Moving Average Cran R

Detalhes das Médias Móveis SMA calcula a média aritmética da série sobre as últimas observações n. A EMA calcula uma média exponencialmente ponderada, dando mais peso às observações recentes. Consulte a secção Advertência abaixo. WMA é semelhante a um EMA, mas com ponderação linear se o comprimento de wts é igual a n. Se o comprimento de wts é igual ao comprimento de x. O WMA usará os valores de wts como pesos. DEMA é calculado como: DEMA (1 v) EMA (x, n) - EMA (EMA (x, n), n) v (com os argumentos wilder e ratio correspondentes). EVWMA usa volume para definir o período do MA. ZLEMA é semelhante a um EMA, uma vez que dá mais peso às observações recentes, mas tenta remover lag subtraindo dados antes de (n-1) / 2 períodos (padrão) para minimizar o efeito cumulativo. VWMA e VWAP calculam o preço médio móvel ponderado pelo volume. VMA calcular uma média móvel de comprimento variável com base no valor absoluto de w. Valores mais altos de w farão com que o VMA reaja mais rápido (mais lentamente). HMA um WMA da diferença de dois outros WMAs, tornando-o muito reponsive. ALMA inspirado por filtros gaussianos. Tende a colocar menos peso nas observações mais recentes, reduzindo a tendência de superação. Valor Um objeto da mesma classe como x ou preço ou um vetor (se try. xts falhar) contendo as colunas: Média móvel simples. Média móvel exponencial. Média móvel ponderada. Média móvel exponencial dupla. Elástica, volume-ponderada média móvel. Zero lag média móvel exponencial. Média móvel ponderada em volume (igual a VWAP). Volume médio ponderado (igual ao VWMA). Média móvel de comprimento variável. Média móvel do casco. Arnaud Legoux média móvel. Aviso Alguns indicadores (por exemplo, EMA, DEMA, EVWMA, etc.) são calculados usando os indicadores próprios dos valores anteriores e, portanto, são instáveis ​​no curto prazo. À medida que o indicador recebe mais dados, sua saída se torna mais estável. Veja o exemplo abaixo. Observação Para EMA. WilderFALSE (o padrão) usa uma razão de suavização exponencial de 2 / (n1). Enquanto wilderTRUE usa Welles Wilders proporção de suavização exponencial de 1 / n. Uma vez que WMA pode aceitar um vetor de peso de comprimento igual ao comprimento de x ou de comprimento n. Ele pode ser usado como uma média móvel ponderada regular (no caso wts1: n) ou como uma média móvel ponderada pelo volume, outro indicador, etc. Uma vez que DEMA permite ajustar v. É tecnicamente Tim Tillsons generalizada DEMA (GD). Quando v1 (o padrão), o resultado é o padrão DEMA. Quando v0. O resultado é um EMA regular. Todos os outros valores de v retornam o resultado GD. Esta função pode ser usada para calcular o indicador Tillsons T3 (veja exemplo abaixo). Graças a John Gavin por sugerir a generalização. Para EVWMA. Se volume for uma série, n deve ser escolhido de modo que a soma do volume para n períodos aproxima o número total de ações em circulação para a garantia sendo a média. Se o volume for uma constante, deve representar o número total de ações em circulação para o valor médio. Referências Veja também Como calcular a média móvel sem usar o filtro () Há um zilhão de respostas a isso, porque a sua pergunta é realmente: Como faço para suavizar uma série de tempo Assim você pode Procure palavras-chave apropriadas. Minha resposta é: não use médias móveis - thats pathetically antigo. Loess é um entre os zilhões de alternativas que você pode considerar. Poste no CV (stats. stackexchange) para outras alternativas estatísticas para alisamento de séries temporais. Além disso, o quotunderstandingquot você expressou acima é falho. As construções de tipo de aplicação são loops (de nível R). Então, você fez sua lição de casa lendo Uma Intro para R (cran. r-project. org/doc/manuals/R-intro. pdf) ou