Moving Media Python Numpy

Questo è un wrapper Python per TA-LIB sulla base di Cython invece di SWIG. Dalla home page: TA-Lib è ampiamente utilizzato dagli sviluppatori di software di trading che necessitano di effettuare l'analisi tecnica di dati finanziari. Comprende 150 indicatori quali ADX, MACD, RSI, stocastico, le bande di Bollinger, ecc Candlestick pattern recognition API open-source per CC, Java, Perl, Python e 100 gestito il binding Python originali utilizzare SWIG che sono purtroppo difficili da installare e arent efficienti come potrebbero essere. Quindi questo progetto utilizza Cython e Numpy di impegnare in modo efficiente e in modo pulito per TA-Lib - produrre risultati 2-4 volte più veloce l'interfaccia SWIG. Installare TA-Lib o leggere la documentazione Simile a TA-Lib, la funzione di interfaccia fornisce un involucro leggero degli indicatori TA-Lib esposti. Ogni funzione restituisce un array di uscita e hanno valori di default per i loro parametri, se non specificato come argomenti chiave. Tipicamente, queste funzioni avranno un periodo lookback iniziale (un numero richiesto di osservazioni prima un'uscita viene generato) impostato su NaN. Tutti i seguenti esempi utilizzare la funzione API: Calcolare una media mobile dei prezzi di chiusura: Calcolo bande di Bollinger, con tripla media mobile esponenziale: Calcolo slancio dei prezzi di chiusura, con un periodo di tempo di 5: Estratto API Quick Start Se sei già familiarità con l'utilizzo della funzione API, si dovrebbe sentire come a casa utilizzando l'API astratto. Ogni funzione ha lo stesso ingresso, passato come un dizionario di array NumPy: Le funzioni possono sia essere importati direttamente o istanziati per nome: Da lì, chiamare funzioni è fondamentalmente la stessa della funzione API: Scopri di utilizzo su più avanzato di TA-Lib qui . Gli indicatori supportati Possiamo mostrare tutte le funzioni supportate da TA TA-Lib, sia come elenco o come dict ordinati per gruppo (per esempio Overlap Studi, indicatori di momentum, ecc): Modulo funzione GroupsThe scikits. timeseries non è più in fase di sviluppo attivo. C'è una lista eccezionale di insetti che sono difficilmente possono essere risolti. Il piano è per le funzionalità di base di questo modulo da attuare in panda. Se si desidera vedere questo modulo in diretta su indipendentemente da panda, sentitevi liberi di fork del codice e prenderne il controllo. Il modulo scikits. timeseries fornisce classi e funzioni per la manipolazione, la segnalazione, e tracciando serie storiche di varie frequenze. Il focus è su un comodo accesso dei dati e la manipolazione sfruttando la funzionalità matematica esistente NumPy e SciPy. Se i seguenti scenari suona familiare a voi, allora è probabile trovare il modulo scikits. timeseries utile: Confronto molte serie tempo con diverse gamme di dati Creare diagrammi di serie storiche con le etichette degli assi in modo intelligente distanziati convertire una serie di tempo quotidiano (ad esempio i prezzi delle azioni.) a mensile prendendo il valore medio nel corso di ogni mese di lavoro con i dati che sono mancanti i valori determinare l'ultimo giorno lavorativo del monthquarteryear precedente ai fini di reporting Calcolare una deviazione standard in movimento in modo efficiente Questi sono solo alcuni degli scenari che sono fatti molto semplice con i scikits modulo. timeseries. DocumentationHybrid Monte-Carlo Sampling Questo è un tutorial avanzato, che mostra come si possa attuare ibrida Monte-Carlo (HMC) campionamento utilizzando Theano. Diamo per scontato che il lettore è già familiarità con Theano e modelli basati su energia, come la RBM. Il codice per questa sezione è disponibile per il download qui. apprendimento massima verosimiglianza dei modelli basati su energia richiede un algoritmo robusto per assaggiare le particelle fase negativa (vedi Eq. (4) Le macchine limitati Boltzmann (RBM) tutorial). Quando la formazione MLF con CD o PCD, questo è in genere fatto con il blocco Gibbs campionamento, in cui le distribuzioni condizionali e vengono utilizzati come gli operatori di transizione della catena di Markov. In certi casi, tuttavia, tali distribuzioni condizionate possono essere difficili da campionare (cioè richiedere costosi inversioni di matrice, come nel caso del RBM8221 8220mean-covarianza). Inoltre, anche se il campionamento Gibbs può essere fatto in modo efficiente, opera tuttavia con una passeggiata casuale che potrebbe non essere statisticamente efficiente per alcune distribuzioni. In questo contesto, e quando il campionamento da variabili continue, ibrida Monte Carlo (HMC) può rivelarsi un potente strumento Duane87. Evita comportamento random walk, simulando un sistema fisico governato da dinamiche Hamiltoniani, potenzialmente evitando distribuzioni condizionate difficili nel processo. In HMC, campioni modello sono ottenute mediante la simulazione di un sistema fisico, in cui le particelle si muovono su un high-dimensionale paesaggio, soggetto alle energie potenziali e cinetiche. Adattare la notazione da Neal93. particelle sono caratterizzati da un vettore posizione o stato e vettore velocità. Lo stato combinato di una particella è indicata come. L'Hamiltoniana è quindi definito come la somma di energia potenziale (stessa funzione di energia definita da modelli basati energia) ed energia cinetica, come segue: L'algoritmo Leap-Rana In pratica, non possiamo simulare dinamica Hamiltoniana esattamente a causa del problema del tempo discretizzazione . Ci sono diversi modi si può fare questo. Per mantenere l'invarianza della catena di Markov però, bisogna fare attenzione a preservare le proprietà di conservazione del volume e del tempo reversibilità. L'algoritmo di salto-rana mantiene queste proprietà e opera in 3 passi: In pratica, utilizzando stepsizes finiti non conservare esattamente e introdurrà distorsioni nella simulazione. Inoltre, errori di arrotondamento a causa dell'uso di numeri decimali significa che quanto sopra trasformazione non sarà perfettamente reversibile. In questo tutorial, si ottiene un nuovo campione HMC come segue: Implementazione HMC Utilizzando Theano In Theano, aggiornare dizionari e variabili condivise forniamo un modo naturale per implementare un algoritmo di campionamento. Lo stato attuale del campionatore può essere rappresentato come una variabile Theano condiviso, con gli aggiornamenti HMC in corso di attuazione da parte della lista gli aggiornamenti di una funzione Theano. Abbiamo ripartizione l'algoritmo HMC nei seguenti sotto-componenti: