0
  • 聊天消息
  • 系统消息
  • 评论与回复
登录后你可以
  • 下载海量资料
  • 学习在线课程
  • 观看威廉希尔官方网站 视频
  • 写文章/发帖/加入社区
会员中心
创作中心

完善资料让更多小伙伴认识你,还能领取20积分哦,立即完善>

3天内不再提示

使用Python实现Hull Moving Average

冬至子 来源:Hanane D. 作者:Hanane D. 2023-05-23 15:28 次阅读

赫尔移动平均线(Hull Moving Average,简称HMA)是一种威廉希尔官方网站 指标,于2005年由Alan Hull开发。它是一种移动平均线,利用加权计算来减少滞后并提高准确性。

HMA对价格变动非常敏感,同时最大程度地减少短期波动可能产生的噪音。它通过使用加权计算来强调更近期的价格,同时平滑数据。

计算HMA的公式涉及三个步骤。首先,使用价格数据计算加权移动平均线。然后,使用第一步的结果计算第二个加权移动平均线。最后,使用第二步的结果计算第三个加权移动平均线。最终计算的结果就是移动赫尔平均线。

WMA_1 =一段时期内价格的加权移动平均值(WMA) /2

WMA_2 =价格在一段时间内的WMA

HMA_non_smooth = 2 * WMA_1 - WMA_2

HMA = HMA_non_smooth的WMA除以根号(周期)

在下面的文章中,我们将介绍如何使用Python实现HMA。本文将对计算WMA的两种方法进行详细比较。然后介绍它在时间序列建模中的作用。

Python实现HMA

方法1:将WMA计算为按时期加权的移动平均价格:

defhma(period):
 wma_1=df['Adj Close'].rolling(period//2).apply(lambdax: \\
 np.sum(x*np.arange(1, period//2+1)) /np.sum(np.arange(1, period//2+1)), raw=True)
 wma_2=df['Adj Close'].rolling(period).apply(lambdax: \\
 np.sum(x*np.arange(1, period+1)) /np.sum(np.arange(1, period+1)), raw=True)
 diff=2*wma_1-wma_2
 hma=diff.rolling(int(np.sqrt(period))).mean()
 returnhma
 period=20
 df['hma'] =hma(period)
 df['sma_20days'] =df['Adj Close'].rolling(period).mean()
 figsize= (10,6)
 df[['Adj Close','hma','sma_20days']].plot(figsize=figsize)
 plt.title('Hull Moving Average {0} days'.format(period))
 plt.show()

如图所示,HMA比通常的SMA反应更快:

还可以尝试更短的时间框架,看看HMA与价格曲线的关系有多密切。

df['hma_short']=hma(14)
 df['hma_long']=hma(30)
 figsize= (12,6)
 df[['Adj Close','hma_short','hma_long']].plot(figsize=figsize)
 plt.title('Hull Moving Average')
 plt.show()

方法2,使用体量计算加权平均值:

defhma_volume(period):
 wma_1=df['nominal'].rolling(period//2).sum()/df['Volume'].rolling(period//2).sum()
 wma_2=df['nominal'].rolling(period).sum()/df['Volume'].rolling(period).sum()
 diff=2*wma_1-wma_2
 hma=diff.rolling(int(np.sqrt(period))).mean()
 returnhma
 df['nominal'] =df['Adj Close'] *df['Volume']
 period=20
 df['hma_volume']=hma_volume(period)
 figsize=(12,8)
 fig, (ax0,ax1) =plt.subplots(nrows=2, sharex=True, subplot_kw=dict(frameon=True),figsize=figsize) 
 df[['Adj Close','hma_volume','hma']].plot(ax=ax0)
 ax0.set_title('HMA Volume vs HMA period')
 df[['Volume']].plot(ax=ax1)
 ax1.set_title('Hull Moving Average')
 plt.show()

体量的HMA比第一种方法计算的HMA稍滞后:

策略的回溯测试

为了回测每种策略(方法1和2),我们将计算一个短期和一个长期的HMA:

当短线超过长线时,可以触发买入指令。当短线低于长线时,就会触发卖出指令。

然后我们计算每个信号产生的pnl。

方法1:

#SIGNAL
 df['hma_short']=hma(20)
 df['hma_long']=hma(30)
 df['signal'] =np.where(df['hma_short'] >df['hma_long'],1,-1)
 
 #RETURN
 df['signal_shifted']=df['signal'].shift()
 
