用Python编写的指数移动平均(EMA)代码的比较

在移动平均线中，除简单移动平均线(SMA)之后最常用的一种是指数移动平均线(EMA)。除了作为使用EMA的技术指标而闻名的MACD之外，还有多次多次使用EMA的DEMA，TEMA和TriX，而自适应移动平均线(例如AMA，FrAMA和VIDyA)使用EMA作为计算方法。我会。

这次，
我将IIR滤波器类型的移动平均值与pandas和Scipy进行了比较
作为后续，让我们比较一些EMA代码。

EMA公式

实际使用EMA时，将句点作为参数输入，但是在这里，该公式直接用于检查EMA本身的性能。

$$ y(n)= \\ alpha x(n)(1- \\ alpha)y(n-1)$$

即，上式中EMA的参数为$ \\ alpha $。

pandas实施

首先，输入数据要乘以EMA
关于假定使用Numba的简单移动平均值的Python代码
也将其作为随机行走。

1
2
3
4
5

import numpy as np
import pandas as pd

dn = np.random.randint(2, size=100000)*2-1
gwalk = np.cumprod(np.exp(dn*0.01))*100

使用

pandas，您可以轻松地转换为Series类并使用ewm和mean方法运行EMA。您也可以直接将alpha分配为ewm的参数。 alpha的范围是0到1，并且没有特别的差异，因此请在此输入0.15。

1
2
3
4

def EMA1(x, alpha):
return pd.Series(x).ewm(alpha=alpha).mean()

%timeit y1 = EMA1(gwalk, 0.15)

执行时间如下。

1	100 loops, best of 3: 8.62 ms per loop

用lflter实现scipy

我将IIR滤波器类型的移动平均值与pandas和scipy进行了比较
它是使用scipy的filter函数lfilter的一种实现方式。

1
2
3
4
5
6

from scipy.signal import lfilter
def EMA2(x, alpha):
y,zf = lfilter([alpha], [1,alpha-1], x, zi=[x[0]*(1-alpha)])
return y

%timeit y2 = EMA2(gwalk, 0.15)

执行时间如下。

1	1000 loops, best of 3: 631 μs per loop

这是上一篇文章的结尾，据说scipy很快，但是这次是续篇。

使用Numba直接执行公式

直接编写EMA公式。但是，如果按原样放置，它将非常慢，因此请使用Numba加快速度。

1
2
3
4
5
6
7
8
9
10

from numba import jit
@jit(nopython=True)
def EMA3(x, alpha):
y = np.empty_like(x)
y[0] = x[0]
for i in range(1,len(x)):
y[i] = alpha*x[i] + (1-alpha)*y[i-1]
return y

%timeit y3 = EMA3(gwalk, 0.15)

如果将nopython=True添加到

@jit的参数，并且没有错误发生，则可以预期会加速。实际上，执行时间是

1	1000 loops, best of 3: 227 μs per loop

它变为

，比scipy更快。

对于

EMA，结果是使用Numba进行直接编码最快。