outros tutoriais da web Se não, por favor, faça isso antes de postar aqui mais. Bert Gunter Genentech Biostatistics Nonclinical (650) 467-7374 quotData não é informação. A informação não é conhecimento. E o conhecimento não é certamente sabedoria. H. Gilbert Welch Em Seg, Fev 17, 2014 at 10:45 AM, C W lthidden e-mail gt escreveu: gt Hi lista, gt Como faço para calcular uma média móvel sem usar filter (). Filter () não gt parece não dar médias ponderadas. Gt gt Estou olhando para aplicar (), tapply. Mas nada quotmovesquot. Gt gt Por exemplo, gt gt datlt - c (1:20) gt mean (dat1: 3) gt mean (dat4: 6) gt mean (dat7: 9) gt mean (dat10: 12) gt gt etc. Entender o ponto de aplicar é evitar loops, como devo incorporar gt esta idéia em usar um gt gt gt Obrigado, gt gt gt gt gt alternativa versão gt gt gt gt ocultos mail mailing list gt stat. ethz. ch/mailman / Listinfo / r-help gt POR FAVOR, leia o guia de publicação R-project. org/posting-guide gt e forneça código comentado, mínimo, auto-contido e reprodutível. Em resposta a este post por tmrsg11 Em 17 de fevereiro de 2014, às 10:45, C W escreveu: gt Hi lista, gt Como faço para calcular uma média móvel sem usar filter (). Filter () não gt parece não dar médias ponderadas. Gt gt Estou olhando para aplicar (), tapply. Mas nada quotmovesquot. Gt gt Por exemplo, gt gt datlt - c (1:20) gt mean (dat1: 3) gt mean (dat4: 6) gt mean (dat7: 9) gt mean (dat10: 12) gt gt etc. Entender o ponto de aplicar é evitar loops, como devo incorporar gt esta idéia em usar um () gt Construir um vetor para agrupar e usar tapply. A divisão do módulo é um método comum para conseguir isso. Às vezes a seq-função pode ser usada se você ajustar o comprimento corretamente. Gt tapply (dat, (0: ​​(comprimento (dat) -1)) / 3, média) 0 1 2 3 4 5 6 2.0 5.0 8.0 11.0 14.0 17.0 19.5 tapply (dat, round (seq (1, ) / 3), comprimento de len (dat))), média) 1 2 3 4 5 6 7 1,5 4,5 8,0 11,0 14,5 18,0 20,0 O comentário sobre a ponderação dos não parece ser exemplificado no seu exemplo. Gt Obrigado, gt Mike gt gt alternativa versão HTML suprimido gt gt gt lista de e-mail escondida gt stat. ethz. ch/mailman/listinfo/r-help gt POR FAVOR leia o guia de postagem R-project. org/posting-guide Gt e fornecem código comentado, mínimo, auto-contido, reprodutível. Como calcular a média móvel sem usar o filtro () Em resposta a este post de Rui Barradas Para média móvel de 5 pontos, filtre (x, side2, filterrep (1/5, 5)), versus, filter (x, side2, filterrep (1, 5) Eles têm o mesmo efeito, já que o total precisa ser 1. Gabor amp Rui: Estou ciente do pacote zoo, Eu não queria instalar um pacote para uma função. Mesmo motivo para o pacote de S .. David, obrigado, que é o que eu estou procurando Mon, 17 de fevereiro de 2014 às 2:07, Rui Barradas lthidden e-mail gt escreveu: Gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt gt Gt pode ser computado com algo como o seguinte gt gt s lt - (seqalong (dat) - 1) / 3 gt sapply (divisão (dat, s), média) gt gt gt Espero que isso ajude gt gt Rui Barradas gt gt Gt Em 17-02-2014 18:45, CW escreveu: gt gtgt Oi lista, gtgt Como faço para calcular uma média móvel sem usar filter (). Filter () gtgt não parece dar médias ponderadas. Gtgt gtgt Eu estou olhando para aplicar (), tapply. Mas nada quotmovesquot. Por exemplo, gtgt gtgt gtgt datlt-c (1:20) gtgt significa (dat1: 3) gtgt significa (dat4: 6) gtgt significa (dat7: 9) gtgt significa (dat10: 12) gtgt gtgt etc. Entender o ponto de aplicar é evitar loops, como devo gtgt incorporar gtgt esta idéia em usar um () gtgt gtgt gtgt Obrigado, gtgt gtgt gtgt gtgt alternativo versão HTML excluído gtgt gtgt gtgt lista de discussão de e-mail escondido gtgt stat. ethz. ch/ Mail / listinfo / r-help gtgt POR FAVOR leia o guia de postagem