To jest wrapper Pythona dla TA-LIB na podstawie Cython zamiast SWIG. Ze strony głównej: TA-Lib jest szeroko wykorzystywany przez deweloperów handlu, którzy muszą przeprowadzić analizę techniczną danych z rynku finansowego. Obejmuje 150 wskaźników, takich jak ADX, MACD, RSI, Stochastic, Bollinger Bands itp. Rozpoznawanie wzorca świecowego Open-source API dla CC, Java, Perl, Python i 100 Managed Oryginalne powiązania Pythona używają SWIG, które niestety są trudne do zainstalowania i nie są używane tak efektywne, jak tylko mogą być. Dlatego ten projekt wykorzystuje Cython i Numpy do wydajnego i czystego powiązania z TA-Lib - wytwarzając wyniki 2-4 razy szybciej niż interfejs SWIG. Zainstaluj TA-Lib lub przeczytaj dokument Podobnie jak w przypadku TA-Lib, interfejs funkcji zapewnia lekkie otoki eksponowanych wskaźników TA-Lib. Każda funkcja zwraca tablicę wyjściową i ma wartości domyślne dla ich parametrów, chyba że podano jako argumenty słów kluczowych. Zazwyczaj funkcje te będą miały początkowy okres obserwacji (wymaganą liczbę obserwacji przed wygenerowaniem wyniku) ustawioną na NaN. Wszystkie poniższe przykłady wykorzystują funkcję API: Oblicz prostą średnią ruchomą cen zamknięcia: Obliczanie przedziałów rygla z potrójną wykładniczą średnią kroczącą: Obliczanie dynamiki cen zamknięcia, z przedziałem czasowym 5: Streszczenie API Szybki start Jeśli jesteś już zaznajomieni z korzystaniem z funkcji API, powinieneś czuć się jak w domu używając abstrakcyjnego API. Każda funkcja pobiera te same dane wejściowe, przekazane jako słownik tablic Numpy: Funkcje mogą być importowane bezpośrednio lub tworzone przez nazwę: Stamtąd funkcje wywołujące są w zasadzie takie same jak funkcje API: Dowiedz się o bardziej zaawansowanym użyciu TA-Lib tutaj . Obsługiwane wskaźniki Możemy pokazać wszystkie funkcje TA obsługiwane przez TA-Lib, albo jako listę lub jako dykt sortowane według grup (np. Badania nakładania się, wskaźniki momentu, itd.): Grupy funkcyjne Moduł scikits. timeseries nie jest już aktywnie rozwijany. Istnieje wyjątkowa lista błędów, które prawdopodobnie nie zostaną naprawione. Plan zakłada wdrożenie podstawowej funkcjonalności tego modułu w pandach. Jeśli chcesz zobaczyć ten moduł na żywo niezależnie od pand, śmiało rozwiąż kod i przejmij go. Moduł scikits. timeseries udostępnia klasy i funkcje do manipulowania, raportowania i kreślenia szeregów czasowych o różnych częstotliwościach. Nacisk kładziony jest na wygodny dostęp do danych i manipulację przy jednoczesnym wykorzystaniu istniejącej funkcji matematycznej w numpy i scipy. Jeśli poniższe scenariusze brzmią znajomo, to prawdopodobnie znajdziesz moduł scikits. timeseries: Porównaj wiele szeregów czasowych z różnymi zakresami danych (np. Ceny akcji) Utwórz wykresy serii czasowych z inteligentnie rozmieszczonymi etykietami osi Konwertuj dzienne szeregi czasowe do miesiąca, biorąc średnią wartość w każdym miesiącu Praca z danymi, które mają brakujące wartości Określić ostatni dzień roboczy z poprzedniego miesiąca Kwartalny dla celów sprawozdawczych Obliczyć ruchome odchylenie standardowe efektywnie To tylko niektóre ze scenariuszy, które są bardzo proste dzięki scikitom Moduł. timeseries. DocumentationHybrid Monte-Carlo Sampling Jest to zaawansowany samouczek, który pokazuje, w jaki sposób można zastosować hybrydową próbkę Monte-Carlo (HMC) za pomocą Theano. Zakładamy, że czytelnik jest już zaznajomiony z Theano i modelami opartymi na energii, takimi jak RBM. Kod tej sekcji można pobrać tutaj. Maksymalne prawdopodobieństwo uczenia się modeli opartych na energii wymaga rzetelnego algorytmu do badania cząstek fazy ujemnej (patrz: Równanie (4) z Podręcznika Restricted Boltzmann Machines (RBM)). Podczas szkolenia RBM z CD lub PCD, zwykle odbywa się to przy pomocy próbkowania Gibbs z blokami, gdzie dystrybuowane są warunkowo i są używane jako operatory przejścia łańcucha Markowa. W niektórych przypadkach jednak te rozkłady warunkowe mogą być trudne do pobierania próbek (tj. Wymagające kosztownych inwersji macierzy, tak jak w przypadku kowariancji 8220 RBM8221). Ponadto, nawet jeśli pobieranie próbek Gibbs można wykonać skutecznie, to jednak działa poprzez przypadkowy spacer, który może nie być statystycznie efektywny dla niektórych dystrybucji. W tym kontekście i podczas pobierania próbek ze zmiennych ciągłych, Hybrid Monte Carlo (HMC) może okazać się potężnym narzędziem Duane87. Pozwala uniknąć przypadkowych zachowań pieszych poprzez symulowanie systemu fizycznego, podlegającego dynamice Hamiltona, potencjalnie unikając trudnych warunkowych dystrybucji w procesie. W HMC modelowe próbki uzyskuje się poprzez symulację systemu fizycznego, w którym cząstki poruszają się wokół wysokimiarowego krajobrazu, podlegając potencjalnym i kinetycznym energiom. Przystosowanie notacji z Neal93. cząstki są charakteryzowane przez wektor położenia lub wektor stanu i prędkości. Połączony stan cząstki jest oznaczony jako. Hamiltona określa się następnie jako sumę energii potencjalnej (ta sama funkcja energetyczna określona przez modele oparte na energii) i energię kinetyczną, jak następuje: Algorytm skok-żaba W praktyce nie można symulować dynamiki Hamiltona dokładnie ze względu na problem dyskretyzacji czasu . Można to zrobić na kilka sposobów. Aby zachować niezmienność łańcucha Markowa, należy jednak zachować właściwości zachowania objętości i czasu odwracalności. Algorytm typu "skok-żaba" zachowuje te właściwości i działa w 3 krokach: w praktyce stosowanie stopniowanych kroków nie zachowuje się dokładnie i wprowadzi błąd w symulacji. Również błędy zaokrąglenia spowodowane użyciem liczb zmiennoprzecinkowych oznaczają, że powyższa transformacja nie będzie doskonale odwracalna. W tym samouczku otrzymujemy nową próbkę HMC w następujący sposób: Wdrażanie konsoli HMC przy użyciu Theano In Theano, aktualizacja słowników i wspólnych zmiennych zapewnia naturalny sposób implementacji algorytmu próbkowania. Bieżący stan samplera może być reprezentowany jako zmienna współdzielona Theano, przy czym aktualizacje HMC są implementowane przez listę aktualizacji funkcji Theano. Rozkładamy algorytm konsoli HMC na następujące podkomponenty:
Comments
Post a Comment