with python with django

1. 이동평균선
황영재

2. 이동평균법
• 단기추세가 장기추세를 상향 돌파하면 매
수, 하향하면 매도하는 방법
• 골든크로스 : 단기추세가 장기추세를 상향돌파
• 데드크로스 : 단기추세가 장기추세를 하향돌파

3. 이동평균을 구하는 방법
• 단순 이동 평균(Simple Moving Average)
• 가중 이동 평균(Weighted Moving Average)
• 지수 이동 평균(Exponential Moving Average)
참조 : http://pepic.tistory.com/255

4. 이동평균 비교
• 단순 이동 평균(Simple Moving Average)
– 개념이나 구하는 방법은 간단하지만, 현재값의 반영이 느림
• 가중 이동 평균(Weighted Moving Average)
– 현재의 값에 비중을 더 두어 평균을 구함
• 지수 이동 평균(Exponential Moving Average)
– 오래된 값도 버리지 않고, 현재의 이동평균에 반영

5. 단순 이동평균 with python
• 단순 이동 평균(Simple Moving Average)
def sma(dataset, window):
weight = np.repeat(1,window) #가중치
a = (np.convolve(dataset,weight,'valid') / weight.sum()).tolist() # 합성곱을 이용하여 평균구함
[a.insert(0,np.nan) for i in range(window-1)] # 빠진 갯수만큼 nan 채우기
return a
dataset = np.arange(0, 11, 1.0)
print sma(dataset,3)
pprint.pprint(sma(np.random.rand(10),5))
[nan, nan, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0]
[nan,
nan,
nan,
nan,
0.6846600727316047,
0.7979787565611873,
0.8567790817007008,
0.7467720330518219,
0.7187438722607699,
0.7300641782033382]

6. 가중 이동평균 with python
• 가중 이동 평균(Weighted Moving Average)
def wma(dataset, window):
weight = np.linspace(1, 0, window+1)[:-1] #가중치
a = (np.convolve(dataset,weight,'valid') / weight.sum()).tolist() # 합성곱을 이용하여 평균구함
[a.insert(0,np.nan) for i in range(window-1)] # 빠진 갯수만큼 nan 채우기
return a
dataset = np.arange(0, 11, 1.0)
pprint.pprint([round(val, 4) for val in wma(dataset, 3)])
window = 3
print np.linspace(1, 0, window+1)[:-1]
[nan,
nan,
1.3333,
2.3333,
3.3333,
4.3333,
5.3333,
6.3333,
7.3333,
8.3333,
9.3333]
[ 1. 0.66666667 0.33333333]

7. 지수 이동평균 with python
• 지수 이동 평균(Exponential Moving Average)
def ema(dataset, window):
weight = float(2) / (window + 1) # 지수이동평균식 가중치
result = []
for index, value in enumerate(dataset):
if not result: # dataset[0]은 계산하지 않음
result.append(value)
else:
# dataset[1] 이상부터 지수 평균계산 시작, 계산은 dataset[1]부터 시작하지만, result[window - 1] 부터 window가
적용된 값
result.append((value * weight) + (result[-1] * (1-weight))) #지수이동평균식을 Python Code로
return result
dataset = np.arange(0, 11, 1.0)
pprint.pprint(ema(dataset, 3))
[0.0,
0.5,
1.25,
2.125,
3.0625,
4.03125,
5.015625,
6.0078125,
7.00390625,
8.001953125,
9.0009765625]

8. http://dev.3cm.co.kr/edu/movingaverage

9. np.repeat
반복되는 array 생성
np.repeat(0,5)
Code Return
array([0, 0, 0, 0, 0])
np.repeat(1,5) array([1, 1, 1, 1, 1])
np.repeat([10,20],3) array([10, 10, 10, 20, 20, 20])
np.repeat([[10,20],[30,40]],2) array([10, 10, 20, 20, 30, 30, 40, 40]) #shape : (8, )
np.repeat([[10,20],[30,40]],2,0) array([[10, 20], [10, 20], [30, 40], [30, 40]]) #shape : (4, 2)
np.repeat([[10,20],[30,40]],2,1) array([[10, 10, 20, 20], [30, 30, 40, 40]]) #shape : (2, 4)
# np.shape 입력핚 array가 몇행, 몇열로 구성되었는지 확인
ori_array = [[10, 20], [30, 40]]
rep_none_array = np.repeat(ori_array, 2)
rep_0_array = np.repeat(ori_array, 2,0)
rep_1_array = np.repeat(ori_array, 2,1)
print np.shape(ori_array)
print np.shape(rep_none_array)
print np.shape(rep_0_array)
print np.shape(rep_1_array)
(2, 2)
(8,)
(4, 2)
(2, 4)

10. np.convolve
합성곱
※ 합성곱(合成-, convolution, 콘벌루션)은 하나의 함수와 또 다른 함수를 반전 이동핚 값을 곱핚 다음, 구간에 대해 적분하
여 새로운 함수를 구하는 수학 연산자이다.
np.convolve([10],range(1,6+1)).tolist()
Code Return
[10, 20, 30, 40, 50, 60]
np.convolve([10, 100],range(1,6+1)).tolist() [10, 120, 230, 340, 450, 560, 600]
np.convolve([10, 100, 10000],range(1,6+1)).tolist() [10, 120, 10230, 20340, 30450, 40560, 50600, 60000]
𝑥1 𝑦1
𝑥1 𝑦2
...
𝑥1 𝑦 𝑛
[1] * [n]
𝑥1 𝑦1
𝑥1 𝑦2 + 𝑥2 𝑦1
𝑥1 𝑦3 + 𝑥2 𝑦2
...
𝑥1 𝑦 𝑛 + 𝑥2 𝑦 𝑛−1
𝑥2 𝑦 𝑛
[2] * [n]
𝑥1 𝑦1
𝑥1 𝑦2 + 𝑥2 𝑦1
𝑥1 𝑦3 + 𝑥2 𝑦2 + 𝑥3 𝑦1
𝑥1 𝑦4 + 𝑥2 𝑦3 + 𝑥3 𝑦2
...
𝑥1 𝑦 𝑛 + 𝑥2 𝑦 𝑛−1 + 𝑥3 𝑦 𝑛−2
𝑥2 𝑦 𝑛 + 𝑥3 𝑦 𝑛−1
𝑥3 𝑦 𝑛
[3] * [n]
full same valid

11. http://dev.3cm.co.kr/edu/macd
https://github.com/hwangyoungjae/cchart/blob/master/web/views_edu.py