一：指数移动平均线的计算
EMA 通过加权乘数赋予最新价格更多权重。 这个乘数应用于最后一个价格，因此它比其他数据点占移动平均线更大的部分。EMA 是通过采用最近的价格（我们将其称为“时间 t 的价格”) 减去前一个时间段 （EMA_{t-1}）。 此差异由您将 EMA 设置为 (N) 并加回到 EMA_{t-1}的时间段数加权。在数学上，我们可以这样写：
你可能已经注意到上面的等式有一个小问题，它是如何开始的？ 它参考了最后一个时期的 EMA，所以如果你进行第一次计算，它参考的是什么？ 这通常可以通过替换简单移动平均线 (SMA) 来初始化计算来延缓，这样您就可以在第一次之后的所有时间段构建 EMA。
让我们通过导入我们的包，用 Python 中的一个简单示例来展示它是如何工作的。
import numpy as np import pandas as pd import yfinance as yf import matplotlib.pyplot as plt
从这里开始，我们将构建两个函数来协同工作并计算我们的指标。 第一个函数将是我们上面概述的公式的简单实现：
def _calcEMA(P, last_ema, N):
return (P - last_ema) * (2 / (N + 1)) + last_ema
第二个函数将计算我们所有数据的 EMA，首先使用 SMA 对其进行初始化，然后迭代我们的数据以使用我们的 SMA 列中的值更新每个后续条目，或者调用我们上面定义的 _calcEMA 函数来处理大于 N的值。
def calcEMA(data, N):
# Initialize series
data['SMA_' + str(N)] = data['Close'].rolling(N).mean()
ema = np.zeros(len(data))
for i, _row in enumerate(data.iterrows()):
row = _row[1]
if i < N:
ema[i] += row['SMA_' + str(N)]
else:
ema[i] += _calcEMA(row['Close'], ema[i-1], N)
data['EMA_' + str(N)] = ema.copy()
return data
现在，让我们获取一些数据，看看它是如何工作的。 我们将拉出比回测更短的时间段，并比较 EMA 和 SMA 的 10、50 和 100 天。
ticker = 'GM'
yfObj = yf.Ticker(ticker)
data = yfObj.history(ticker, start='2018-01-01', end='2020-12-31')
N = [10, 50, 100]
_ = [calcEMA(data, n) for n in N]
colors = plt.rcParams['axes.prop_cycle'].by_key()['color']
fig, ax = plt.subplots(figsize=(18, 8))
ax.plot(data['Close'], label='Close')
for i, n in enumerate(N, 1):
ax.plot(data[f'EMA_{n}'], label=f'EMA-{n}', color=colors[i])
ax.plot(data[f'SMA_{n}'], label=f'SMA-{n}', color=colors[i], linestyle=':')
ax.legend()
ax.set_title(f'EMA and Closing Price Comparison for {ticker}')
plt.show()
二：现在来看一下我们系统的实现思路 历史数据+当日实时数据 滚动计算，将结果数据实时写入数据库...
看一下日志（获取完实时行情数据后调用python开始计算）：
看一下python计算的界面...
可以指定计算的日期，默认是当日（由于我们系统只在股市开盘工日(9:30-11:30及13:00-15:00)调用python计算，所以python就不用判断工作时间了）。
以下只是作一个测试：