 ## Calculate the returns on the days we trigger a signal
 df['returns'] =df['Adj Close'].pct_change()
 
 ## Calculate the strategy returns
 df['strategy_returns'] =df['signal_shifted'] *df['returns']
 
 ## Calculate the cumulative returns
 df1=df.dropna()
 df1['cumulative_returns'] = (1+df1['strategy_returns']).cumprod()
 
 #PLOT
 figsize=(12,8)
 fig, (ax0,ax1) =plt.subplots(nrows=2, sharex=True, subplot_kw=dict(frameon=True),figsize=figsize) 
 df[['Adj Close','hma_long','hma_short']].plot(ax=ax0)
 ax0.set_title("HMA: Short vs Long")
 
 df[['signal']].plot(ax=ax1,style='-.',alpha=0.4)
 ax1.legend()
 ax1.set_title("HMA - Signals")
 plt.show()
 
 df1['cumulative_returns'].plot(figsize=(10,4))
 plt.title("Cumulative Return")
 plt.show()

你可以看到每次产生的信号都有一条交叉线:

在数据集的整个时间段内产生的总体回报是正的,即使在某些时期它是负的:

回报率:

df1['cumulative_returns'].tail()[-1]
 #1.0229750801053696

方法2:

#SIGNAL
 df['hma_volume_short']=hma_volume(20)
 df['hma_volume_long']=hma_volume(30)
 df['signal'] =np.where(df['hma_volume_short'] >df['hma_volume_long'],1,-1)
 
 #RETURN
 df['returns'] =df['Adj Close'].pct_change()
 
 ## Calculate the strategy returns
 df['strategy_returns'] =df['signal'].shift() *df['returns']
 
 ## Calculate the cumulative returns
 df2=df.dropna()
 df2['cumulative_returns_volume'] = (1+df2['strategy_returns']).cumprod()
 
 # PLOT
 figsize=(12,8)
 fig, (ax0,ax1) =plt.subplots(nrows=2, sharex=True, subplot_kw=dict(frameon=True),figsize=figsize) 
 df[['Adj Close','hma_volume_short','hma_volume_long']].plot(ax=ax0)
 df[['signal']].plot(ax=ax1,style='-.',alpha=0.4)
 ax0.set_title("HMA - Volume: Short vs Long")
 ax1.legend()
 plt.title("HMA - Signals")
 plt.show()
 
 figs= (10,4)
 df2['cumulative_returns_volume'].plot(figsize=figs)
 plt.title("Cumulative Return")
 plt.show()

看起来比第一种方法中的HMA更平滑,可以触发的信号更少(在我们的例子中只有1个):

这种策略产生的回报不是很好:0.75(0.775-1⇒-24%)

df2['cumulative_returns_volume'].tail()[-1]
 #0.7555329108482581

我们来比较两种策略的信号:

df['signal'] =np.where(df['hma_short'] >df['hma_long'],1,-1)
 df['signal_volume'] =np.where(df['hma_volume_short'] >df['hma_volume_long'],1,-1)
 figsize=(12,8)
 df[['signal','signal_volume']].plot(figsize=figsize)
 plt.show()

空头头寸的信号比多头头寸更多:

所以仅使用HMA还不足以产生有利可图的策略。我们可以使用相对强弱指数(RSI)和随机指数(Stochastic Oscillator等其他指标来确认交易信号。但是对于时间序列来说,HMA是一个很好的特征工程的方法。

HMA信号的一些解释

交叉信号:当价格越过HMA上方时,可以解释为看涨信号,当价格越过HMA下方时,可以解释为看空信号。它也可以触发买入和卖出信号,正如我们之前已经看到的。(上图点1)。

趋势跟踪信号:HMA也可用于识别趋势并生成趋势跟踪信号。当HMA倾斜向上时,它表示上升趋势,当它倾斜向下时,它表示下降趋势(上图点2)。

反转信号:当价格从下方接近HMA时,看涨反转趋势可能在不久的将来发生(上图点3)。

HMA在时间序列建模的作用

HMA在时间序列建模中的作用主要是作为一个平滑滤波器,可以在一定程度上减少噪声并提高时间序列预测的准确性。在时间序列建模中,经常需要对数据进行平滑处理,以消除异常值和噪声,同时保留趋势和季节性变化的信号。HMA是一种有效的平滑滤波器,它通过加权平均的方式来计算平均值,并对较早的数据施加更大的权重,从而可以更准确地捕捉趋势性信号。

除了作为一个平滑滤波器,HMA还可以作为一个特征提取器来提取时间序列中的特征,并用于建立预测模型。例如,可以使用HMA计算时间序列中的趋势和季节性变化,并将其作为输入特征用于构建ARIMA、VAR或LSTM等预测模型。

