时间序列分析 - 移动平均SMA, EMA(EWMA) 之python

pandas:

pandas.DataFrame.rolling

pandas.DataFrame.ewm

pandas.DataFrame.mean

其中rolling可以指定窗口类型win_type,比如boxcar, boxcar, triang, blackman, hanning, bartlett

以hanning window为例，其窗口形状为钟型，曲线函数为：

$w(n)=0.5(1-cos(\frac{2\pi n}{N-1}))$

python代码：

import matplotlib.pyplot as plt
import statsmodels.api as smdata_loader = sm.datasets.sunspots.load_pandas()
df = data_loader.dataprint("df length is %d" %len(df))
print("inital df head:")
print(df.head(20))
print("SMA head:")
print(df["SUNACTIVITY"].rolling(window=10).mean().head(20))
print("EMA head:")
print(df["SUNACTIVITY"].ewm(span=10,min_periods=10).mean().head(20))year_range = df["YEAR"].values
plt.plot(year_range, df["SUNACTIVITY"].values, label="Original")
plt.plot(year_range, df["SUNACTIVITY"].rolling(window=10).mean(), label="SMA wave")
plt.plot(year_range, df["SUNACTIVITY"].rolling(window=10, win_type='hanning').mean(), label="SMA wave with Hanning window")
plt.plot(year_range, df["SUNACTIVITY"].ewm(span=10,min_periods=10).mean(), label="EMA wave")
plt.legend()
plt.show()

输出结果：

df length is 309
inital df head:YEAR  SUNACTIVITY
0   1700.0          5.0
1   1701.0         11.0
2   1702.0         16.0
3   1703.0         23.0
4   1704.0         36.0
5   1705.0         58.0
6   1706.0         29.0
7   1707.0         20.0
8   1708.0         10.0
9   1709.0          8.0
10  1710.0          3.0
11  1711.0          0.0
12  1712.0          0.0
13  1713.0          2.0
14  1714.0         11.0
15  1715.0         27.0
16  1716.0         47.0
17  1717.0         63.0
18  1718.0         60.0
19  1719.0         39.0
SMA head:
0      NaN
1      NaN
2      NaN
3      NaN
4      NaN
5      NaN
6      NaN
7      NaN
8      NaN
9     21.6
10    21.4
11    20.3
12    18.7
13    16.6
14    14.1
15    11.0
16    12.8
17    17.1
18    22.1
19    25.2
Name: SUNACTIVITY, dtype: float64
EMA head:
0           NaN
1           NaN
2           NaN
3           NaN
4           NaN
5           NaN
6           NaN
7           NaN
8           NaN
9     20.690866
10    17.076843
11    13.664921
12    10.982917
13     9.244962
14     9.580603
15    12.880856
16    19.296004
17    27.462651
18    33.512151
19    34.528305
Name: SUNACTIVITY, dtype: float64

参考：

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.rolling.html

http://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.ewm.html

https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.mean.html

时间序列分析 - 移动平均SMA, EMA(EWMA) 之python相关推荐

时间序列分析 - 移动平均SMA, WMA, EMA(EWMA) 之理论公式
原文: https://zh.wikipedia.org/w/index.php?title=%E7%A7%BB%E5%8B%95%E5%B9%B3%E5%9D%87&variant=zh-c ...
金融时间序列分析：3. First Demo By Python
0. 目录金融时间序列分析:9. ARMA自回归移动平均模型金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型金融时间序列分析:6. AR模型实例金 ...
时间序列分析建模及相关算法的python实现
纯随机性检验原理: 纯随机序列:平稳序列值之间没有任何相关性的序称为纯随机序列,这意味着该序列过去的行为对将来的发展没有丝毫影响. 从统计分析的角度而言, 纯随机序列没有任何分析价值.纯随机序列也称 ...
金融时间序列分析：8. MA模型实例（Python）
0. 目录金融时间序列分析:9. ARMA自回归移动平均模型金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型金融时间序列分析:6. AR模型实例金 ...
【Python数据分析】时间序列分析——AR/MA/ARMA/ARIMA
目录一.时间序列的平稳性与差分法 1.时间序列的平稳性: 2.平稳性检验 3.纯随机性检验 4.差分法二.平稳时间序列模型 1.AR模型 2.MR模型 3.ARMA模型 4.平稳时间序列建模步骤 ...
金融时间序列分析：5. AR模型实例（Python）
0. 目录金融时间序列分析:9. ARMA自回归移动平均模型金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型金融时间序列分析:6. AR模型实例金 ...
金融时间序列分析: 10. ARMA模型实例（R，Python）
0. 目录金融时间序列分析:9. ARMA自回归移动平均模型金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型金融时间序列分析:6. AR模型实例金 ...
金融时间序列分析：1. 基础知识
0. 目录金融时间序列分析:9. ARMA自回归移动平均模型金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型金融时间序列分析:6. AR模型实例金 ...
金融时间序列分析：7. MA滑动平均模型
0. 目录金融时间序列分析:9. ARMA自回归移动平均模型金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型金融时间序列分析:6. AR模型实例金 ...

时间序列分析 - 移动平均SMA, EMA(EWMA) 之python

时间序列分析 - 移动平均SMA, EMA(EWMA) 之python相关推荐

最新文章

热门文章