Numpy Python中缓慢的随机实现

我是新来的熊猫，我需要一个函数来计算慢随机。我认为这应该是可能的，没有太多困难，但我不熟悉熊猫的高级API

我的数据框包含‘开盘’、‘高’、‘低’和‘收盘’价格，并按日期编制索引。这么多的信息应该足以计算慢随机性

Following is the formula for calculating Slow Stochastic:
%K = 100[(C - L14)/(H14 - L14)] 

C = the most recent closing price 
L14 = the low of the 14 previous trading sessions 
H14 = the highest price traded during the same 14-day period.

%D = 3-period moving average of %K 

您可以使用函数族来实现这一点

例如，

100[（C-L14）/（H14-L14）]

可通过以下方式找到：

import pandas as pd

l, h = pd.rolling_min(c, 4), pd.rolling_max(c, 4)
k = 100 * (c - l) / (h - l) 

pd.rolling_mean(k, 3)

滚动平均值可通过以下方式找到：

import pandas as pd

l, h = pd.rolling_min(c, 4), pd.rolling_max(c, 4)
k = 100 * (c - l) / (h - l) 

pd.rolling_mean(k, 3)

---

---

此外，如果您对这些东西感兴趣，您可以查看。

我认为我所做的是正确的，请有人验证一下：

def simple_moving_average(prices, period=26): """ :param df: pandas dataframe object :param period: periods for calculating SMA :return: a pandas series """ weights = np.repeat(1.0, period)/period sma = np.convolve(prices, weights, 'valid') return sma def fast_stochastic(lowp, highp, closep, period=14, smoothing=3): """ calculate slow stochastic Fast stochastic calculation %K = (Current Close - Lowest Low)/(Highest High - Lowest Low) * 100 %D = 3-day SMA of %K """ low_min = pd.rolling_min(lowp, period) high_max = pd.rolling_max(highp, period) k_fast = 100 * (closep - low_min)/(high_max - low_min) k_fast = k_fast.dropna() d_fast = simple_moving_average(k_fast, smoothing) return k_fast, d_fast def slow_stochastic(lowp, highp, closep, period=14, smoothing=3): """ calculate slow stochastic Slow stochastic calculation %K = %D of fast stochastic %D = 3-day SMA of %K """ k_fast, d_fast = fast_stochastic(lowp, highp, closep, period=period, smoothing=smoothing) # D in fast stochastic is K in slow stochastic k_slow = d_fast d_slow = simple_moving_average(k_slow, smoothing) return k_slow, d_slow def简单移动平均值（价格，周期=26）： """ ：param df:dataframe对象 ：param period：计算SMA的周期 ：return：熊猫系列 """ 权重=np。重复（1.0，周期）/周期 sma=np.卷积（价格、权重、“有效”） 返回sma def fast_随机（低、高、闭、周期=14、平滑=3）： “计算慢随机 快速随机计算 %K=（当前收盘-最低低点）/（最高高点-最低低点）*100 %D=3天的%K SMA """ 最低限度=局部放电滚动最低限度（最低限度，周期） 高最大值=局部放电滚动最大值（高最大值，周期） k_fast=100*（闭合-低最小值）/（高最大值-低最小值） k_fast=k_fast.dropna（） d_fast=简单移动平均（k_fast，平滑） 快回k_，快回d_ def slow_随机（低、高、闭、周期=14、平滑=3）： “计算慢随机 慢随机计算 %快速随机序列的K=%D %D=3天的%K SMA """ k_fast，d_fast=快速随机（低、高、闭、周期=周期、平滑=平滑） #快随机中的D是慢随机中的K k_慢=d_快 d_slow=简单移动平均（k_slow，平滑） 返回k_慢，d_慢

---

您可以使用下面的简单函数来处理慢随机和快随机

def stochastics( dataframe, low, high, close, k, d ):
    """
    Fast stochastic calculation
    %K = (Current Close - Lowest Low)/
    (Highest High - Lowest Low) * 100
    %D = 3-day SMA of %K

    Slow stochastic calculation
    %K = %D of fast stochastic
    %D = 3-day SMA of %K

    When %K crosses above %D, buy signal 
    When the %K crosses below %D, sell signal
    """

    df = dataframe.copy()

    # Set minimum low and maximum high of the k stoch
    low_min  = df[low].rolling( window = k ).min()
    high_max = df[high].rolling( window = k ).max()

    # Fast Stochastic
    df['k_fast'] = 100 * (df[close] - low_min)/(high_max - low_min)
    df['d_fast'] = df['k_fast'].rolling(window = d).mean()

    # Slow Stochastic
    df['k_slow'] = df["d_fast"]
    df['d_slow'] = df['k_slow'].rolling(window = d).mean()

    return df


stochs = stochastics( df, 'Low', 'High', 'Close', 14, 3 )
slow_k = stochs['k_slow'].values
fast_k = stochs['k_fats'].values

---

这些函数不是numpy（例如使用pd）谢谢Ami，我将尝试上面建议的方法。为什么

pd.rolling\u min（c，4）

和

pd.rolling\u max（c，4）

而不是

pd.rolling\u min（c，14）

和

pd.rolling\u max（c，14）

？这只是一个输入错误还是我遗漏了什么？顺便说一句，滚动平均值与缓慢的随机计算无关，是吗？它只是作为额外的权利添加？@dabadaba滚动平均值用于计算%D，即%K的三期移动平均值