目录

目录

• 一、介绍
• 二、下载数据
• 三、获取数据
• 四、分析数据
• 五、移动平均预测
• 六、封装函数
• 最后

一、介绍

移动平均（Moving Average，MA），⼜称移动平均线，简称均线。作为技术分析中⼀种分析时间序列的常⽤⼯具，常被应⽤于股票价格序列。移动平均可过滤⾼频噪声，反映出中⻓期低频趋势，辅助投资者做出投资判断。

流⾏的移动平均包括简单移动平均、加权移动平均、指数移动平均，更⾼阶的移动平均算法则有分形⾃适应移动平均、赫尔移动平均等。
而本文将使用简单移动平均预测道琼斯、纳斯达克、标准普尔指数

二、下载数据

下载S&P、Dow、Nasdaq数据并将其保存至文件夹内，数据已经打包好了：CSDN下载：琼斯、纳斯达克、标准普尔指数-数据挖掘数据集包
下载后的csv数据如下所示：

三、获取数据

获取数据我们使用pandas的read_csv函数，如：data = pd.read_csv('S&P.csv',header=0)
pd.read_csv函数用法：pd.read_csv(filepath_or_buffer,header,parse_dates,index_co)l

获取数据之后，我们可以打印一下数据：print(data），可以看到已经成功读取到csv数据：

四、分析数据

如上图所示，数据格式为csv，其中Date表示开盘的日期，Open表示开盘价，High表示当日最高值，Low表示当日最低值，Close表示收盘价格，Adj Close表示调整后的收盘价格，Volume表示当日成交量。我们需要预测的则是Adj Close这一列。
我们可以使用pandas读取csv文件，并打印出Adj Close这一列：

import pandas as pd
data = pd.read_csv('DOW.csv',header=0)
data = data.applymap(str)
print(data['Adj Close'])

结果如下，可以看到在道琼斯数据集中，我们需要预测的Adj Close有798行，type为object，我们要做的就是根据数据，使用移动平均算法，预测后面的指数。

五、移动平均预测

移动平均值，就是指定时间段，对时间序列数据进行移动计算平均值。移动平均值常常用在计算股票的移动平均线、存货成本等方面。移动平均的本质是⼀种低通滤波。它的⽬的是过滤掉时间序列中的⾼频扰动，保留有⽤的低频趋势。计算公式：
比如若依次得到测定值,按顺序取一定个数所做的全部算术平均值就是移动平均值，如，

而panda提供了rolling函数可以用来计算移动平均，使用简单，速度较快：
DataFrame.rolling(window, min_periods=None, freq=None, center=False, win_type=None, on=None, axis=0, closed=None)

那么我们使用的简单移动平均直接使用：data['ma5'] = data['Adj Close'].rolling(5).mean()，其表示窗口大小为5的移动平均。计算后，使用matplotlib.pyplot进行画图，横轴为时间，竖轴为预测价格，将其在pyplot 图中打印:

import matplotlib.pyplot as plt
fig = plt.figure(figsize=(16,9))
ax1 = fig.add_subplot(111, ylabel='Price')
data.ma5.plot(ax=ax1, color='plum', lw=2., legend=True)

效果如下：

data['real'] = data['Adj Close'].rolling(1).mean()
data['ma5'] = data['Adj Close'].rolling(5).mean()
data['ma10'] = data['Adj Close'].rolling(10).mean()
data['ma20'] = data['Adj Close'].rolling(20).mean()
data['ma30'] = data['Adj Close'].rolling(30).mean()
data['ma50'] = data['Adj Close'].rolling(50).mean()
data['ma100'] = data['Adj Close'].rolling(100).mean()
data['ma200'] = data['Adj Close'].rolling(200).mean()
data['ma250'] = data['Adj Close'].rolling(250).mean()

data.tail()


fig = plt.figure(figsize=(16,9))
ax1 = fig.add_subplot(111, ylabel='Price')
data.real.plot(ax=ax1, color='black', lw=2., legend=True)
data.ma5.plot(ax=ax1, color='plum', lw=2., legend=True)
data.ma10.plot(ax=ax1, color='grey', lw=2., legend=True)
data.ma20.plot(ax=ax1, color='salmon', lw=2., legend=True)
data.ma30.plot(ax=ax1, color='goldenrod', lw=2., legend=True)
data.ma50.plot(ax=ax1, color='hotpink', lw=2., legend=True)
data.ma100.plot(ax=ax1, color='khaki', lw=2., legend=True)
data.ma200.plot(ax=ax1, color='bisque', lw=2., legend=True)
data.ma250.plot(ax=ax1, color='skyblue', lw=2., legend=True)

plt.grid()
plt.show()

可以发现，移动平均存在一定的滞后性，移动平均以滞后性的代价换来了平滑性，滞后性说明由简单移动平均计算得到的低频趋势对近期的最新数据不够敏感。没有未来数据便是滞后的根本原因。当股价不是随着趋势的变化方向，发生突发的方向趋势，移动平均线行动往往过于迟缓，改变方向速度落后于大趋势。这是一个极大弱点
在股价原有趋势发生反转时，由于MA的追踪趋势的特性，MA的行动往往过于迟缓，掉头速度落后于大趋势。这是MA的一个极大的弱点。等MA发出反转信号时，股价调头的深度已经很大了。

附录DOW在不同MA值下的滑动平均值：

六、封装函数

我们将其进行封装如下，代码整体如下：

import matplotlib.pyplot as plt
import pandas as pd
import os
def cal_ma(name,data, day):
    data = pd.read_csv(data, header=0)
    data = data.applymap(str)
    # print(data['Date'])
    # print(data['Adj Close'])

    day = int(day)
    data['ma'+str(day)] = data['Adj Close'].rolling(day).mean()

    data.tail()

    fig = plt.figure(figsize=(16, 9))
    ax1 = fig.add_subplot(111, ylabel='Price')
    data['ma'+str(day)].plot(ax=ax1, color='red', lw=2., legend=True)

    plt.rcParams['font.sans-serif'] = ['FangSong']
    plt.title("MA"+str(day)+" about "+name+" data", fontsize=10, loc='center', color='black')
    plt.grid()
    plt.show()


if __name__ == "__main__":
    dataname = input("请输入数据名：")
    day = input("请输入MA的天数：")
    cal_ma(dataname,dataname+'.csv', day)

完整项目已经打包，免费下载：数据挖掘项目——移动平均预测道琼斯、纳斯达克、标准普尔指数

最后

💖 个人简介：人工智能领域研究生，目前主攻文本生成图像（text to image）方向

📝 关注我：中杯可乐多加冰

🔥 限时免费订阅：文本生成图像T2I专栏

🎉 支持我：点赞👍+收藏⭐️+留言📝

如果这篇文章帮助到你很多，希望能点击下方打赏我一杯可乐！多加冰哦