指数平滑法 原数数据如下: 点击数据——数据分析 选择指数平滑 最一次平滑 由于我们选择的区域是B1:B22,第一个单元格“钢产量”,被当做标志,所以我们应该勾选标志.当我们勾选了标志后,列中的第一个单元格将不被用于计算,计算从第二个单元格开始. 结果如下: 做二次平滑 这里,我们不再采用标志,所以数据区间选择在C3:C22 对比一下 阻尼系数=0.3 阻尼系数=0.05 阻尼系数=0.9 画在一张图上对比下,可见阻尼系数越大,曲线越平.         移动平均(一阶和二阶) 同理可以使用

前言 在深度学习中,经常会使用EMA(exponential moving average)方法对模型的参数做平滑或者平均,以求提高测试指标,增加模型鲁棒性. 参考 1. [优化技巧]指数移动平均(EMA)的原理及PyTorch实现: 2. 理解滑动平均(exponential moving average): 完

英文参考:http://www.incrediblecharts.com/indicators/exponential_moving_average.php Exponential moving averages are recommended as the most reliable of the basic moving average types. They provide an element of weighting, with each preceding day given pro

使用Excel可以完成很多专业软件才能完成的数据统计.分析工作,比如:直方图.相关系数.协方差.各种概率分布.抽样与动态模拟.总体均值判断,均值推断.线性.非线性回归.多元回归分析.时间序列等.本专题将教您完成几种最常用的专业数据分析工作. 注意:所有操作将通过Excel“分析数据库”工具完成,如果您没有安装这项功能,请依次选择“工具”-“加载宏”,在安装光盘中加载“分析数据库”.加载成功后,可以在“工具”下拉菜单中看到“数据分析”选项.     直方图     某班进行期中考试后,需要统计各分

多种移动平均计算总结 股票期货里面经常会遇到这些公式,通达信,同花顺,文华,基本都有.作为一个程序员觉得网上比较的思路不清晰,在此做个总结,一目了然. 一.函数简介 MA(x,n)-移动平均,是最简单的n日内的平均值 SMA(x,n,m)-简单移动平均,m为当日的权重,是个0~1之间的值 EMA(x,n)-指数移动平均,这个函数以相关周期为权重进行计算 DMA(x,m)-动态移动平均,这个函数以动态设定的权重m进行计算 TMA(x,p,q)-递归移动平均,这个函数可以完全控制当前周期的权重和上一

目的:画线指标理解,并同时改造成条件选股指标. 参考:https://mp.csdn.net/postedit/83176406 #ff7700 hex color  https://www.colorhexa.com/ff7700 ZK1:(XMA(XMA(H,25),25)-XMA(XMA(L,25),25))*1+XMA(XMA(H,25),25),DOTLINE,COLORGREEN; ZD1:XMA(XMA(L,25),25)-(XMA(XMA(H,25),25)-XMA(XMA(L,

import tkinter as tk from tkinter import ttk import matplotlib.pyplot as plt import numpy as np import talib as ta series = np.random.choice([1, -1], size=200) close = np.cumsum(series).astype(float) # 重叠指标 def overlap_process(event): print(event.wid

说明:本人并不炒股,原因很简单:没钱.当然了,作为一名IT工作者,因为工作需要和个人兴趣,就有了本系列文章.阅读本系列文章不需要任何高深的知识,哪怕是一个像我这样从未真正炒过股的人也没关系.但本文还是假定您具备了一些基本的中学(高中.初中)数学知识,比如数列.求和公式等.可能也会涉及到类似微积分.卷积这种相对难一些的知识,文章会力图做到浅显易懂.本系列文章还假定您知道分时图.K线图等基本常识,至少使用过交易软件,否则您最好搜索一下再继续阅读.文中所引述的话都在引号中,出自网络.书籍. EMA是M

利用R语言打造量化分析平台 具体利用quantmod包实现对股票的量化分析 1.#1.API读取在线行情2.#加载quantmod包3.if(!require(quantmod)){4. install.packages("quantmod")5.}6.#获取股票行情指数7.Quote=function(code){8. index=match(code,universes)9. temp=lapply(universes,get)10. return(temp[[index]])11

import tkinter as tk from tkinter import ttk import matplotlib.pyplot as plt import numpy as np import talib as ta series = np.random.choice([1, -1], size=200) close = np.cumsum(series).astype(float) # 重叠指标 def overlap_process(event): print(event.wid

MACD(指数平滑异同平均线)策略简介MACD指标应该是大家最常见的技术指标,在很多股票.比特币的软件中都是默认显示的.MACD是从双指数移动平均线发展而来的.意义和双移动平均线基本相同,即由快.慢均线的离散.聚合表征当前的多空状态和股价可能的发展变化趋势,但阅读起来更方便.计算方法MACD的中文名叫做指数平滑异同平均线,听起来很绕口,算起来也不简单.MACD需要先计算两条线:快速(一般选12日)指数移动平均值线EMA1与慢速(一般选26日)指数移动平均值线EMA2.然后用快线减去慢线,得到二者

