如何使用python更快地计算指数移动平均值？

我正忙于构建回溯测试软件，但我在创建指数移动平均线时遇到了麻烦。我使用for循环成功地创建了它，但每个要测试的符号运行大约需要20秒（太长）

如果有人有任何建议，我正试图找到一个更快的解决方案

我当前的代码看起来像这样，但它不会产生正确的结果

def exponential_moving_average(df, period):
    # Create a copy of original dataframe to work with.
    dataframe = df.copy()

    dataframe['EMA'] = dataframe['Close'].ewm( span        = period,
                                               adjust      = False,
                                               min_periods = period,
                                               ignore_na   = True
                                               ).mean()

    return dataframe['EMA']

此方法位于Indicators类中，输入采用以下内容

• df

  是每天的

  开盘价、高价、低价

  和

  收盘价

  以及任何其他用于回溯测试和预测的指标

• period

  是必须计算指数移动平均数的“窗口”或天数

下面是一个带有

df

值的代码段：

            symbol     Open     High      Low    Close  ATR     slow_ma
Date        
2010-01-03  EURUSD  1.43075  1.43369  1.43065  1.43247  NaN       NaN   
2010-01-04  EURUSD  1.43020  1.44560  1.42570  1.44120  NaN       NaN   
2010-01-05  EURUSD  1.44130  1.44840  1.43460  1.43650  NaN       NaN   
2010-01-06  EURUSD  1.43660  1.44350  1.42820  1.44060  NaN       NaN   
2010-01-07  EURUSD  1.44070  1.44470  1.42990  1.43070  NaN       NaN   
2010-01-08  EURUSD  1.43080  1.44380  1.42630  1.44160  NaN       NaN   
2010-01-10  EURUSD  1.44245  1.44252  1.44074  1.44110  NaN       NaN   
2010-01-11  EURUSD  1.44280  1.45560  1.44080  1.45120  NaN       NaN   
2010-01-12  EURUSD  1.45120  1.45450  1.44530  1.44840  NaN       NaN   
2010-01-13  EURUSD  1.44850  1.45790  1.44570  1.45100  NaN  1.442916   
2010-01-14  EURUSD  1.45090  1.45550  1.44460  1.44990  NaN  1.444186   
2010-01-15  EURUSD  1.45000  1.45110  1.43360  1.43790  NaN  1.443043   
2010-01-17  EURUSD  1.43597  1.43655  1.43445  1.43480  NaN  1.441544   
2010-01-18  EURUSD  1.43550  1.44000  1.43340  1.43830  NaN  1.440954   
2010-01-19  EURUSD  1.43820  1.44130  1.42520  1.42870  NaN  1.438726

以下是

slow\u ma

（10天期间）的预期结果

---

我更改了第一个数据帧的值，以便它显示用于计算

slow\u ma

值的数字

这是我在Stackoverflow上的第一篇文章，所以问问是否有什么不清楚的地方

如何更快地使用python计算指数移动平均数？

在旧的2.6[GHz]i5设备上，在

<50[us]

下为您的大小数据/周期提供的速度可实现

---

第0步：使结果（流程）通过质量保证 拥有快速但错误的数据具有负附加值，对吗

如果您使用的是“硬连线”

.ewm（）

方法，如果可以使用不同的

dataframe['Close']

列处理模式，则只能重新读取其参数化选项

作为快速检查：

aPV = [ 1.43247, # borrowed from dataframe['Close']
        1.44120,
        1.43650,
        1.44060, 1.43070, 1.44160, 1.44110, 1.45120, 1.44840,
        1.45100, 1.44990, 1.43790, 1.43480, 1.43830, 1.42870,
        ]
|>>> QuantFX.numba_EMA_fromPrice2( N_period     = 10,
                                   aPriceVECTOR = QuantFX.np.array( aPV )
                                   )
array([ 
        1.43247   ,
        1.43405727,
        1.4345014 ,
        1.43561024,
        1.43471747,
        1.43596884,
        1.43690178,
        1.43950145,
        1.44111937,
        1.44291585,
        1.44418569,
        1.44304284,
        1.44154414,
        1.4409543 ,
        1.43872624
        ]
      )

