 20, 30, 60]newxx=pd.DataFrame()
newxx['close']=dataframe['close']
for i in ma_list:newxx=ma(newxx,i)
# 数据太多，就取最后100个进行画图。
newxx[-100:].plot(figsize=(10, 8));
插播一个知识点
在采集到A股数据中有一列 pctChg ，即涨跌幅，也可以通过pandas的pct_change() 函数 来获得,
dataframe.close.pct_change()
原理即
收益当前=收盘价当前−收盘价前交易日收盘价前交易日收益_{当前}=\frac{收盘价_{当前} - 收盘价_{前交易日}}{收盘价_{前交易日}} 收益当前=收盘价前交易日收盘价当前−收盘价前交易日
这个函数，在A股又称收益率，如果带上参数， pct_change(5)可以表示5天的收益率。