java判断均线_EWMA:EWMA指数加权移动平均模型的Java实现
具体代码如下:
package com.lyz.storm.ewma;
import java.io.Serializable;
/**
* 实现指数移动平均值计算
* 实现中使用了流式风格的builder API
* @author liuyazhuang
*
*/
public class EWMA implements Serializable {
private static final long serialVersionUID = 2979391326784043002L;
//时间类型枚举
public static enum Time {
MILLISECONDS(1), SECONDS(1000), MINUTES(SECONDS.getTime() * 60), HOURS(MINUTES.getTime() * 60), DAYS(HOURS.getTime() * 24), WEEKS(DAYS.getTime() * 7);
private long millis;
private Time(long millis) {
this.millis = millis;
}
public long getTime() {
return this.millis;
}
}
//三个alpha常量,这些值和Unix系统计算负载时使用的标准alpha值相同
public static final double ONE_MINUTE_ALPHA = 1 - Math.exp(-5d / 60d / 1d);
public static final double FIVE_MINUTE_ALPHA = 1 - Math.exp(-5d / 60d / 5d);
public static final double FIFTEEN_MINUTE_ALPHA = 1 - Math.exp(-5d / 60d / 15d);
private long window;
private long alphaWindow;
private long last;
private double average;
private double alpha = -1D;
private boolean sliding = false;
public EWMA() {
}
public EWMA sliding(double count, Time time) {
return this.sliding((long) (time.getTime() * count));
}
public EWMA sliding(long window) {
this.sliding = true;
this.window = window;
return this;
}
public EWMA withAlpha(double alpha) {
if (!(alpha > 0.0D && alpha <= 1.0D)) {
throw new IllegalArgumentException("Alpha must be between 0.0 and 1.0");
}
this.alpha = alpha;
return this;
}
public EWMA withAlphaWindow(long alphaWindow) {
this.alpha = -1;
this.alphaWindow = alphaWindow;
return this;
}
public EWMA withAlphaWindow(double count, Time time) {
return this.withAlphaWindow((long) (time.getTime() * count));
}
//没有参数的话,当前时间来计算平均值
public void mark() {
mark(System.currentTimeMillis());
}
//用来更新移动平均值,没有参数的话,使用当前时间来计算平均值
public synchronized void mark(long time) {
if (this.sliding) {
if (time - this.last > this.window) {
this.last = 0;
}
}
if (this.last == 0) {
this.average = 0;
this.last = time;
}
long diff = time - this.last;
double alpha = this.alpha != -1.0 ? this.alpha : Math.exp(-1.0 * ((double) diff / this.alphaWindow));
this.average = (1.0 - alpha) * diff + alpha * this.average;
this.last = time;
}
//返回mark()方法多次调用的平均间隔时间,单位是微秒
public double getAverage() {
return this.average;
}
//按照特定的时间单位来返回平均值,单位详见Time枚举
public double getAverageIn(Time time) {
return this.average == 0.0 ? this.average : this.average / time.getTime();
}
//返回特定时间度量内调用mark()的频率
public double getAverageRatePer(Time time) {
return this.average == 0.0 ? this.average : time.getTime() / this.average;
}
}
按照如下方式调用:
//建立1分钟滑动窗口EWMA实例
EWMA ewma = new EWMA().sliding(1.0, EWMA.Time.MINUTES).withAlpha(EWMA.ONE_MINUTE_ALPHA);
java判断均线_EWMA:EWMA指数加权移动平均模型的Java实现相关推荐
- java 移动平均_EWMA之——EWMA指数加权移动平均模型的Java实现
具体代码如下: package com.lyz.storm.ewma; import java.io.Serializable; /** * 实现指数移动平均值计算 * 实现中使用了流式风格的buil ...
- EWMA之——EWMA指数加权移动平均模型的Java实现
转载请注明出处:http://blog.csdn.net/l1028386804/article/details/79141435 具体代码如下: package com.lyz.storm.ewma ...