与上面第一个表中的值（即低于LSD的2个数量级）相比，存在一些数值表示差异

第1步：调整（QA确认）处理以提高速度 在这个阶段，很大程度上取决于使用的外部环境

从cythonize（）可以预期最佳结果，但评测可能会在运行中显示一些惊喜

无需将处理移到cython代码中，您就可以在全球使用

float64

-s而不是

float32

-s（在类似EMA深度上被削掉了一些

110~200[us]

），矢量化就地分配（约2倍加速，从

~100[us]

到

~50[us]

在更好地结合矢量内存分配（结果矢量及其矢量化值处理）和最佳情况下，如果数学重新公式化可以帮助跳过一些纯粹的“机械”操作

然而，所有的加速技巧都依赖于使用的工具——如果是纯的

，或者

numpy+numba

（这可能会对EMA这类毫无疑问的琐碎处理产生负面影响——对“杰克逊博士”来说，没有多少数学上的肉）或者是cython的优化解决方案，因此如果要获得最佳结果，必须在目标CPU环境中进行评测

---

正在尝试找到更快的解决方案

在给定的

[SPACE]

-域数据规模（

window==10

，

aPriceVECTOR.shape[0]~15

）上，更新您的帖子，说明您的预期目标加速比，或者更好地说明所述问题的

[TIME]

-域中的每次呼叫处理成本，如果目标代码执行平台有一些硬件/CPU/缓存层次结构组合约束或没有，因为构建backtester平台实际上非常强调任何和所有代码设计+代码执行效率低下

---

鉴于EMA相当有效，工具可能会获得约4倍的加速 QuantFX的故事已经从

~42000[美国]

下降到

~21000[美国]

，没有

numba

/JIT工具，只需重新制定和优化内存向量处理（使用人工大小的工作负载，处理

aPV[:10000]块）

接下来，运行时间下降到
~10600[us]，使用原样的Cpython代码库，只要有自动Cythonise的权限，就可以使用
pyximport导入
-ed代码：

pass;        import pyximport
pass;               pyximport.install( pyimport = True )
from QuantFX import numba_EMA_fromPrice2
...

因此，可以获得速度

~45~47[美国]在普通2.6[GHz]i5设备上，针对您的大小数据
aPV[：15]
，周期=10


如果坚持使用pandas数据框架工具和方法，您的表现主要掌握在pandas团队手中，在设计折衷方面没有太多需要做，这必须在速度和普遍性之间的两难境地中完成。
你能分享一个结果错误的数据帧片段吗（也不确定输入中的
span=period
是否有意义）根据我的理解，span是公式α=2/（span+1），它是加权均线的乘数，span是我想要计算的时段。例如，它也可以写为（2/（选定时间段+1））=（2/（10+1））=0.1818（18.18%）。对于您提供的样本，
slow\u ma
的值是多少您在
期间使用的值是多少？我已经更改了第一个数据帧的值，以显示用于计算慢速的值，第二个数据帧包含预期结果。我用来缩短数据帧的时间是10天
|>>> ( QuantFX.numba_EMA_fromPrice2( 10,
                                     QuantFX.np.array( aPV )
                                     )
     - QuantFX.np.array( slow_EMA_1 )# values borrowed from Table 1 above
       )

array([             nan,
                    nan,
                    nan,
                    nan,
                    nan,
                    nan,
                    nan,
                    nan,
                    nan,
        -1.50656152e-07,
        -3.05082306e-07,
        -1.58703705e-07,
         1.42878787e-07,
         2.98719007e-07,
         2.44406460e-07
         ]
        )

pass;        import pyximport
pass;               pyximport.install( pyimport = True )
from QuantFX import numba_EMA_fromPrice2
...