R-project. org/ gtgt posting-guide gtgt e forneça código comentado, mínimo, autónomo e reprodutível. Gtgt gtgt versão HTML alternativa deletedMoving Médias Detalhes SMA calcula a média aritmética da série sobre as últimas observações n. A EMA calcula uma média exponencialmente ponderada, dando mais peso às observações recentes. Consulte a secção Advertência abaixo. WMA é semelhante a um EMA, mas com ponderação linear se o comprimento de wts é igual a n. Se o comprimento de wts for igual ao comprimento de x. O WMA usará os valores de wts como pesos. DEMA é calculado como: DEMA (1 v) EMA (x, n) - EMA (EMA (x, n), n) v (com os argumentos wilder e ratio correspondentes). EVWMA usa volume para definir o período do MA. ZLEMA é semelhante a um EMA, uma vez que dá mais peso às observações recentes, mas tenta remover lag subtraindo dados antes de (n-1) / 2 períodos (padrão) para minimizar o efeito cumulativo. VWMA e VWAP calculam o preço médio móvel ponderado pelo volume. VMA calcular uma média móvel de comprimento variável com base no valor absoluto de w. Valores mais altos de w farão com que o VMA reaja mais rápido (mais lentamente). HMA um WMA da diferença de dois outros WMAs, tornando-o muito reponsive. ALMA inspirado por filtros gaussianos. Tende a colocar menos peso nas observações mais recentes, reduzindo a tendência de superação. Valor Um objeto da mesma classe como x ou preço ou um vetor (se try. xts falhar) contendo as colunas: Média móvel simples. Média móvel exponencial. Média móvel ponderada. Média móvel exponencial dupla. Elástica, volume-ponderada média móvel. Zero lag média móvel exponencial. Média móvel ponderada em volume (igual a VWAP). Volume médio ponderado (igual ao VWMA). Média móvel de comprimento variável. Média móvel do casco. Arnaud Legoux média móvel. Aviso Alguns indicadores (por exemplo, EMA, DEMA, EVWMA, etc.) são calculados usando os indicadores próprios dos valores anteriores e, portanto, são instáveis ​​no curto prazo. À medida que o indicador recebe mais dados, sua saída se torna mais estável. Veja o exemplo abaixo. Observação Para EMA. WilderFALSE (o padrão) usa uma razão de suavização exponencial de 2 / (n1). Enquanto wilderTRUE usa Welles Wilders proporção de suavização exponencial de 1 / n. Uma vez que WMA pode aceitar um vetor de peso de comprimento igual ao comprimento de x ou de comprimento n. Ele pode ser usado como uma média móvel ponderada regular (no caso wts1: n) ou como uma média móvel ponderada pelo volume, outro indicador, etc. Uma vez que DEMA permite ajustar v. É tecnicamente Tim Tillsons generalizada DEMA (GD). Quando v1 (o padrão), o resultado é o padrão DEMA. Quando v0. O resultado é um EMA regular. Todos os outros valores de v retornam o resultado GD. Esta função pode ser usada para calcular o indicador Tillsons T3 (veja exemplo abaixo). Graças a John Gavin por sugerir a generalização. Para EVWMA. Se o volume for uma série, n deve ser escolhido de modo que a soma do volume para n períodos aproxima o número total de ações em circulação para a garantia em média. Se o volume for uma constante, deve representar o número total de ações em circulação para o valor médio. Author (s) Joshua Ulrich, Ivan Popivanov (HMA, ALMA) Referências Veja tambémMoving médias em R Para o melhor de meu conhecimento, R não tem uma função interna para calcular médias móveis. Usando a função de filtro, no entanto, podemos escrever uma função curta para médias móveis: Podemos então usar a função em qualquer dado: mav (dados) ou mav (data, 11) se quisermos especificar um número diferente de pontos de dados Do que o padrão 5 plotando obras como esperado: plot (mav (dados)). Além do número de pontos de dados sobre os quais a média, também podemos alterar o argumento de lados das funções de