Оптимизировать расчет скользящих средних - возможно ли это? - PullRequest
Новая
       87

Оптимизировать расчет скользящих средних - возможно ли это?

2 голосов
/ 10 ноября 2011

Можно ли оптимизировать (сделать это намного быстрее) этот фрагмент кода: 

out <- do.call(rbind,
        lapply(split(Cl(cumulativeBars), "days"), 
                function(x) {
                    previousFullBars <- barsEndptCl[as.Date(index(barsEndptCl), tz=indexTZ(barsEndptCl)) < as.Date(last(index(x)), tz=indexTZ(x)), ]
                    if (NROW(previousFullBars) >= 4) {
                        last(SMA(last(rbind(previousFullBars, x), n=6), n=5))
                    } else {
                        xts(NA, order.by=index(x))
                        }
                    }))

Ниже вы можете найти мой оригинальный вопрос со всем примером кода, который работает, но немного медленнее для моих нужд.

ОРИГИНАЛЬНЫЙ ВОПРОС:

После того, как я смог преобразовать xts в более низкую частоту совокупным образом Как преобразовать xts в более низкую частоту совокупным образом благодаря людям, читающим этот список.

Теперь я пытаюсь вычислить «эволюцию» скользящих средних, используя код ниже. Это замедлить для меня. Можно ли каким-либо образом оптимизировать этот код (из # TODO: как вычислить скользящее среднее ?, часть, начинающуюся с out <- do.call (rbind, lapply (split (Cl (cumulativeBars) ...)))? </p> 

to.weekly.cumulative <- function(xts.obj, name="") {
    out <- do.call(rbind, 
            lapply(split(xts.obj, 'weeks'), 
                    function(x) cbind(rep(first(x[,1]), NROW(x[,1])), 
                                cummax(x[,2]),     cummin(x[,3]), x[,4])))
    colnames(out) <- paste(name, c("Open", "High", "Low", "Close"), sep=".")
    out
}

library(quantmod)
data(sample_matrix)
myxts <- as.xts(sample_matrix)

head(to.weekly.cumulative(myxts), 15)

# TODO: How to compute moving average?

# This SMA(Cl(to.weekly.cumulative(myxts)), n=5) would obviously be wrong 

cumulativeBars <- to.weekly.cumulative(myxts)

barsEndptCl <- Cl(cumulativeBars[endpoints(cumulativeBars, 'weeks')])
barsEndptCl <- Cl(to.weekly(myxts))

#all.equal(cumulativeBars[endpoints(cumulativeBars, 'weeks')], to.weekly(myxts))

out <- do.call(rbind,
        lapply(split(Cl(cumulativeBars), "days"), 
                function(x) {
                    previousFullBars <-     barsEndptCl[as.Date(index(barsEndptCl), tz=indexTZ(barsEndptCl)) < as.Date(last(index(x)),     tz=indexTZ(x)), ]
                    if (NROW(previousFullBars) >= 4) {
                                last(SMA(last(rbind(previousFullBars, x), n=6), n=5))
                    } else {
                        xts(NA, order.by=index(x))
                        }
                    }))

colnames(out) <- "SMA5"

out <- lag.xts(out, k=7)

chart_Series(to.weekly(myxts))
add_TA(SMA(to.weekly(myxts), 5), on=1, col="red")
add_TA(out, on=1, col="green")

1 Ответ

0 голосов
/ 22 марта 2016

Скользящие средние не совсем "эволюционируют", как вы, возможно, пытаетесь установить. Будучи индикатором импульса, речь идет скорее о циклах, чем о долгосрочной «эволюции».

Вы можете определенно перескакивать с линий скользящей средней, когда видите, что тренд движется определенным образом. 200-дневный тренд был до 190-дневного тренда, а до этого - 180-дневного тренда. Это может быть более управляемой концепцией, чтобы попытаться построить торговую систему вокруг.

...