总结

HMA不仅在交易中有广泛的应用,也是一种有用的时间序列分析工具。HMA作为一种移动平均线,可以减少时间序列中的噪声和突发性变化,从而更准确地捕捉数据的趋势性和周期性变化。在时间序列分析中,HMA通常用于平滑处理数据,以提高预测的准确性。在实际应用中,HMA常常与其他威廉希尔官方网站 指标和时间序列分析方法相结合,在各种数据分析和预测任务中获取更好的预测结果。

声明:本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人,不代表电子发烧友网立场。文章及其配图仅供工程师学习之用,如有内容侵权或者其他违规问题,请联系本站处理。 举报投诉
  • 滤波器
    +关注

    关注

    161

    文章

    7805

    浏览量

    178065
  • SMA
    SMA
    +关注

    关注

    4

    文章

    176

    浏览量

    24816
  • HMA
    HMA
    +关注

    关注

    0

    文章

    4

    浏览量

    8449
  • python
    +关注

    关注

    56

    文章

    4795

    浏览量

    84661
收藏 人收藏

    评论

    相关推荐

    labview 如何实现moving RMS(移动均方根值)

    labview 如何实现实时moving RMS(移动均方根值),matlab有这个函数,labview好像没有发现有
    发表于 01-20 19:34

    5种Python实现方式详解

    、PyPy和Pyston等,以下是对其简要介绍:CPythonCPython是标准Python,也是其他Python编译器的参考实现。通常提到“Python”一词,都是指CPython
    发表于 05-22 15:52

    利用python实现KNN算法

    K近邻python实现
    发表于 10-25 17:24

    实现Python与STM32通信 精选资料分享

    断断续续学了几周Stm32后,突然想实现上位机和下位机的通信,恰好自己学过一点python,便想通过python实现通信. 在网上看见python
    发表于 08-16 07:28

    python普通函数创建与调用

    ,而函数的返回值就是蛋糕成品。1. 函数的创建在 Python 中,使用 def 关键字定义函数def 函数名(参数): # 内部代码 return 表达式举个例子,我这边手动实现一个计算两个数平均值
    发表于 03-01 16:32

    动圈式仪表措施低级电流-Moving-Coil Meter

    moving-coil meter. This circuit allows use of the moving-coil meter, even when the meter current is a large fraction of the current bei
    发表于 04-26 16:30 634次阅读
    动圈式仪表措施低级电流-<b class='flag-5'>Moving</b>-Coil Meter

    Moving-Coil Meter Measures Low

    moving-coil meter. This circuit allows use of the moving-coil meter, even when the meter current is a large fraction of the current bei
    发表于 04-28 13:41 930次阅读
    <b class='flag-5'>Moving</b>-Coil Meter Measures Low

    Moving_Average

    Moving Average,好东西,喜欢的朋友可以下载来学习。
    发表于 02-22 15:53 0次下载

    蚁群算法python编程实现

    本文主要介绍了Python编程实现蚁群算法详解,涉及蚂蚁算法的简介,主要原理及公式,以及Python中的实现代码,具有一定参考价值。
    发表于 02-02 10:36 7467次阅读
    蚁群算法<b class='flag-5'>python</b>编程<b class='flag-5'>实现</b>

    如何使用python实现截图自动存入Excel表

    如何使用python实现截图自动存入Excel表
    的头像 发表于 02-05 12:13 7255次阅读

    Logistic回归数学推导以及python实现

    Logistic回归数学推导以及python实现
    发表于 02-25 14:48 7次下载

    Python实现所有算法-基本牛顿法

    Python实现所有算法-二分法 Python实现所有算法-力系统是否静态平衡 Python实现
    的头像 发表于 07-13 10:40 1646次阅读

    抽样在Python中是如何实现

    今天来和大家聊聊抽样的几种常用方法,以及在Python中是如何实现的。
    的头像 发表于 08-05 10:59 1207次阅读

    Python实现OpenCV的安装与使用

      本文实例讲述了 Python 实现 OpenCV 的安装与使用。分享给大家供 大家参考,具体如下:  由于下一步要开始研究下深度学习,而深度学习领域很多的算法和应 用都是用 Python
    发表于 07-20 11:46 7次下载

    如何实现Python复制文件操作

    Python 中有许多“开盖即食”的模块(比如 os,subprocess 和 shutil)以支持文件 I/O 操作。在这篇文章中,你将会看到一些用 Python 实现文件复制的特殊方法。下面我们开始学习这九种不同的方法来
    的头像 发表于 07-18 14:53 417次阅读