filtro: sides2 usa ambos os lados, sides1 usa apenas valores passados. Compartilhe: Navegação de posts Comentário de navegação Comentário navigationquantmod Quantitative Financial Modeling amp Trading Framework para R Se havia uma área de R que era um pouco falta, era a capacidade de visualizar dados financeiros com ferramentas de gráficos financeiros padrão. Em virtude de nenhum outro pacote implementar isso, o quantmod tomou a chamada e deu uma chance em fornecer uma solução. O que começou com uma única solução de gráficos OHLC tornou-se uma facilidade de criação de gráficos altamente configurável e dinâmica na versão 0.3-4, com mais frieza prevista para 0.4-0 e mais além. Por enquanto, vamos dar uma olhada no que está atualmente no lugar: Gráficos financeiros em quantmod: A maior parte da funcionalidade de gráficos foi projetada para ser usada interativamente. Os exemplos a seguir devem ser muito fáceis de replicar a partir da linha de comando ou sua escolha GUI pessoal. Executar a partir de um script requer um pouco de cuidado extra, mas agora é possível também. Vamos começar a fazer gráficos Introdução chartSeries chartSeries é a principal função de fazer todo o trabalho em quantmod. Cortesia de as. xts ele pode lidar com qualquer objeto que é tempo-série como, o que significa R objetos de xts classe. Zoológico TimeSeries. Está . Ts. Irts. E mais Por padrão qualquer série que is. OHLC é mapeada como uma série OHLC. Há um argumento de tipo que permite ao usuário decidir sobre o estilo a ser renderizado: barras de cartas tradicionais, velas e gráficos de fósforos - velas finas. Obtê-lo :) -, bem como gráficos de linha. A opção de escolha padrão permite que o software decida, velas onde eles devem ser visíveis claramente, fósforos se muitos pontos estiverem sendo mapeados e linhas se a série não for de natureza OHLC. Se você não gosta de sempre especificar o tipo para substituir esse comportamento você está livre para usar as funções wrapper na próxima seção, ou fazer uso de setDefaults a partir do perversamente legal e útil padrão pacotes (disponível no CRAN). O fato de eu ter escrito isso não tem nada a ver com o meu endosso :) gt getSymbols (GS) Goldman OHLC do yahoo 1 GS gt chartSeries (GS) aviso gt o estilo de matchstick automático gt bem mudar isso na próxima seção gt, mas por agora ele está bem. Gt A funcionalidade básica de gráficos tenta não se afastar muito dos padrões de uso padrão em R. Embora você não será capaz de usar qualquer uma das ferramentas de gráficos padrão para exibir gráficos. Quantmods oh-tão-sábio autor tentou antecipar essa necessidade com funções especiais para compensar esta lacuna. Um rápido passo para trás, para explicar apenas o que está acontecendo nos bastidores dentro chartSeries pode estar em ordem though. O mapeamento é gerenciado através de um processo de dois passos. Primeiramente, os dados são examinados e as decisões básicas em como extrair melhor a série são calculadas. O resultado disto é um objeto interno - referido como chob (ch art object). Este objeto é então passado para a função de desenho principal (não para ser chamado diretamente) para ser desenhado para a tela. O objetivo da separação é permitir que as adições de gráficos dinâmicos mais impressionantes, assim como as modificações, sejam tão naturais quanto possível. Quando as alterações são feitas para o gráfico atual - seja adicionando indicadores técnicos, ou alterar os parâmetros originais, como o estilo de gráfico - o objeto chob armazenado é simplesmente alterado e, em seguida, redesenhado sem muita manipulação do usuário tedioso. O objetivo era fazê-lo funcionar sem esforço extra do usuário - e, em seguida, acabar apenas faz. Atalhos de gráficos - barChart, lineChart e candleChart. Enquanto