data = [[588.0,519.9035093599585],
[361.98999999999984,508.62397297710436],
[412.52000000000055,501.7594034787397],
[197.60000000000042,480.0337318016869],
[208.71999999999932,460.6541795301378],
[380.1100000000006,454.90102384941366],
[537.6599999999999,460.8123792887413],
[323.5600000000013,451.0086379109742],
[431.78000000000077,449.6351637744761],
[299.6299999999992,438.9205092191563],
[225.1900000000005,423.65404427493087],
[292.42000000000013,414.28018396957873],
[357.64999999999964,410.23517082889435],
[692.5100000000003,430.3976586268306],
[219.70999999999916,415.34854015348543],
[400.32999999999987,414.2757872853794],
[604.3099999999995,427.849659622138],
[204.29000000000087,411.8811125062711],
[176.26000000000022,395.0510330415374],
[204.1800000000003,381.41738782428473],
[324.0,377.3161458368358],
[231.67000000000007,366.91284970563316],
[184.21000000000092,353.8626461552309],
[483.0,363.08674285842864],
[290.6399999999994,357.911975511398],
[107.10000000000036,339.996834403441],
[179.0,328.49706051748086],
[182.36000000000058,318.05869905194663],
[275.0,314.98307769109323],
[135.70000000000073,302.17714357030087],
[419.59000000000015,310.56377617242225],
[275.6399999999994,308.06922073153487],
[440.48999999999984,317.5278478221396],
[224.0,310.8472872634153],
[548.0100000000001,327.78748103031415],
[257.0,322.73123238529183],
[267.97999999999956,318.82043007205664],
[366.51000000000016,322.2268279240526],
[341.14999999999964,323.57848307233456],
[147.4200000000001,310.9957342814536],
[158.78000000000063,300.12318183277836],
[416.03000000000077,308.4022402732943],
[360.78999999999917,312.14422311091613],
[1330.7299999999996,384.90035003156487],
[506.92000000000013,393.61603931502464],
[307.6100000000006,387.4727507925229],
[296.7299999999996,380.991125735914],
[462.0,386.7774738976345],
[473.8099999999995,392.9940829049463],
[769.4200000000002,419.88164841173585],
[971.4799999999997,459.2815306680404],
[722.1399999999994,478.0571356203232],
[554.9799999999996,483.5516259331572],
[688.5,498.19079550936027],
[292.0,483.462881544406],
[634.9500000000007,494.2833900055199]]
# Create the pandas DataFrame
dfRMA = pd.DataFrame(data, columns = ['input', 'wantedrma'])
dfRMA['try1'] = dfRMA['input'].ewm( alpha=1/14, adjust=False).mean()
dfRMA['try2'] = numpy_ewma_vectorized(dfRMA['input'],14)
dfRMA
< /code>
EWM gibt mir keine gleichen Ergebnisse, daher habe ich dies gesucht und festgestellt, aber ich habe gerade EWMA < /p>
repliziertdef numpy_ewma_vectorized(data, window):
alpha = 1/window
alpha_rev = 1-alpha
scale = 1/alpha_rev
n = data.shape[0]
r = np.arange(n)
scale_arr = scale**r
offset = data[0]*alpha_rev**(r+1)
pw0 = alpha*alpha_rev**(n-1)
mult = data*pw0*scale_arr
cumsums = mult.cumsum()
out = offset + cumsums*scale_arr[::-1]
return out
Ich erhalte diese Ergebnisse
< /p>
Wissen Sie, wie Sie die Pinescript RMA -Methode in Pandas < /strong>? Unter Verwendung von Pandas ewm scheint es zu konvergieren, die letzten Zeilen sind immer näher am Wert. Ist das richtig? I.Sstatic.net/78dty.png "/>
...
