Python和Pandas - 移动平均线交叉

Question

有一个带有一些股票数据的Pandas DataFrame对象。 SMA是从之前45/15天计算的移动平均线。

Date      Price   SMA_45      SMA_15
20150127  102.75  113         106
20150128  103.05  100         106
20150129  105.10  112         105
20150130  105.35  111         105
20150202  107.15  111         105
20150203  111.95  110         105
20150204  111.90  110         106

当SMA_15和SMA_45相交时，我想找到所有日期。

可以使用Pandas或Numpy有效地完成吗？ 怎么样？

编辑：

我的意思是'十字路口'：

数据行，时间：

• 长SMA（45）值比短SMA（15）值大于短SMA周期（15）并且变小。
• 长SMA（45）值比短SMA（15）值小于短SMA周期（15）并且变得更大。

Answer 1

我正在采用交叉来表示当SMA线 - 作为时间函数 - 相交时， 如此投资页面上所示 。

由于SMA表示连续函数，因此对于给定行（SMA_15小于SMA_45）和（先前的SMA_15大于先前的SMA_45）时存在交叉 - 或反之亦然。

在代码中，可以表示为

previous_15 = df['SMA_15'].shift(1)
previous_45 = df['SMA_45'].shift(1)
crossing = (((df['SMA_15'] <= df['SMA_45']) & (previous_15 >= previous_45))
            | ((df['SMA_15'] >= df['SMA_45']) & (previous_15 <= previous_45)))

如果我们将您的数据更改为

Date      Price   SMA_45      SMA_15
20150127  102.75  113         106
20150128  103.05  100         106
20150129  105.10  112         105
20150130  105.35  111         105
20150202  107.15  111         105
20150203  111.95  110         105
20150204  111.90  110         106

所以有交叉，

然后

import pandas as pd

df = pd.read_table('data', sep='\s+')
previous_15 = df['SMA_15'].shift(1)
previous_45 = df['SMA_45'].shift(1)
crossing = (((df['SMA_15'] <= df['SMA_45']) & (previous_15 >= previous_45))
            | ((df['SMA_15'] >= df['SMA_45']) & (previous_15 <= previous_45)))
crossing_dates = df.loc[crossing, 'Date']
print(crossing_dates)

产量

1    20150128
2    20150129
Name: Date, dtype: int64

Answer 2

作为unutbu的答案的替代方案，也可以使用下面的内容来查找SMA_15越过SMA_45的索引。

diff = df['SMA_15'] < df['SMA_45']
diff_forward = diff.shift(1)
crossing = np.where(abs(diff - diff_forward) == 1)[0]
print(crossing)
>>> [1,2]

print(df.iloc[crossing])
>>>
       Date   Price  SMA_15  SMA_45
1  20150128  103.05    100    106
2  20150129  105.10    112    105

Answer 3

以下方法给出了类似的结果，但比以前的方法花费的时间更少：

df['position'] = df['SMA_15'] > df['SMA_45']
df['pre_position'] = df['position'].shift(1)
df.dropna(inplace=True) # dropping the NaN values
df['crossover'] = np.where(df['position'] == df['pre_position'], False, True)

采用这种方法所需的时间： 2.7 ms ± 310 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

先前方法所需的时间： 3.46 ms ± 307 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)