R 向量的滞后指数移动平均
给出了一个82个观测值的简单向量R 向量的滞后指数移动平均,r,vector,dplyr,moving-average,ttr,R,Vector,Dplyr,Moving Average,Ttr,给出了一个82个观测值的简单向量 x = c(102, 104, 89, 89, 76, 95, 88, 112, 81, 101, 101, 104, 94, 111, 108, 104, 93, 92, 86, 113, 93, 100, 92, 80, 92, 126, 102, 109, 104, 95, 84, 81, 103, 83, 103, 83, 58, 109, 89, 93, 104, 104, 123, 104, 93, 76, 103, 103, 100, 105, 1
x = c(102, 104, 89, 89, 76, 95, 88, 112, 81, 101, 101, 104, 94, 111, 108, 104, 93, 92, 86, 113, 93, 100, 92, 80, 92, 126, 102, 109, 104, 95, 84, 81, 103, 83, 103, 83, 58, 109, 89, 93, 104, 104, 123, 104, 93, 76, 103, 103, 100, 105, 108, 90, 122, 103, 114, 102, 87, 98, 88, 107, 102, 80, 81, 96, 107, 105, 113, 98, 93, 104, 94, 107, 107, 97, 102, 82, 90, 97, 124, 109, 96, 92)
我希望通过以下方式对该向量执行EMA(指数移动平均):
- 新向量的第一个元素应该是
NA
- 第二个元素应该是原始向量的第一个元素
- 第三个元素应该是原始向量的第一个和第二个元素的EMA
- 第四个元素应该是原始向量前三个元素的EMA
- 第82个元素应为原始向量所有值的EMA,最后一个除外
TTR
中的函数EMA
和dplyr中的lag
来实现这一点
> library(dplyr)
> library(TTR)
> lag(EMA(x, 1, ratio = 2/(81+1)))
[1] NA 102.00000 102.04878 101.73052 101.42002 100.80002 100.65855 100.34981 100.63396 100.15508 100.17569
[12] 100.19579 100.28858 100.13520 100.40020 100.58556 100.66884 100.48179 100.27492 99.92675 100.24561 100.06889
[23] 100.06721 99.87045 99.38580 99.20566 99.85918 99.91139 100.13307 100.22738 100.09989 99.70721 99.25093
[34] 99.34237 98.94378 99.04271 98.65143 97.65993 97.93651 97.71855 97.60346 97.75948 97.91168 98.52360
[45] 98.65717 98.51919 97.96994 98.09262 98.21231 98.25592 98.42041 98.65405 98.44298 99.01754 99.11468
[56] 99.47773 99.53925 99.23342 99.20333 98.93008 99.12691 99.19698 98.72876 98.29635 98.24035 98.45400
[67] 98.61365 98.96454 98.94102 98.79611 98.92304 98.80296 99.00289 99.19794 99.14433 99.21398 98.79413
[78] 98.57964 98.54111 99.16206 99.40201 99.31903
但这绝对不是我想要的结果。。。。我做错了什么?
我在网上找不到任何关于比率的综合文档,我也不确定我是否已经弄清楚了。
有人能帮我吗
为了让事情更清楚:
到目前为止,我得到的结果如下:
> library(runner)
> mean_run(x, k = 7, lag = 1)
[1] NA 102.00000 103.00000 98.33333 96.00000 92.00000 92.50000 91.85714 93.28571 90.00000 91.71429
[12] 93.42857 97.42857 97.28571 100.57143 100.00000 103.28571 102.14286 100.85714 98.28571 101.00000 98.42857
[23] 97.28571 95.57143 93.71429 93.71429 99.42857 97.85714 100.14286 100.71429 101.14286 101.71429 100.14286
[34] 96.85714 94.14286 93.28571 90.28571 85.00000 88.57143 89.71429 88.28571 91.28571 91.42857 97.14286
[45] 103.71429 101.42857 99.57143 101.00000 100.85714 100.28571 97.71429 98.28571 97.85714 104.42857 104.42857
[56] 106.00000 106.28571 103.71429 102.28571 102.00000 99.85714 99.71429 94.85714 91.85714 93.14286 94.42857
[67] 96.85714 97.71429 97.14286 99.00000 102.28571 102.00000 102.00000 102.28571 100.00000 100.57143 99.00000
[78] 97.00000 97.42857 99.85714 100.14286 100.00000
这是通过runner
软件包中的mean\u run
函数获得的k=7
观测值的简单移动平均值(SMA)。
现在,我想“改进”移动平均值,在每个观察值上增加指数权重,并确保最后一个元素也受到第一个元素的影响(该观察值的权重应尽可能接近0)。这意味着滚动平均值的窗口大小为:
- 第一个元素的
n=0
(即NA
)
n=1
用于第二个元素(即原始向量的第一个元素)
n=2
用于3d元素(即第一个和第二个元素的EMA)
n=3
用于第四个要素(即第一、第二和第三个要素的EMA)
n=81
第82个元素(即前81个元素的EMA)
我仍然无法找到关于比率
参数(即alpha)的任何好文档,但我认为应该尽快解决,但我不确定这一点假设您打算写什么,即注释中定义的滞后加权移动平均数,而不是滞后加权移动平均数,我们在iter中定义了迭代,然后像这样使用Reduce
alfa <- 2/(81+1)
iter <- function(y, x) alfa * x + (1-alfa) * y
ema <- c(NA, head(Reduce(iter, tail(x, -1), init = x[1], acc = TRUE), -1))
# check
identical(ema[1], NA_real_)
## [1] TRUE
identical(ema[2], x[1])
## [1] TRUE
identical(ema[3], alfa * x[2] + (1-alfa) * x[1])
## [1] TRUE
identical(ema[4], alfa * x[3] + (1-alfa) * ema[3])
## [1] TRUE
“指数移动平均线”一词意味着一个拖尾函数应用。您似乎在要求一个前瞻性的函数应用程序。如果将EMA()
应用于该向量的反向版本,您可能会更高兴?或你可以对你认为的“均线”给出一个数学定义。你会如何从数学上定义均线?也许吧。除非你描述一下你的数学期望值,否则我无法真正知道。@IRTFM我在问题中写道,我期望向量是怎样的。我试图执行一个滚动平均值,在每个元素上放置指数权重:最后一个元素比第一个元素具有更大的影响请不要破坏您的帖子。通过在此网站上发布,您已不可撤销地授予Stack Exchange network在CC By-SA 4.0许可证下分发该内容的权利,只要它认为合适。关于删除的替代方案,请参见:您需要完善您对所需内容的想法,并用输入和手工计算的输出清楚地表达出来;然而,答案中已经显示的很可能是您想要的,您只需要认识到指数移动平均数可以按照答案中的链接以多种方式表示。
library(zoo)
c(NA, x[1], rollapplyr(x, list(-seq(2)), weighted.mean, c(alfa, 1-alfa)))