### 实现AMA指标的Python代码 为了实现自适应移动平均线（Adaptive Moving Average, AMA），可以按照考夫曼提出的算法来编写相应的Python函数。此过程涉及几个关键步骤，包括计算效率比率（ER）、计算平滑常数（SC）以及最终更新AMA值。 #### 效率比率（Efficiency Ratio, ER） ER衡量市场价格变动的方向性和速度： \[ \text{ER}_t = \frac{\left| P_t - P_{t-N} \right|}{\sum_{i=1}^{N}\left|P_i-P_{i-1}\right| } \] 其中 \( N \) 是设定的时间窗口长度，\( P_t \) 表示当前价格[^5]。 ```python def efficiency_ratio(prices, n): price_change = abs(prices.diff(n).fillna(0)) volatility = prices.diff().abs().rolling(window=n).sum() er = price_change / volatility return er.fillna(0) ``` #### 平滑常数（Smoothing Constant, SC） 基于ER调整平滑程度，使得AMA能够更好地跟随趋势变化而不受短期波动影响： \[ \text{SC}_t=\begin{cases} (\text{ER}_t\times(a-b)+b)^2 & ,\quad 0<\text{ER}<1\\ a^2&,\quad \text{if }\text{ER}=1 \\ b^2&,\quad \text{if }\text{ER}=0 \end{cases} 这里 \( a,b \in (0,1)\), 建议取值范围分别为 \( a=0.67 \) 和 \( b=0.02 \)[^4]. ```python import numpy as np def smoothing_constant(er, fast_window=2, slow_window=30): sc = ((er * (fast_window - slow_window) + slow_window) ** 2 / (fast_window ** 2 + slow_window ** 2)) return sc.clip(lower=(slow_window**2)/(fast_window**2+slow_window**2), upper=((fast_window)**2)/(fast_window**2+slow_window**2)) ``` #### 自适应移动平均线（AMA） 最后一步是利用上述两个参数迭代地计算AMA: \[ \text{AMA}_{today}=\text{AMA}_{yesterday}+\text{SC}\times (\text{Price}-\text{AMA}_{yesterday}) \][^3]. ```python def adaptive_moving_average(prices, n, initial_value=None): er = efficiency_ratio(prices, n) sc = smoothing_constant(er) ama = pd.Series(index=prices.index, dtype=float) if initial_value is None: initial_value = prices.iloc[0] ama.iloc[0] = initial_value for i in range(1, len(prices)): ama[i] = ama[i-1] + sc[i]*(prices[i]-ama[i-1]) return ama ``` 这段代码实现了完整的AMA计算流程，并返回一个包含AMA结果的数据框列。可以根据具体需求调整输入参数 `n` 来改变时间窗口大小，从而控制响应的速度和灵敏度[^1].