超级会员免费看
本文深入探讨了加权移动平均（WMA）的原理，包括末日加权、线性加权、梯形加权和平方系数加权，并提供了Python实现。通过以成交量或成交额为权重、结合时间衰减系数创造独特的WMA指标，揭示了筹码分布对市场的影响。文中还分享了一种定制的WMA计算方法，显示了其在趋势分析中的潜在价值。
授人以鱼，不如授人以渔。本专栏不做任何直接投资建议，仅做量化技术研究和探讨！
文末惊喜！一个超出老Q自己预期的自研指标，送给大家继续研究！
我们在前两节课讲了SMA和EMA，也说明了EMA在SMA基础之上的改进是什么，更适用于什么场景。
其实说到底，SMA就是给所有价格赋予了同等的权重，而EMA就是给不同时期的价格赋予了不同的权重，越靠近当前日期的权重越高。所以，我们完全可以说，SMA和EMA都是特殊的加权移动平均，即WMA（Weighted Moving Average）。
一、常见的WMA算法原理
WMA的核心在于加权，因为权重可能由很多因素来决定，不同权重下的WMA都有可能具备参考价值。因此WMA有很多不同的变种，甚至我们可以结合自己的经验和思考创造出新的加权指标。
今天，我们就来讲讲不同的WMA的算法是什么，在Python中应该怎么实现，以及如何创造新的、更具实战价值的WMA指标。
1. 末日加权
末日加权认为最新一天的价格应该具备更高的价值和意义，所以在计算均线时，它所占的权重应该是其他价格权重的两倍。即：
WMAn=Pricet−n+1+Pricet−n+2+⋯+Pricet−1+2×Pricetn+1 WMA _n= \frac{Price_{t-n+1} + P
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
