0

我正在使用以下代码来查找股票的 RSI（相对强弱指数）和 DEMA（双指数移动平均线）。

library(quantmod)
library(TTR)
getSymbols("AAPL")
chartSeries(AAPL, TA=NULL)
data=AAPL[,4]
AAPL$rsi = TTR::RSI(data)
AAPL$dema = TTR::DEMA(data)

# object B stores the copy of AAPL object and I save it in a CSV file
B = AAPL

每天，对象AAPL都会有一个新行来反映最后一个收盘日的数据。

每天RSI和DEMA函数在整个数据集上运行。RSI在过去 12 年以上的数据上一次又一次地运行似乎是在浪费 CPU 能力和时间，即使数据中只添加了一个新行（最后一个交易日）。

有没有办法在 object 中找到仅最后一天的RSI, DEMA, 等等...AAPL并将其添加到旧数据集中B？

我想知道当量化交易者每秒钟获取报价数据时，他们会如何进行这种操作，并且他们需要在新的和所有过去的数据上找到 RSI 和其他一些指标。即使使用最快的计算机，获取指标数据也需要几分钟时间，届时市场也会发生变化。

谢谢！

4

1 回答 1

2

假设昨天您下载了所有相关数据并计算了所有 RSI 和 DEMA 统计数据。以下是截至 2021 年 3 月 2 日的数据。

library(quantmod)
library(TTR)
getSymbols("AAPL")
chartSeries(AAPL, TA=NULL)
AAPL <- AAPL[, ]
data=AAPL[,4]
AAPL$rsi = TTR::RSI(data)
AAPL$dema = TTR::DEMA(data)
#            AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted      rsi     dema
# 2021-02-23    123.76    126.71   118.39     125.86   158273000        125.86 35.08898 127.7444
# 2021-02-24    124.94    125.56   122.23     125.35   111039900        125.35 34.28019 126.5275
# 2021-02-25    124.68    126.46   120.54     120.99   148199500        120.99 28.27909 124.2326
# 2021-02-26    122.59    124.85   121.20     121.26   164320000        121.26 29.10677 122.6783
# 2021-03-01    123.75    127.93   122.79     127.79   115998300        127.79 45.49055 123.7497
# 2021-03-02    128.41    128.72   125.01     125.12   102015300        125.12 41.28885 123.7178

然后，将此结果保存到 CSV：

write_csv(as.data.frame(AAPL), "aapl.csv")

现在，今天您下载了数据，并且获得了一个新数据点。通过使用最近 200 天的数字，您可以为最近一天生成与使用整个数据集相同的值。这似乎也适用于其他符号，但您需要确保它具有泛化性。

getSymbols("AAPL")
data=AAPL[(nrow(AAPL)-200):nrow(AAPL),4]
AAPL$rsi = TTR::RSI(data)
AAPL$dema = TTR::DEMA(data)
tail(AAPL)
#            AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted      rsi     dema
# 2021-02-24    124.94    125.56   122.23     125.35   111039900        125.35 34.28019 126.5275
# 2021-02-25    124.68    126.46   120.54     120.99   148199500        120.99 28.27909 124.2326
# 2021-02-26    122.59    124.85   121.20     121.26   164320000        121.26 29.10677 122.6783
# 2021-03-01    123.75    127.93   122.79     127.79   115998300        127.79 45.49055 123.7497
# 2021-03-02    128.41    128.72   125.01     125.12   102015300        125.12 41.28885 123.7178
# 2021-03-03    124.81    125.71   121.84     122.06   112430400        122.06 37.06365 122.7313

然后，您可以按照@phiver 的建议将最后一行附加到以前的 CSV 中：

write_csv(as.data.frame(AAPL)[nrow(AAPL), ], "aapl.csv", append=TRUE)

真正的问题是从这样的程序中可以获得什么？查看两个不同过程的基准，使用中值估计，对完整数据执行 RSI 操作几乎慢了 40%，但如果您只进行几次调用，则不会明显。我没有在这里打印结果，但是 DEMA 例程在完整数据集上慢了大约 30%。如果您必须每天这样做数千次，那么这样做可能是有道理的，但如果您必须每天这样做 10 次，那么麻烦可能不值得。

library(microbenchmark)
microbenchmark(TTR::RSI(AAPL[,4]), times=1000)
# Unit: microseconds
#                       expr    min      lq     mean   median      uq      max neval
# TTR::RSI(AAPL[, 4]) 797.03 823.431 1008.936 852.5145 924.193 18113.29  1000
microbenchmark(TTR::RSI(AAPL[(nrow(AAPL)-200):nrow(AAPL),4]), times=1000)
# Unit: microseconds
#                                             expr     min      lq     mean median      uq      max neval
# TTR::RSI(AAPL[(nrow(AAPL) - 200):nrow(AAPL), 4]) 634.306 652.424 710.9095 671.79 706.294 11743.02  1000
于 2021-03-04T17:28:52.580 回答