chartSeries é a função primária chamada ao desenhar um gráfico no quantmod - não é de forma alguma a única maneira de fazer algo. Existem funções wrapper para cada um dos principais tipos de gráficos atualmente disponíveis no quantmod. Wrapper funções existem para tornar a vida um pouco mais fácil. Bar estilo gráficos, tanto hlc e ohlc variedades estão diretamente disponíveis com barChart. Candlestick que traça vem naturalmente com a função do envoltório do candleChart, e as linhas através do nome cryptically - você o adivinhou - lineChart. Não há muito especial sobre essas funções para além do óbvio. Na verdade eles são um forros que simplesmente chamar chartSeries com adequadamente alterado padrão args. Mas eles fazem uma adição agradável para o estábulo. Gt primeiro algumas barras de estilo high-low-close, tema monocromático gt barChart (GS, themewhite. mono, bar. typehlc) gt como sobre algumas velas, desta vez com cor gt candleChart (GS, multi. colTRUE, themewhite) gt gt e Agora uma linha, com o esquema de cores padrão gt lineChart (GS, line. typeh, TANULL) Como você pode ver, há um pouco de flexibilidade quanto à exibição de suas informações. O que você pode ter também notado é os diferentes argumentos para cada uma das chamadas. Bem, agora dê uma olhada no que alguns deles fazem. Argumentos formais: cores, subconjuntos, marcas de carrapatos. O melhor local para obter informações completas sobre os argumentos que as funções assumem está na documentação. Mas por agora, dê uma olhada em algumas das opções comuns que você pode mudar. Provavelmente o mais importante do ponto de vista da usabilidade é o subconjunto de argumentos. Isso leva um estilo xts / ISO8601 baseado em tempo string e restringe o plotagem para o intervalo de data / hora especificado. Isso não restringe os dados disponíveis para as funções de análise técnica, restringe apenas o conteúdo desenhado para a tela. Por esta razão, é mais vantajoso usar o máximo de dados disponíveis e, em seguida, fornecer a função chartSeries com o subconjunto que você gostaria de exibir. Esse subconjunto também é disponível através de uma chamada para zoomChart. Um exemplo, ou três, deve ajudar a esclarecer seu uso. Gt toda a série gt chartSeries (GS) gt agora - um pouco, mas de subsetting gt (07 de dezembro para a última observação em 08) gt candleChart (GS, subset2007-12 :: 2008) gt sintaxe ligeiramente diferente - após o fato. Gt também alterando a rotulagem x eixo gt candleChart (GS, themewhite, typecandles) gt reChart (major. ticksmonths, subsetfirst 16 semanas) Três coisas de nota sobre o último gráfico. Primeiro foi o uso de reChart para modificar o gráfico original. Isso leva a maioria dos argumentos das chamadas de gráficos originais e permite modificações rápidas em seus gráficos. Seja mudando temas de cores ou subconjunto - ele vem em muito útil. O segundo item notável é o uso da primeira sintaxe dentro do subconjunto. Isso permite uma expressão ligeiramente mais natural do que você pode ser depois, e não exige que você saiba qualquer coisa sobre as datas série ou vezes. O último item de nota na última imagem é o argumento tick. marks. Isso faz parte da lista de formulários da função chartSeries original e é usada para modificar o posicionamento das etiquetas no gráfico. Muitas vezes o espaçamento automaticamente escolhido - orientado pela função xts axTicksByTime faz um trabalho suficientemente bom - você pode achar que é desejável personalizar a saída ainda mais. Neste caso, marcamos os principais carrapatos com os meses iniciais. Análise técnica e chartSeries Atualizado e pronto para ir são algumas ferramentas fantásticas do pacote TTR por Josh Ulrich. Disponível no CRAN. Agora é possível simplesmente adicionar dezenas de ferramentas de