如何准确计算一系列点的移动平均斜率？

如何解决如何准确计算一系列点的移动平均斜率？

我想要做的是计算指定时间段内股票价格的简单移动平均线。我参考了很多在线资源，他们都推荐使用 rolling_mean 函数来计算移动平均值。

我是这样做的：


def getEODData(symbol):
    api_result = requests.get('http://api.marketstack.com/v1/eod?access_key='+apikey+'&symbols='+symbol+'&limit=2500')
    api_response = api_result.json()
    df=pd.DataFrame.from_dict(api_response['data'])
    df=df.iloc[::-1]
    timeshort=66

    if not df.empty:
        
        df['SMA']=df.iloc[:,3].rolling(window=timeshort).mean() 
        slope_short=((df['SMA'][0]-df['SMA'][timeshort])/timeshort)
        slope_short_deg = math.atan(slope_short) * 180 / math.pi
        print(slope_short_deg)

我做了 df. iloc[::-1] 是因为第一个 66 周期是 NaN 用于 rolling_mean 计算，所以我翻转了数据框，以便我可以获得最新日期的移动平均值。>

这是翻转后的样子：

open       high        low      close     volume  adj_high  adj_low  ...  adj_volume  split_factor  symbol  exchange                      date          SMA     SMA_long
1791   568.0000   568.0000   552.9200   558.4600    13100.0    568.00   552.92  ...     13100.0           2.0    GOOG      XNAS  2014-03-27T00:00:00+0000          NaN          NaN
1790   561.2000   566.4300   558.6700   559.9900    41100.0    566.43   558.67  ...     41100.0           1.0    GOOG      XNAS  2014-03-28T00:00:00+0000          NaN          NaN
1789   566.8900   567.0000   556.9300   556.9700    10800.0    567.00   556.93  ...     10800.0           1.0    GOOG      XNAS  2014-03-31T00:00:00+0000          NaN          NaN
1788   558.7100   568.4500   558.7100   567.1600     7900.0    568.45   558.71  ...      7900.0           1.0    GOOG      XNAS  2014-04-01T00:00:00+0000          NaN          NaN
1787   565.1060   604.8300   562.1900   567.0000   146700.0    604.83   562.19  ...    146700.0           1.0    GOOG      XNAS  2014-04-02T00:00:00+0000          NaN          NaN
...         ...        ...        ...        ...        ...       ...      ...  ...         ...           ...     ...       ...                       ...          ...          ...
4     2402.7200  2419.7000  2384.5000  2395.1699  1648353.0       NaN      NaN  ...         NaN           1.0    GOOG      XNAS  2021-05-03T00:00:00+0000  2134.197117  1724.360315
3     2369.7400  2379.2600  2311.7000  2354.2500  1686545.0       NaN      NaN  ...         NaN           1.0    GOOG      XNAS  2021-05-04T00:00:00+0000  2141.638632  1728.445849   
2     2368.4199  2382.2000  2351.8850  2356.7400  1090275.0       NaN      NaN  ...         NaN           1.0    GOOG      XNAS  2021-05-05T00:00:00+0000  2149.532571  1732.516758   
1     2350.6399  2382.7100  2342.3381  2381.3501   978908.0       NaN      NaN  ...         NaN           1.0    GOOG      XNAS  2021-05-06T00:00:00+0000  2156.805300  1736.588853   
0     2400.0000  2416.4099  2390.0000  2398.6899  1163600.0       NaN      NaN  ...         NaN           1.0    GOOG      XNAS  2021-05-07T00:00:00+0000  2163.944389  1740.744544

现在我尝试运行 google 股票，结果显示为 80.47 deg。然后我去了一个叫 Tradeview 的网站来验证我的结果，结果是这样的：

（此图表的设置 -> 图表的时间段 - 1 天和移动平均时间段 -66）

我为 66 条的斜率绘制了红线，正如您所看到的，这与 80 deg 相去甚远。

然后我想到使用 np.polyfit() 来找到这样的斜率：

 y=np.array(df['SMA'][-(timeshort):])
 x= range(0,len(y))
 sl,b=np.polyfit(x,y,1)
 sl=math.atan(sl) * 180 / math.pi

但这也给出了 79 deg 的输出。

我做错了什么？我怎样才能获得像网站一样的斜率？

任何帮助将不胜感激。

解决方法

抱歉耽搁了，让我们看看下面的代码片段：

"result": [
    {
        "firstname": "John","lastname": "Doe",},{
        "firstname": "Max","lastname": "Mustermann",}
]

可以看到，当 math.atan() 的输入参数为 1 时，结果的度数为 45，因此它似乎将 >>> import math >>> slope_short_deg = math.atan(1) * 180 / math.pi >>> slope_short_deg 45.0 >>> slope_short_deg = math.atan(2) * 180 / math.pi >>> slope_short_deg 63.43494882292201 >>> slope_short_deg = math.atan(3) * 180 / math.pi >>> slope_short_deg 71.56505117707799 元素视为 1，并通过增加输入参数，度数增加。

您也可以使用 x 并传递 math.atan2(y,x) 参数。

你可能会说 x 参数是蜡烛的日期，这没关系，你可以看到日期大小是相对的，你可以通过滚动来改变它，图表中线条的度数将是改变了。

因此您可以选择一个 x 数字并根据您的策略形成一个与之相关的条件。