- EWMA 指数加权移动平均 模型
Exponentially Weighted Moving Average(EWMA)指数加权移动平均是一种常用的序列数据处理方式,如下: 在时间 t, 根据实际的观测值(或量测值)我们可以求取 EW ...
- EWMA 指数加权移动平均
EWMA(Exponentially Weighted Moving Average)指数加权移动平均,是一种常用的序列数据处理方式. 在t时刻,根据实际的观测值可以求取EWMA(t):EWMA(t) ...
- Python 金融量化 均线系统交易策略专题(简单移动平均,加权移动平均,指数加权移动平均,异同移动平均MACD等解读与绘图)
捕捉趋势最普遍的方法为移动平均线,根据求平均的方式不同,移动平均数又可分为简单移动平均数(Simple Moving Average, SMA),加权移动平均数(Weighted Moving Ave ...
- EWMA(Exponentially Weighted Moving Average)指数加权移动平均
原博:http://blog.csdn.net/sony_zhang/article/details/7256646 EWMA(Exponentially Weighted Moving Averag ...
- 神经网络基础--指数加权移动平均ewma
因为神经网络中的常用优化算法都会涉及到指数加权移动平均(exponential weighted moving average, ewma:也可称为exponential moving average ...
- java检查两个字符串是否包含,java判断一个字符串是否包含另外一个字符串,java另外一个,要检查一个字符串是否包含...
java判断一个字符串是否包含另外一个字符串,java另外一个,要检查一个字符串是否包含 要检查一个字符串是否包含另外一个字符串需要使用indexOf()方法,如果indexOf方法返回大于等于0的值 ...
- java判断读到末尾_Flink实战:自定义KafkaDeserializationSchema(Java/Scala)
微信公众号: 大数据开发运维架构 关注可了解更多大数据相关的资讯.问题或建议,请公众号留言; 如果您觉得"大数据开发运维架构"对你有帮助,欢迎转发朋友圈 kafka中的数据通常是键 ...
最新文章
- SDOI2015 约数个数和(莫比乌斯反演经典、双上限整除分块)超详细笔记
- 检查压缩包是否损坏_修复损坏的gzip压缩文件之原理篇
- 暴力+构造 Codeforces Round #283 (Div. 2) C. Removing Columns
- springmvc 重定向传递参数
- 深入理解 python 中的赋值、引用、拷贝、作用域
- [scikit-learn 机器学习] 7. 朴素贝叶斯
- 郑杰 | 如何拿回我们自己的医疗数据?
- Spring Cloud 之 Feign 使用HTTP请求远程服务
- 现代软件工程 第一章 四则运算的实现--栈实现
- koa 接口返回数据_node和koa实现数据mock接口
- 合数阶群与素数阶群的双线性映射
- 基于TI Davinci架构的双核嵌入式应用处理器OMAPL138开发入门
- Sentinel-2(哨兵2号)数据下载及预处理
- python打印数字每行自增1个数
- [RK3588 Android12]修改开机logo和播放开机视频
- Houdini实现AO效果
- cad转dxf格式文件太大,怎样操作将多张CAD图纸文件转换成高版本的DXF格式?
- 11年北漂老码农转行!黯然离场...
- 在 Windows 10 中更改默认浏览器
- 记单词05-od,-hod(路)
热门文章
- Linux服务器远程管理
- APP-10-文字识别-票据识别
- 服务器下传Android端,本地Tomcat服务器接收android端上传的数据
- 域名续费需要注意什么?
- 时钟初始化flash设置
- 头歌(educoder)第 3 章 Java入门之数组 Java入门 - 数组进阶
- STM32+W5500实现以太网通信
- 在VMware Workstation 16安装windows 2008 R2系统虚机后,VMware tool工具无法时报错——安装程序无法继续。本程序需要您将此虚拟机上安装的操作系统更新到SP1
- 使用Ping/Nslookup/Dig排查DNS问题
- linux 软连接生成器,软件包生成工具 Spack 3.1 发布