Ne Pandas calculer ewm mal?

Lorsque vous essayez de calculer la moyenne mobile exponentielle (EMA) à partir des données financières dans un dataframe il semble que les Pandas' ewm approche est incorrecte.

Les bases sont bien expliquées dans le lien suivant:
http://stockcharts.com/school/doku.php?id=chart_school:technical_indicators:moving_averages

Lorsque vous allez pour les Pandas explication, l'approche adoptée est la suivante (à l'aide de la "ajuster" paramètre False):

   weighted_average[0] = arg[0];
   weighted_average[i] = (1-alpha) * weighted_average[i-1] + alpha * arg[i]

Dans mon opinion est erronée. Le "arg" devrait être (par exemple), les valeurs de clôture, cependant, arg[0] est le premier moyen (c'est à dire la moyenne simple de la première série de données de la longueur de la période choisie), mais PAS la première valeur de clôture. arg[0] et arg[i] peut donc jamais être à partir des mêmes données. À l'aide de la "min_periods" paramètre ne semble pas résoudre ce problème.

Quelqu'un peut-il m'expliquer comment (ou si) les Pandas peuvent être utilisés pour calculer correctement l'EMA de données?

Liées github question: github.com/pydata/pandas/issues/13638
pandas question 13638 est encore ouvert, vous pouvez suivre, upvote et de contribuer code si vous voulez le voir mis en œuvre.

OriginalL'auteur jeronimo | 2016-06-20

  1. 7

    Il y a plusieurs façons d'initialiser une moyenne mobile exponentielle, donc je ne dirais pas que les pandas est de faire le mal, juste différent.

    Ici serait un moyen de la calculer comme vous voulez:

    In [20]: s.head()
Out[20]: 
0    22.27
1    22.19
2    22.08
3    22.17
4    22.18
Name: Price, dtype: float64

In [21]: span = 10

In [22]: sma = s.rolling(window=span, min_periods=span).mean()[:span]

In [24]: rest = s[span:]

In [25]: pd.concat([sma, rest]).ewm(span=span, adjust=False).mean()
Out[25]: 
0           NaN
1           NaN
2           NaN
3           NaN
4           NaN
5           NaN
6           NaN
7           NaN
8           NaN
9     22.221000
10    22.208091
11    22.241165
12    22.266408
13    22.328879
14    22.516356
15    22.795200
16    22.968800
17    23.125382
18    23.275312
19    23.339801
20    23.427110
21    23.507635
22    23.533520
23    23.471062
24    23.403596
25    23.390215
26    23.261085
27    23.231797
28    23.080561
29    22.915004
Name: Price, dtype: float64

    OriginalL'auteur chrisb

  2. 6

    Vous pouvez calculer EWMA à l'aide de l'alpha ou le coefficient (span) dans les Pandas ewm fonction.

    Formule pour l'utilisation de l'alpha: (1 - alpha) * previous_val + alpha * current_val
    où alpha = 1 /period

    Formule pour l'utilisation de coef: ((current_val - previous_val) * coeff) + previous_val
    où coeff = 2 /(period + 1)

    Ici est de savoir comment vous pouvez utiliser les Pandas pour le calcul des formules ci-dessus:

    con = pd.concat([df[:period][base].rolling(window=period).mean(), df[period:][base]])

if (alpha == True):
    df[target] = con.ewm(alpha=1 / period, adjust=False).mean()
else:
    df[target] = con.ewm(span=period, adjust=False).mean()
    Je ne comprends pas ce que "de base" est dans votre code, vous n'avez probablement pas besoin. Aussi, serait plus sûr pour le convertir en période de flotter, en particulier pour python 2. Sinon bonne réponse
    Toutes mes excuses pour être ambigu. base est la base de la colonne dans DataFrame sur lesquels vous voulez calculer EWMA.
    petite correction df[target] = con.ewm(alpha=1.0 / période de, régler=False).moyenne()

    OriginalL'auteur arkochhar

  3. 3

    Voici un exemple de la façon dont les Pandas calcule les deux ajustées et non ajustées ewm:

    name = 'closing'
series = pd.Series([1, 2, 3, 5, 8, 13, 21, 34], name=name).to_frame()
period = 4
alpha = 2/(1+period)
series[name+'_ewma'] = np.nan
series.loc[0, name+'_ewma'] = series[name].iloc[0]
series[name+'_ewma_adjust'] = np.nan
series.loc[0, name+'_ewma_adjust'] = series[name].iloc[0]
for i in range(1, len(series)):
series.loc[i, name+'_ewma'] = (1-alpha) * series.loc[i-1, name+'_ewma'] + alpha * series.loc[i, name]
ajusted_weights = np.array([(1-alpha)**(i-t) for t in range(i+1)])
series.loc[i, name+'_ewma_adjust'] = np.sum(series.iloc[0:i+1][name].values * ajusted_weights) / ajusted_weights.sum()
print(series)
print("diff adjusted=False -> ", np.sum(series[name+'_ewma'] - series[name].ewm(span=period, adjust=False).mean()))
print("diff adjusted=True -> ", np.sum(series[name+'_ewma_adjust'] - series[name].ewm(span=period, adjust=True).mean()))

    Formule mathématique peut être trouvé à https://github.com/pandas-dev/pandas/issues/8861

    OriginalL'auteur Ben