Ich habe versucht, die gleichen Ergebnisse aus der TradingViews -RMA -Methode zu erhalten, aber ich weiß nicht, wie ich sie erreicht habe. >[code]plot(rma(close, 15))
//the same on pine pine_rma(src, length) => alpha = 1/length sum = 0.0 sum := na(sum[1]) ? sma(src, length) : alpha * src + (1 - alpha) * nz(sum[1]) plot(pine_rma(close, 15)) [/code] Um die Eingabe zu testen, und deren Ergebnis, ist diese Eingabespalte und dieselbe Eingabe nach Anwendung von TradingView's RMA (Eingabe, 14) : [code]data = [[588.0,519.9035093599585], [361.98999999999984,508.62397297710436], [412.52000000000055,501.7594034787397], [197.60000000000042,480.0337318016869], [208.71999999999932,460.6541795301378], [380.1100000000006,454.90102384941366], [537.6599999999999,460.8123792887413], [323.5600000000013,451.0086379109742], [431.78000000000077,449.6351637744761], [299.6299999999992,438.9205092191563], [225.1900000000005,423.65404427493087], [292.42000000000013,414.28018396957873], [357.64999999999964,410.23517082889435], [692.5100000000003,430.3976586268306], [219.70999999999916,415.34854015348543], [400.32999999999987,414.2757872853794], [604.3099999999995,427.849659622138], [204.29000000000087,411.8811125062711], [176.26000000000022,395.0510330415374], [204.1800000000003,381.41738782428473], [324.0,377.3161458368358], [231.67000000000007,366.91284970563316], [184.21000000000092,353.8626461552309], [483.0,363.08674285842864], [290.6399999999994,357.911975511398], [107.10000000000036,339.996834403441], [179.0,328.49706051748086], [182.36000000000058,318.05869905194663], [275.0,314.98307769109323], [135.70000000000073,302.17714357030087], [419.59000000000015,310.56377617242225], [275.6399999999994,308.06922073153487], [440.48999999999984,317.5278478221396], [224.0,310.8472872634153], [548.0100000000001,327.78748103031415], [257.0,322.73123238529183], [267.97999999999956,318.82043007205664], [366.51000000000016,322.2268279240526], [341.14999999999964,323.57848307233456], [147.4200000000001,310.9957342814536], [158.78000000000063,300.12318183277836], [416.03000000000077,308.4022402732943], [360.78999999999917,312.14422311091613], [1330.7299999999996,384.90035003156487], [506.92000000000013,393.61603931502464], [307.6100000000006,387.4727507925229], [296.7299999999996,380.991125735914], [462.0,386.7774738976345], [473.8099999999995,392.9940829049463], [769.4200000000002,419.88164841173585], [971.4799999999997,459.2815306680404], [722.1399999999994,478.0571356203232], [554.9799999999996,483.5516259331572], [688.5,498.19079550936027], [292.0,483.462881544406], [634.9500000000007,494.2833900055199]]
# Create the pandas DataFrame dfRMA = pd.DataFrame(data, columns = ['input', 'wantedrma']) dfRMA['try1'] = dfRMA['input'].ewm( alpha=1/14, adjust=False).mean() dfRMA['try2'] = numpy_ewma_vectorized(dfRMA['input'],14) dfRMA < /code> EWM gibt mir keine gleichen Ergebnisse, daher habe ich dies gesucht und festgestellt, aber ich habe gerade EWMA < /p> repliziertdef numpy_ewma_vectorized(data, window):
mult = data*pw0*scale_arr cumsums = mult.cumsum() out = offset + cumsums*scale_arr[::-1] return out [/code] Ich erhalte diese Ergebnisse < /p> Wissen Sie, wie Sie die Pinescript RMA -Methode in Pandas < /strong>? Unter Verwendung von Pandas ewm scheint es zu konvergieren, die letzten Zeilen sind immer näher am Wert. Ist das richtig? I.Sstatic.net/78dty.png "/> ...
Ich verwende diesen Code, um Drehpunkte zu berechnen.
def pivots_low(osc, LBR, LBL):
pivots = []
for i in range(len(osc) - LBR):
pivots.append(0)
pivot = True
if i > LBL:
for j in range(1, LBR +...
Ich habe einen Pinescript-Indikator mit mehreren Zeitrahmen, den ich in einen Ctrader-Indikator umwandeln möchte. Dies sind die Regeln für die Berechnung:
Der Code, den ich unten erwähnen werde, erzeugt einen sehr schlechten Ton (output.mp3), wie ich auf elevanlabs getestet habe. Was ist Ihrer Meinung nach der Grund dafür? Gibt es ein Problem mit den...
Ich habe auf der Website flipkart.com nach einem mobilen Produkt vom Typ „Asus Zenfone 5“ gesucht. Die Suche zeigt viele Produkte an. Ich habe das erste Produkt ausgewählt und in den Warenkorb...
Ich habe die folgende case-Anweisung in meinem Code:
status = case(
(
orders.c.item_delivered.is_(True),
OrderStatus.DELIVERED.value,
),
(
orders.c.order_processing_status ==...