Python Pandas 中的慢速随机实现答案

【问题标题】：Slow Stochastic Implementation in Python PandasPython Pandas 中的慢速随机实现
【发布时间】：2015-07-27 11:57:47
【问题描述】：

我是 pandas 的新手，我需要一个计算慢速随机变量的函数。我认为应该可以轻松实现，但我对 pandas 中的高级 API 不熟悉。

我的数据框包含“开盘价”、“高价”、“低价”和“收盘价”，并按日期编制索引。这么多信息应该足以计算慢随机数。

Following is the formula for calculating Slow Stochastic:
%K = 100[(C - L14)/(H14 - L14)] 

C = the most recent closing price 
L14 = the low of the 14 previous trading sessions 
H14 = the highest price traded during the same 14-day period.

%D = 3-period moving average of %K

【问题讨论】：

标签： numpy pandas matplotlib

【解决方案1】：

您可以使用rolling_* 系列函数来做到这一点。

例如，100[(C - L14)/(H14 - L14)] 可以通过以下方式找到：

import pandas as pd

l, h = pd.rolling_min(c, 4), pd.rolling_max(c, 4)
k = 100 * (c - l) / (h - l)

滚动平均值可以通过以下方式找到：

pd.rolling_mean(k, 3)

此外，如果您对这些东西感兴趣，可以查看pandas & econometrics。

【讨论】：

这些是 pandas 函数而不是 numpy（例如使用 pd）
谢谢阿米，我会尝试上述建议的方式。
为什么是pd.rolling_min(c, 4) 和pd.rolling_max(c, 4) 而不是pd.rolling_min(c, 14) 和pd.rolling_max(c, 14)？这只是一个错字还是我遗漏了什么？
顺便说一句，滚动平均值与慢速随机计算无关吗？它只是作为额外的权利添加的吗？
@dabadaba 提供滚动平均值用于计算 %D，即 %K 的 3 周期移动平均线

【解决方案2】：

我认为我所做的是正确的，请有人验证：

def simple_moving_average（价格，周期=26）： """ :param df: 熊猫数据框对象 :param period: 计算 SMA 的周期 :return: 熊猫系列 """ 权重 = np.repeat(1.0, period)/period sma = np.convolve（价格，权重，“有效”）返回 sma def fast_stochastic(lowp, highp, closep, period=14, smoothing=3): """ 计算慢速随机快速随机计算 %K = (当前收盘价 - 最低价)/(最高价 - 最低价) * 100 %D = %K 的 3 天 SMA """ low_min = pd.rolling_min(lowp, period) high_max = pd.rolling_max(highp, period) k_fast = 100 * (closep - low_min)/(high_max - low_min) k_fast = k_fast.dropna() d_fast = simple_moving_average(k_fast, 平滑) 返回 k_fast, d_fast def slow_stochastic(lowp, highp, closep, period=14, smoothing=3): """ 计算慢速随机慢速随机计算 %K = %D 快速随机 %D = %K 的 3 天 SMA """ k_fast, d_fast = fast_stochastic(lowp, highp, closep, period=period, smoothing=smoothing) # 快速随机中的 D 是慢速随机中的 K k_slow = d_fast d_slow = simple_moving_average(k_slow, 平滑) 返回 k_slow, d_slow

【讨论】：

【解决方案3】：

您可以使用以下简单函数来处理慢速和快速随机指标。

def stochastics( dataframe, low, high, close, k, d ):
    """
    Fast stochastic calculation
    %K = (Current Close - Lowest Low)/
    (Highest High - Lowest Low) * 100
    %D = 3-day SMA of %K

    Slow stochastic calculation
    %K = %D of fast stochastic
    %D = 3-day SMA of %K

    When %K crosses above %D, buy signal 
    When the %K crosses below %D, sell signal
    """

    df = dataframe.copy()

    # Set minimum low and maximum high of the k stoch
    low_min  = df[low].rolling( window = k ).min()
    high_max = df[high].rolling( window = k ).max()

    # Fast Stochastic
    df['k_fast'] = 100 * (df[close] - low_min)/(high_max - low_min)
    df['d_fast'] = df['k_fast'].rolling(window = d).mean()

    # Slow Stochastic
    df['k_slow'] = df["d_fast"]
    df['d_slow'] = df['k_slow'].rolling(window = d).mean()

    return df


stochs = stochastics( df, 'Low', 'High', 'Close', 14, 3 )
slow_k = stochs['k_slow'].values
fast_k = stochs['k_fats'].values

【讨论】：