策略名称:EMA指标策略关键词:指数移动平均.双均线.动态止损.方法:1)用快慢两条指数移动平均线的交叉作为买入卖出信号:2)快线自下而上穿过慢线,买入:自上而下穿过慢线,卖出:3)持仓期间计算净值的回撤,当回撤大于预设值时,全仓卖出止损,等待下一次入场信号 # !/usr/bin/env python # -*- coding: utf-8 -*- # 策略代码总共分为三大部分,1)PARAMS变量 2)initialize函数 3)handle_data函数 # 请根据指示阅读.或者直接点击

在上一篇博客<TensorFlow之DNN(一):构建“裸机版”全连接神经网络>中,我整理了一个用TensorFlow实现的简单全连接神经网络模型,没有运用加速技巧(小批量梯度下降不算哦)和正则化方法,通过减小batch size,也算得到了一个还可以的结果. 那个网络只有两层,而且MINIST数据集的样本量并不算太大.如果神经网络的隐藏层非常多,每层神经元的数量巨大,样本数量也巨大时,可能出现三个问题: 一是梯度消失和梯度爆炸问题,导致反向传播算法难以进行下去: 二是在如此庞大的网络中进行训

六.移动窗口函数 移动窗口和指数加权函数类别如↓: rolling_mean 移动窗口的均值 pandas.rolling_mean(arg, window, min_periods=None, freq=None, center=False, how=None, **kwargs) rolling_median 移动窗口的中位数 pandas.rolling_median(arg, window, min_periods=None, freq=None, center=False, how='

一般在保存模型参数的时候,都会保存一份moving average,是取了不同迭代次数模型的移动平均,移动平均后的模型往往在性能上会比最后一次迭代保存的模型要好一些. tensorflow-models项目中tutorials下cifar中相关的代码写的有点问题,在这写下我自己的做法: 1.构建训练模型时,添加如下代码 variable_averages = tf.train.ExponentialMovingAverage(0.999, global_step) variables_avera

Variable Tensorflow使用Variable类表达.更新.存储模型参数. Variable是在可变更的,具有保持性的内存句柄,存储着Tensor 在整个session运行之前,图中的全部Variable必须被初始化 Variable的值在sess.run(init)之后就确定了 Tensor的值要在sess.run(x)之后才确定 创建的Variable被添加到默认的collection中 tf.GraphKeys中包含了所有默认集合的名称,可以通过查看__dict__发现具体集合

BN目的是使得每层训练的输出结果在同一分布下,实验证明不仅可以加速收敛速度,还可以提高准确度 因为如果想要计算所有图像的均值与方差,显然不太现实,所以每次计算每个batch的方差与均值,为了使得每个batch的方差与均值尽可能的接近整体分布方差与均值的估计值,这里采用一种指数移动平均

本文所属图书 > 传感网原理与技术 本书根据<高等院校物联网工程专业发展战略研究报告暨专业规范(试行)>和物联网工程本科专业的教学需要,结合传感网的最新发展及其应用现状编写而成.主要内容包括传感网的概述,通信协议,数据管理技术,拓扑  立即去当当网订购 汇聚数据到基站是传感网应用程序的常见需求.常用的方法是建立至少一棵汇聚树,树根节点作为基站.当节点产生的数据要汇聚到根节点时,它沿着汇聚树往上发,当节点收到数据时,则将它转发给其他节点.有时汇聚协议需要根据汇聚数据的形式检查过往的数据包,

tensorflow中定义的tf.Variable时,可以通过trainable属性控制这个变量是否可以被优化器更新.但是,tf.Variable的trainable属性是只读的,我们无法动态更改这个只读属性.在定义tf.Variable时,如果指定trainable=True,那么会把这个Variable添加到"可被训练的变量"集合中. 把trainable指定为布尔变量是不管用的,trainable只在定义变量的那一瞬间有用. # trainable只能是bool值,不能是张量 t

https://www.itcodemonkey.com/article/9339.html 时序数据已用于越来越多的应用中,包括物联网.DevOps.金融.零售.物流.石油天然气.制造业.汽车.太空.SaaS,乃至机器学习和人工智能.虽然当前时序数据库仅局限于采集度量和监控,但是软件开发人员已经逐渐明白,他们的确需要一款时序数据库,真正设计用于运行多种工作负载. 如果我们考虑采用一款时序数据库产品,这可能意味着我们正面对大量时序数据的快速堆积.我们需要一个地方对这些时序数据进行存储和分析.人们

Overlap Studies 重叠研究指标 BBANDS Bollinger Bands 布林带 DEMA Double Exponential Moving Average 双指数移动平均线 EMA Exponential Moving Average 指数移动平均线 HT_TRENDLINE Hilbert Transform - Instantaneous Trendline 希尔伯特变换——瞬时趋势线 KAMA Kaufman Adaptive Moving Average 考夫曼自适