Php Code Eksponensial Moving Average

Saya ingin menghitung nilai Exponential Moving Average EMA di PHP. I sudah mencoba dengan kode berikut tapi memberi saya 500 error. PHP EMA fungsi perhitungan trader-ema. Tried dengan Googling lama tapi tidak mendapatkan bantuan apapun dalam hal ini PHP Jadi , Saya tidak tahu apa yang perlu dilakukan untuk menghitung nilai EMA. Edit-1 Terpasang extensions. I ve menginstal semua ekstensi yang diperlukan, Sekarang saya mendapatkan output Tapi doesn t tampaknya memberikan output yang tepat. Saya pikir fungsi PHP untuk Menghitung EMA tidak bekerja dengan benar Setiap bantuan dalam hal ini akan sangat dihargai. Saya mencoba untuk mengambil EMA terakhir dari kumpulan data besar 15000. Ini adalah algoritma yang sangat haus sumber daya karena setiap nilai bergantung pada yang sebelumnya Berikut adalah kode saya. Apa yang sudah saya lakukan. Isolate k sehingga tidak dihitung 10000 kali. Keep hanya EMA dihitung terbaru, dan tidak menyimpan semuanya dalam array. use untuk bukan foreach. the array data doesn t memiliki kunci itu array dasar. Hal ini memungkinkan saya untuk mengurangi waktu eksekusi dari 2000ms ke abo Ut 500ms untuk nilai 15000.Apa yang tidak berhasil. Gunakan SplFixedArray, yang tercukur ini saja.10ms mengeksekusi 1.000.000 nilai. Gunakan ekstensi PHPTrader ini akan mengembalikan sebuah array yang berisi semua EMA bukan hanya yang terbaru, dan itu lebih lambat. Menulis dan menjalankan yang sama Algoritma di C dan menjalankannya lebih dari 2.000.000 nilai hanya membutuhkan 13ms Jadi jelas, menggunakan bahasa tingkat rendah yang dikompilasi tampaknya membantu P. Where should I go from here Kode pada akhirnya akan berjalan di Ubuntu, jadi bahasa mana yang harus saya pilih Will PHP Dapat memanggil dan menyampaikan argumen yang begitu besar ke naskah tersebut. Berikut 11 Juli 14 di 19 21. Terapkan dengan ekstensi dengan jelas memberi Anda dorongan yang signifikan Selain kalkulus dapat ditingkatkan seperti dirinya sendiri dan keuntungan itu dapat ditambahkan ke bahasa mana pun Anda Pilih. Sangat mudah untuk melihat bahwa lastEMA dapat dihitung sebagai berikut. Ini dapat ditulis ulang sebagai berikut untuk menghilangkan loop sebanyak mungkin. Untuk menjelaskan ekstraksi k berpikir bahwa pada formulasi sebelumnya adalah seolah-olah semua Data mentah asli dikalikan dengan k jadi praktis Anda malah bisa melipatgandakan hasil akhir. Perhatikan bahwa, ditulis ulang dengan cara ini, Anda memiliki 2 operasi di dalam lingkaran, bukan 3 yang tepat di dalam lingkaran, ada juga kenaikan saya, saya membandingkan Dengan penetapan nilai sizeata dan lastEMA sehingga dengan cara ini Anda dapat mengharapkan untuk mencapai kecepatan tambahan di kisaran antara 16 dan 33. Selanjutnya ada perbaikan lain yang dapat dipertimbangkan setidaknya dalam beberapa situasi. Pertimbangkan hanya nilai terakhir. Nilai pertama adalah Dikalikan beberapa kali oleh k1m 1 k sehingga kontribusi mereka mungkin sedikit atau bahkan mendekati presisi floating point atau kesalahan yang dapat diterima. Ide ini sangat membantu jika Anda dapat melakukan asumsi bahwa data yang lebih tua memiliki urutan yang sama besarnya dengan Lebih baru karena jika Anda hanya mempertimbangkan nilai n terakhir maka kesalahan yang Anda buat adalah. Err EMAofdiscardeddata 1 - k n. Jadi jika urutan besarnya secara umum sama, kita dapat mengetahui bahwa kesalahan relatifnya adalah. Reler err lastEMA EMAofdiscardeddata 1- kn lastEMA. that hampir sama dengan hanya 1- k n. Dengan asumsi bahwa lastEMA hampir sama dengan EMAofdiscardeddata. Katakanlah Anda dapat menerima kesalahan reler relatif. Anda dapat dengan aman mempertimbangkan hanya n terakhir. Nilai di mana 1 - kn relerr. Means bahwa Anda dapat pra-menghitung sebelum loop n log relerr log 1- k dan menghitung semua hanya mempertimbangkan nilai n terakhir. Jika dataset sangat besar ini dapat memberikan kecepatan yang masuk akal. Pertimbangkan bahwa untuk Angka floating point 64 bit Anda memiliki presisi relatif yang berkaitan dengan mantissa yaitu 2 -53 sekitar 1 1e-16 dan hanya 2 -24 5 96e-8 untuk bilangan floating point 32 bit sehingga Anda tidak dapat memperoleh yang lebih baik daripada kesalahan relatif ini. Pada dasarnya Anda seharusnya tidak pernah memiliki keuntungan dalam menghitung lebih dari n log 1 1e-16 log 