合肥网站搭建公司哪家好,深圳二维码网站建设,智能印刷在线设计平台,lamp 搭建wordpressMA 均线时最基本的技术指标#xff0c;也是最简单#xff0c;最不常用的#xff08;通常使用EMA、SMA#xff09;。
以下用两种不同的计算方法和两种不同的画图方法进行展示和说明。
MA 均线指标公式
MA (N)(C1 C2 C3 …C N )/N目录 方式一1.SQL 直接查询均值2.使用 pyp…MA 均线时最基本的技术指标也是最简单最不常用的通常使用EMA、SMA。
以下用两种不同的计算方法和两种不同的画图方法进行展示和说明。
MA 均线指标公式
MA (N)(C1 C2 C3 …C N )/N目录 方式一1.SQL 直接查询均值2.使用 pyplot 进行绘图3.使用 Grafana 绘图 方式二1.使用 Python 计算 MA2.使用 pyplot 进行绘图 高能预警题外话 方式一
1.SQL 直接查询均值
TDengine 提供了很多时间相关函数其中有个窗口函数 interval 可以进行滑动时间窗口的运算。函数说明见官方文档。
直接查询 2022-08-01 到 2022-10-01 时间段的 5 日 MASQL 如下
selectma
from(select_wend as ts,avg(close) as mafrom(select_wstart,last(close) as closefromtrade_data_a.tdatawherefcode 000001 interval(1d) // 获取每日最后一分钟的收盘价作为当日收盘价) interval(5d) sliding(1d) //计算5日的收盘价平均值滑动窗口为1天。)
wherets 2022-08-01 and ts 2022-10-01 //选取指定时间范围内数据数据结构见之前的文章《[量化投资-学习笔记001]PythonTDengine从零开始搭建量化分析平台-数据存储》
Python 代码如下
def request_get(resInfo):load_data json.loads(resInfo)data load_data.get(data)datalist []for i in range(len(data)):datalist.append(float(data[i][0]))return datalistdef get_ma(sql):ma []rt request_post(tdurl,sql,username,password)if check_return(rt) error:print(rt)else:ma request_get(rt)return ma2.使用 pyplot 进行绘图
if __name__ __main__:ma5 get_ma(ma5_sql)ma10 get_ma(ma10_sql)plt.title(MA)plt.plot(ma5,b,linewidth1.0,labelMA5)plt.plot(ma10,y,linewidth1.0,labelMA10)plt.legend()plt.grid()plt.show()3.使用 Grafana 绘图
Grafana 可以直接访问 TDengine 数据库我们直接添加一张时间序列图即可。 SQL 如下
select ts,ma from (select _wend as ts,avg(close) as ma from (select _wstart,last(close) as close from trade_data_a.tdata where fcode000001 interval(1d)) interval(5d) sliding(1d) )where ts$from and ts$to注意 Grafana 中的时间序列图必须带上时间。 时间范围可以使用 Grafana 自带函数 $from 和 $to方便图形的缩放。 方式二
1.使用 Python 计算 MA
通过查询 TDengine 数据库获取原数据然后使用 Python 计算 MA。 原始数据获取
selectclose
from(select_wstart as ts,last(close) as closefromtrade_data_a.tdatawherefcode 000001 interval(1d) //获取每日收盘价)
wherets 2022-08-01 and ts 2022-10-01 //获取指定日期收盘价这里计算 MA 时取巧使用了 numpy 的均值函数。
def calc_ma(days,ma):ma_n []days days-1for i in range(len(ma)):if i days:ma_n.append(np.mean(ma[i-days:i1]))else:if i 0:ma_n.append(ma[i])else:ma_n.append(np.mean(ma[:i]))return ma_n注意 以上对初始的几个值按实际个数进行了平均因此结果与方式一存在偏差。 2.使用 pyplot 进行绘图
if __name__ __main__:ma5_n calc_ma(5,get_ma(sql_ma))ma10_n calc_ma(10,get_ma(sql_ma))plt.title(MA)plt.plot(ma5_n,g,linewidth1.0,labelMA5_N)plt.plot(ma10_n,r,linewidth1.0,labelMA10_N)plt.legend()plt.grid()plt.show()高能预警
从图形上来看不管哪种方式展示出的图形都相差不大但为了对比我们讲方式一和方式二的图形放到一起进行对比。
if __name__ __main__:ma5 get_ma(ma5_sql)ma10 get_ma(ma10_sql)ma5_n calc_ma(5,get_ma(sql_ma))ma10_n calc_ma(10,get_ma(sql_ma))plt.title(MA)plt.plot(ma5,b,linewidth1.0,labelMA5)plt.plot(ma10,y,linewidth1.0,labelMA10)plt.plot(ma5_n,g,linewidth1.0,labelMA5_N)plt.plot(ma10_n,r,linewidth1.0,labelMA10_N)plt.legend()plt.grid()plt.show()WTF!!
大坑出现了
为何图形形状差不多但是数据却对不上
问题就出在 TDengine 的滑动时间窗口函数上面这个函数是按照时间维度顺序滑动的默认时间是连续的。
但是 交易时间是不连续的 交易时间是不连续的 交易时间是不连续的
这就造成了方式一中不仅相同时间段的数据条数多了数值计算也错了。
所以TDengine 的时间窗口函数对于这种不连续的时间真是无能为力只能老老实实自己进行计算了。
但如果只是想看看趋势什么的不考虑精确性用 TDengineGrafana 还是挺方便的。
题外话
MA 是技术分析指标。对于技术分析有时模糊的准确比精准的错误更重要。 我之前有个课后作业对技术分析的多解性做了说明有兴趣的同学可以看两眼https://www.zhihu.com/question/34886985/answer/3264087568
技术分析除了具有多解性还具有反身性这就造成了技术分析的误差非常大而且越追求精准误差越大。
