如何解决R 在子集上查找 RSI
我正在使用以下代码来查找股票的 RSI（相对强弱指数）和 DEMA（双指数移动平均线）。
library(quantmod)
library(TTR)
getSymbols("AAPL")
chartSeries(AAPL,TA=NULL)
data=AAPL[,4]
AAPL$rsi = TTR::RSI(data)
AAPL$dema = TTR::DEMA(data)
# object B stores the copy of AAPL object and I save it in a CSV file
B = AAPL
每天，对象 AAPL 都会有一个新行来反映最后一天的数据。
每天 RSI 和 DEMA 函数在整个数据集上运行。对过去 12 年以上的数据一次又一次地运行 RSI 似乎是浪费 cpu 能力和时间，即使只有一个新行（针对最后一个交易日）添加到数据中。
有没有办法只在 RSI 对象中找到最后一天的 DEMA、AAPL 等，并将其添加到旧数据集 B 中？
我想知道量化交易员在每秒获取报价数据并且需要在新数据和所有过去数据上找到 RSI 和其他一些指标时，他们会如何进行这种操作。即使使用最快的计算机，获取指标数据也需要几分钟的时间，届时市场就会发生变化。
谢谢！
解决方法
假设您昨天下载了所有相关数据并计算了所有 RSI 和 DEMA 统计数据。以下是截至 2021 年 3 月 2 日的数据。
library(quantmod)
library(TTR)
getSymbols("AAPL")
chartSeries(AAPL,TA=NULL)
AAPL <- AAPL[,]
data=AAPL[,4]
AAPL$rsi = TTR::RSI(data)
AAPL$dema = TTR::DEMA(data)
# AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted rsi dema
# 2021-02-23 123.76 126.71 118.39 125.86 158273000 125.86 35.08898 127.7444
# 2021-02-24 124.94 125.56 122.23 125.35 111039900 125.35 34.28019 126.5275
# 2021-02-25 124.68 126.46 120.54 120.99 148199500 120.99 28.27909 124.2326
# 2021-02-26 122.59 124.85 121.20 121.26 164320000 121.26 29.10677 122.6783
# 2021-03-01 123.75 127.93 122.79 127.79 115998300 127.79 45.49055 123.7497
# 2021-03-02 128.41 128.72 125.01 125.12 102015300 125.12 41.28885 123.7178
然后，您将此结果保存为 CSV：
write_csv(as.data.frame(AAPL),"aapl.csv")
现在，您今天下载了数据并获得了一个新数据点。通过使用过去 200 天的数字，您可以为最近一天生成与使用整个数据集相同的值。这似乎也适用于其他符号，但您需要确保它具有概括性。
getSymbols("AAPL")
data=AAPL[(nrow(AAPL)-200):nrow(AAPL),4]
AAPL$rsi = TTR::RSI(data)
AAPL$dema = TTR::DEMA(data)
tail(AAPL)
# AAPL.Open AAPL.High AAPL.Low AAPL.Close AAPL.Volume AAPL.Adjusted rsi dema
# 2021-02-24 124.94 125.56 122.23 125.35 111039900 125.35 34.28019 126.5275
# 2021-02-25 124.68 126.46 120.54 120.99 148199500 120.99 28.27909 124.2326
# 2021-02-26 122.59 124.85 121.20 121.26 164320000 121.26 29.10677 122.6783
# 2021-03-01 123.75 127.93 122.79 127.79 115998300 127.79 45.49055 123.7497
# 2021-03-02 128.41 128.72 125.01 125.12 102015300 125.12 41.28885 123.7178
# 2021-03-03 124.81 125.71 121.84 122.06 112430400 122.06 37.06365 122.7313
然后，您可以按照@phiver 的建议将最后一行附加到前一个 CSV 中：
write_csv(as.data.frame(AAPL)[nrow(AAPL),],"aapl.csv",append=TRUE)
真正的问题是从这样的程序中可以获得什么？查看两个不同程序的基准，使用中值估计，对完整数据执行 RSI 操作的速度几乎要慢 40%，但如果您只进行几次调用，则不会很明显。我没有在这里打印结果，但 DEMA 例程在完整数据集上慢了大约 30%。如果您每天必须这样做数千次，那么这样做可能有意义，但如果您必须每天这样做 10 次，则可能不值得。
library(microbenchmark)
microbenchmark(TTR::RSI(AAPL[,4]),times=1000)
# Unit: microseconds
# expr min lq mean median uq max neval
# TTR::RSI(AAPL[,4]) 797.03 823.431 1008.936 852.5145 924.193 18113.29 1000
microbenchmark(TTR::RSI(AAPL[(nrow(AAPL)-200):nrow(AAPL),times=1000)
# Unit: microseconds
# expr min lq mean median uq max neval
# TTR::RSI(AAPL[(nrow(AAPL) - 200):nrow(AAPL),4]) 634.306 652.424 710.9095 671.79 706.294 11743.02 1000
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