1- k values. to memberi contoh jika kisaran 2000 lalu n log 1 1e-16 log 1-2 2001 36 746.Saya pikir itu menarik Untuk mengetahui bahwa perhitungan ekstra akan hilang di dalam ronde tidak ada gunanya lebih baik tidak T untuk mengetahui satu contoh untuk kasus di mana Anda dapat menerima kesalahan relatif lebih besar dari pada floating point precision relerr 1ppm 1e-6 0 00001 6 digit desimal signifikan yang Anda punya n log 1 1e-16 log 1-2 2001 13 815.I Pikirkan jumlahnya cukup sedikit dibandingkan dengan nomor sampel terakhir Anda sehingga dalam kasus itu, percepatan bisa menjadi jelas. Saya menduga bahwa rentang 2000 itu bermakna atau tinggi untuk aplikasi Anda, tetapi saya tidak dapat mengetahui beberapa nomor lain karena saya tidak tahu apa Adalah tokoh khas Anda. Kisaran reler 1e-3 2000 n 6 907. relerr 1e-3 range 200 n 691. relerr 1e-3 range 20 n 69. relerr 1e-6 range 2000 n 13 815. relerr 1e-6 range 200 n 1 381. relerr 1e -6 kisaran 20 n 138. Jika asumsi lastEMA hampir sama dengan EMAofdiscardeddata tidak dapat diambil hal-hal yang kurang mudah namun karena keunggulan cam menjadi signifikan maka bisa bermakna untuk terus berlanjut. Kita perlu mempertimbangkan kembali rumus lengkap reler EMAofdiscardeddata 1- Kn lastEMA. so n log relerr lastEMA EMAofdiscardeddata log 1 k log relerr log lastEMA EMAofdiscardeddata log 1 - k. the titik utamanya adalah menghitung lastEMA EMAofdiscardeddata tanpa benar-benar menghitung lastEMA atau EMAofdiscardeddata tentunya. Kasusnya adalah ketika kita mengetahui a-priori bahwa Misalnya EMAofdiscardeddata lastEMA M misalnya M 1000 atau M 1e6. dalam kasus ini n log relerr M log 1- k. if Anda tidak dapat memberikan nomor M. Anda harus menemukan ide bagus untuk memperkirakan terlalu banyak EMAofdiscardeddata lastEMA. one cara cepat Bisa jadi untuk mengambil data M max data min. Perhitungannya bisa ditulis ulang Dalam bentuk di mana itu adalah penambahan sederhana dari istilah independen. Jadi jika bahasa pelaksana mendukung paralelisasi, dataset dapat dibagi dalam 4 atau 8 atau n pada dasarnya jumlah inti CPU yang tersedia dan dapat dihitung jumlah istilah pada masing-masing Chunk secara paralel menjumlahkan hasil masing-masing pada akhirnya. Saya tidak membahas secara detail dengan ini karena jawaban ini sudah sangat lama dan saya pikir konsepnya sudah teruji. Terima kasih untuk ini saya menggunakan ini pada data pasar saham, jadi Fakta bahwa data yang lebih tua berada pada urutan yang sama besarnya karena data yang lebih baru bergantung pada kerangka waktu yang digunakan. Misalkan kisaran 200, akan ada variasi harga yang jauh lebih besar pada kerangka waktu harian 200 hari dari jangka waktu 5 menit. 16 jam saya akan bereksperimen dengan skenario yang berbeda pada data real dan simulasi Pada data baru, dengan kisaran 200, saya menggunakan dataset elemen 1000 Tetapi saya juga melakukan beberapa pengujian ulang selama beberapa tahun terakhir, jadi saya masih perlu memuat keseluruhan dataset Anda membantu keduanya Situasi, terima kasih Lykegenes 16 Jul 14 at 15 11.Membangun ekstensi Anda sendiri pasti akan meningkatkan kinerja Berikut adalah tutorial yang bagus dari situs Zend. Beberapa angka kinerja Perangkat Keras Ubuntu 14 04, PHP 5 5 9, Intel Core 1-core 3 3Ghz, 128MB RAM itu sa VPS. Sebelum PHP saja, 16.000 nilai 500ms. C Ekstensi, 16.000 nilai 0 3ms. C Ekstensi 100.000 nilai 3 7ms. C Perpanjangan 500.000 nilai 28 0ms. But aku m memori terbatas pada saat ini, menggunakan 70MB aku akan memperbaikinya Dan perbarui angka-angka itu sesuai. Pindah Bergerak Rata-rata. Rata-rata pergerakan bergerak direkomendasikan sebagai tipe rata-rata bergerak yang paling andal. Mereka memberi unsur pembobotan, dengan setiap hari sebelumnya yang diberi bobot kurang progresif Smoothing eksponensial menghindari masalah yang dihadapi dengan rata-rata bergerak sederhana. Dimana rata-rata memiliki kecenderungan untuk menggonggong dua kali sekali pada awal periode rata-rata bergerak dan lagi ke arah yang berlawanan, pada akhir periode kemiringan rata-rata bergerak eksponensial juga e Lebih mudah untuk menentukan kemiringan selalu turun saat harga tutup di bawah rata-rata bergerak dan selalu naik saat harga di atas. Twiggs mingguan review mingguan ekonomi global akan membantu Anda mengidentifikasi risiko pasar dan memperbaiki timing Anda.