Wie berechnet und plottet man mehrere lineare Trends für eine Zeitreihe?

Question

Die Anpassung eines linearen Trends an eine Datenmenge ist einfach. Aber wie kann ich mehrere Trendlinien an eine Zeitreihe anpassen? Ich definiere Trends als Preise über oder unter einem exponentiellen gleitenden Durchschnitt. Wenn der Preis über dem EMA liegt, muss ich einen positiven Trend anpassen und wenn der Trend negativ wird, eine neue negative Trendlinie und so weiter. In meinem Code unter der market_data['Signal'] in meinem Pandas Dataframe sagt mir, ob der Trend +1 oder -1 ist.

Ich vermute, ich irgendeine Art einer Schleife müssen, aber ich kann die Logik nicht funktioniert ...

import pandas as pd 
import pandas_datareader.data as web 
import datetime as dt 
import numpy as np 
import matplotlib.pyplot as plt 
import matplotlib.patches as mpatches 
import matplotlib.dates as mdates 

#Colecting data 
market = '^DJI' 
end = dt.datetime(2016, 12, 31) 
start = dt.date(end.year-10, end.month, end.day) 
market_data = web.DataReader(market, 'yahoo', start, end) 

#Calculating EMA and difference 
market_data['ema'] = market_data['Close'].ewm(200).mean() 
market_data['diff_pc'] = (market_data['Close']/market_data['ema']) - 1 

#Defining bull/bear signal 
TH = 0 
market_data['Signal'] = np.where(market_data['diff_pc'] > TH, 1, 0) 
market_data['Signal'] = np.where(market_data['diff_pc'] < -TH, -1, market_data['Signal']) 

die Trendlinien passen I wan numpy polyfit verwenden

x = np.array(mdates.date2num(market_data.index.to_pydatetime())) 
fit = np.polyfit(x, market_data['Close'], 1) 

Idealerweise würde ich nur die Trends grafisch darstellen, wo das Signal mehr als n Perioden dauert.

Das Ergebnis sollte wie folgt aussehen:

Answer 1

hier eine Lösung. min_signal ist die Anzahl der aufeinander folgenden Signale in einer Zeile, die benötigt werden, um den Trend zu ändern. Ich importierte Seaborn eine besser aussehende Grundstück zu bekommen, aber es funktioniert alles das gleiche, ohne diese Zeile:

import pandas as pd 
import pandas_datareader.data as web 
import datetime as dt 
import numpy as np 
import matplotlib.pyplot as plt 
import matplotlib.patches as mpatches 
import matplotlib.dates as mdates 

#Colecting data 
market = '^DJI' 
end = dt.datetime(2016, 12, 31) 
start = dt.date(end.year-10, end.month, end.day) 
market_data = web.DataReader(market, 'yahoo', start, end) 

#Calculating EMA and difference 
market_data['ema'] = market_data['Close'].ewm(200).mean() 
market_data['diff_pc'] = (market_data['Close']/market_data['ema']) - 1 

#Defining bull/bear signal 
TH = 0 
market_data['Signal'] = np.where(market_data['diff_pc'] > TH, 1, 0) 
market_data['Signal'] = np.where(market_data['diff_pc'] < -TH, -1, market_data['Signal']) 


# Plot data and fits 

import seaborn as sns # This is just to get nicer plots 

signal = market_data['Signal'] 

# How many consecutive signals are needed to change trend 
min_signal = 2 

# Find segments bounds 
bounds = (np.diff(signal) != 0) & (signal[1:] != 0) 
bounds = np.concatenate(([signal[0] != 0], bounds)) 
bounds_idx = np.where(bounds)[0] 
# Keep only significant bounds 
relevant_bounds_idx = np.array([idx for idx in bounds_idx if np.all(signal[idx] == signal[idx:idx + min_signal])]) 
# Make sure start and end are included 
if relevant_bounds_idx[0] != 0: 
    relevant_bounds_idx = np.concatenate(([0], relevant_bounds_idx)) 
if relevant_bounds_idx[-1] != len(signal) - 1: 
    relevant_bounds_idx = np.concatenate((relevant_bounds_idx, [len(signal) - 1])) 

# Iterate segments 
for start_idx, end_idx in zip(relevant_bounds_idx[:-1], relevant_bounds_idx[1:]): 
    # Slice segment 
    segment = market_data.iloc[start_idx:end_idx + 1, :] 
    x = np.array(mdates.date2num(segment.index.to_pydatetime())) 
    # Plot data 
    data_color = 'green' if signal[start_idx] > 0 else 'red' 
    plt.plot(segment.index, segment['Close'], color=data_color) 
    # Plot fit 
    coef, intercept = np.polyfit(x, segment['Close'], 1) 
    fit_val = coef * x + intercept 
    fit_color = 'yellow' if coef > 0 else 'blue' 
    plt.plot(segment.index, fit_val, color=fit_color) 

Dies ist das Ergebnis: