2

我正在尝试在日内数据的时间序列(即 10 秒)上实现可变指数移动平均线。通过变量,我的意思是移动平均线中包含的窗口大小取决于另一个因素(即波动性)。我在想以下几点:

MA(t)=alpha(t)*price(t) + (1-alpha(t))MA(t-1),

例如,其中 alpha 对应于不断变化的波动率指数。

在对巨大系列(超过 100000)点的回测中,这种计算给我带来了“麻烦”。我有完整的向量 alpha 和 price,但对于 MA 的当前值,我总是需要之前计算的值。因此,到目前为止,我还没有看到矢量化解决方案????

我的另一个想法是尝试将实现的 EMA(..,n=f()) 函数直接应用于每个数据点,方法是始终为 f() 设置不同的值。但到目前为止,我也没有找到快速的解决方案。

如果有人可以帮助我解决我的问题会非常好???甚至其他关于如何构建可变移动平均线的建议也会很棒。

提前谢谢马丁

4

3 回答 3

3

通过以下方式也可以进行非常有效的移动平均操作filter()

  ## create a weight vector -- this one has equal weights, other schemes possible
  weights <- rep(1/nobs, nobs)     

  ## and apply it as a one-sided moving average calculations, see help(filter)
  movavg <- as.vector(filter(somevector, weights, method="convolution", side=1)) 

那只是左侧,其他选择是可能的。

于 2010-10-07T16:06:48.893 回答
0

我只是VMA在包中添加了一个函数来TTR执行此操作。例如:

library(quantmod)  # loads TTR
getSymbols("SPY")
SPY$absCMO <- abs(CMO(Cl(SPY),20))/100
SPY$vma <- VMA(Cl(SPY), SPY$absCMO)
chartSeries(SPY,TA="addTA(SPY$vma,on=1,col='blue')")

x <- xts(rnorm(1e6),Sys.time()-1e6:1)
y <- xts(runif(1e6),Sys.time()-1e6:1)
system.time(VMA(x,y))  # < 0.5s on a 2.2Ghz Centrino

文档中的一些注释:

'VMA' 根据'w' 的绝对值计算可变长度移动平均值。'w' 的更高(更低)值将导致 'VMA' 反应更快(更慢)。

编译的二进制文件应在 24 小时内在R-forge上。

于 2010-10-09T23:31:17.963 回答
0

对于时间序列,请参阅 zoo 包中的函数rollmean

您实际上并没有计算移动平均线,而是某种加权累积平均线。(加权)移动平均线类似于:

price <- runif(100,10,1000)
alpha <- rbeta(100,1,0.5)

tp <- embed(price,2)
ta <- embed(alpha,2)

MA1 <- apply(cbind(tp,ta),1,function(x){
    weighted.mean(x[1:2],w=2*x[3:4]/sum(x))
})

确保重新调整权重,使它们总和为观察量。

对于您自己的计算,您可以尝试以下操作:

MAt <- price*alpha

ma.MAt <- matrix(rep(MAt,each=n),nrow=n)
ma.MAt[upper.tri(ma.MAt)] <- 0

tt1 <- sapply(1:n,function(x){
  tmp <- rev(c(rep(0,n-x),1,cumprod(rev(alpha[1:(x-1)])))[1:n])
  sum(ma.MAt[i,]*tmp)
})

这将平均值计算为 MAt 的线性组合,权重由 alpha 的累积乘积定义。

旁注:我假设索引位于 0 和 1 之间。

于 2010-10-07T08:31:57.307 回答