análise técnica ao gráfico com nada mais do que um simples comando. Os indicadores atuais do pacote TTR, bem como alguns originários do pacote de quantmod são: Todos os trabalhos acima funcionam bem como as funções de base do TTR em que eles chamam. A diferença principal é que a família de adicionar de chamadas não inclui o argumento de dados, como este é derivado do gráfico atual. Alguns exemplos irão destacar como construir gráficos com os indicadores embutidos. Gt getSymbols (GS) Goldman OHLC de yahoo 1 GS gt O argumento TA para o chartSeries é uma maneira de especificar as chamadas do indicador gt a serem aplicadas ao gráfico. Gt NULL significa não desenhar nenhum. Gt gt chartSeries (GS, TANULL) gt Agora com alguns indicadores aplicados gt gt chartSeries (GS, themewhite, TAaddVo () addBBands () addCCI ()) gt O mesmo resultado poderia ser realizado um bit gt mais interativamente: gt gt chartSeries (GS , Themewhite) desenhar o gráfico gt addVo () adicionar volume gt addBBands () adicionar Bollinger Bands gt addCCI () adicionar Commodity Channel Index Um dos mais recentes e mais emocionante adições ao recente lançamento de quantmod inclui duas novas ferramentas de gráficos projetado para fazer adição personalizada Muito mais rápido do que era possível. A primeira delas é addTA. Esta é uma grande extensão para a função addTA anterior, na medida em que agora permite que dados arbitrários sejam desenhados nos gráficos. Agindo como essencialmente um invólucro para seus dados, o único requisito é que os dados tenham o mesmo número de observações que o original, ou seja, da classe xts e as datas estejam dentro da faixa de tempo e escala de dados originais. É possível ter esses novos dados plotados em seu próprio subchart TA (o padrão) ou sobreposto na série principal. A segunda função e potencialmente mais interessante é newTA. Esta é a função de esqueleto há muito aguardada para criar indicadores TA personalizados a serem anexados a qualquer gráfico. Ele leva o conceito de esqueleto um passo adiante e cria dinamicamente o código de função necessário para um novo indicador, com base na função que você passou para ele. Essencialmente, um pouco de programação auto-consciente torna a adição de novos indicadores bastante intuitiva e praticamente indolor. Dado suas habilidades um pouco de ponta, está na cúspide do experimental. Felizmente se tudo mais falhar, eo que você obtém não é o que você esperava, você sempre pode modificar o código criado para melhor atender às suas necessidades. Um rápido olhar para adicionar dados de indicadores personalizados e criar um novo indicador a partir do zero. Gt getSymbols (YHOO) Yahoo OHLC de yahoo 1 YHOO gt addTA permite que você adicione indicadores básicos gt para seus gráficos - mesmo se eles arent parte gt de quantmod. Gt gt chartSeries (YHOO, TANULL) gt Em seguida, adicione o Open to Close mudança de preço gt usando o quantmod OpCl função gt gt addTA (OpCl (YHOO), colblue, typeh) gt Usando newTA é possível criar o seu próprio gt genérico TA função --- vamos chamá-lo addOpCl gt gt addOpCl lt - newTA (OpCl, colgreen, typeh) gt gt addOpCl () Mais para vir. Há muito mais a dizer sobre chartSeries e quantmods ferramentas de visualização atuais e futuras, mas por agora é hora de chamá-lo de um dia (ou 30) e concluir esta introdução ao mapeamento em quantmod. Futuras adições a este site e a documentação incluirão mais detalhes sobre como interagir com os gráficos - agora e em lançamentos futuros, novas opções de layout e uma possível incursão em ferramentas e técnicas de visualização totalmente novas. Mas por enquanto isso é tudo que eu tenho. Este software é escrito e mantido por Jeffrey A. Ryan. Consulte a licença para obter detalhes sobre como copiar e usar. Copyright 2008.