移动平均线是分析数据趋势和模式的基本工具，广泛应用于金融、经济和工程领域。
它们有助于消除短期波动并揭示潜在趋势，使数据更易于解释。
在本教程中，我们将探索计算移动平均值的各种方法和技术，从传统方法到库和 Stream API。
计算移动平均线的常用方法
在本节中，我们将探讨计算移动平均线的三种常用方法。
1.使用 Apache Commons 数学库
Apache Commons Math是一个功能强大的 Java 库，提供广泛的数学和统计函数，包括计算移动平均值的工具。
通过利用Apache Commons Math 库中的DescriptiveStatistics类，我们可以简化移动平均计算的过程，并利用优化的算法进行高效的数据处理。它将数据点添加到统计对象并检索平均值（表示移动平均值）。
让我们使用DescriptiveStatistics类来计算带有windowSize的移动平均值：
public class MovingAverageWithApacheCommonsMath {
private final DescriptiveStatistics stats;
public MovingAverageWithApacheCommonsMath(int windowSize) {
this.stats = new DescriptiveStatistics(windowSize);
}
public void add(double value) {
stats.addValue(value);
}
public double getMovingAverage() {
return stats.getMean();
}
}
|
让我们测试一下我们的实现：@Test
public void whenValuesAreAdded_shouldUpdateAverageCorrectly() {
MovingAverageWithApacheCommonsMath movingAverageCalculator = new MovingAverageWithApacheCommonsMath(3);
movingAverageCalculator.add(10);
assertEquals(10.0, movingAverageCalculator.getMovingAverage(), 0.001);
movingAverageCalculator.add(20);
assertEquals(15.0, movingAverageCalculator.getMovingAverage(), 0.001);
movingAverageCalculator.add(30);
assertEquals(20.0, movingAverageCalculator.getMovingAverage(), 0.001);
}
|
首先，我们创建一个窗口大小为 3 的MovingAverageWithApacheCommonsMath类的实例。然后，将三个值（10、20 和 30）分别添加到计算器中，并验证其平均值。2.使用循环缓冲区方法
循环缓冲区方法是计算移动平均值的经典方法，并以其高效的内存使用而闻名。这种方法很简单，在某些情况下可能会提供更好的性能，特别是当我们担心外部依赖项的开销时。
在这种方法中，新的数据点会覆盖最旧的数据点，并且平均值是根据缓冲区中的当前元素计算的。
通过循环循环缓冲区，我们可以为每次更新实现恒定的时间复杂度，使其适合实时数据处理应用。
让我们使用循环缓冲区计算移动平均值：
public class MovingAverageByCircularBuffer {
private final double[] buffer;
private int head;
private int count;
public MovingAverageByCircularBuffer(int windowSize) {
this.buffer = new double[windowSize];
}
public void add(double value) {
buffer[head] = value;
head = (head + 1) % buffer.length;
if (count < buffer.length) {
count++;
}
}
public double getMovingAverage() {
if (count == 0) {
return Double.NaN;
}
double sum = 0;
for (int i = 0; i < count; i++) {
sum += buffer[i];
}
return sum / count;
}
}
|
我们来写一个测试用例来验证该方法：@Test
public void whenValuesAreAdded_shouldUpdateAverageCorrectly() {
MovingAverageByCircularBuffer ma = new MovingAverageByCircularBuffer(3);
ma.add(10);
assertEquals(10.0, ma.getMovingAverage(), 0.001);
ma.add(20);
assertEquals(15.0, ma.getMovingAverage(), 0.001);
ma.add(30);
assertEquals(20.0, ma.getMovingAverage(), 0.001);
}
|
我们创建一个窗口大小为 3 的MovingAverageByCircularBuffer类的实例。添加每个值后，测试断言计算出的移动平均值与预期值匹配，容差为 0.001。3.使用指数移动平均线
另一种方法是使用指数平滑来计算移动平均值。
指数平滑为较旧的观测值分配指数递减的权重，这对于捕获趋势和对数据变化快速做出反应非常有用：
public class ExponentialMovingAverage {
private double alpha;
private Double previousEMA;
public ExponentialMovingAverage(double alpha) {
if (alpha <= 0 || alpha > 1) {
throw new IllegalArgumentException("Alpha must be in the range (0, 1]");
}
this.alpha = alpha;
this.previousEMA = null;
}
public double calculateEMA(double newValue) {
if (previousEMA == null) {
previousEMA = newValue;
} else {
previousEMA = alpha * newValue + (1 - alpha) * previousEMA;
}
return previousEMA;
}
}
|
在这里，alpha参数控制衰减率，较小的值赋予最近的观察结果更大的权重。当我们想要对数据变化快速做出反应，同时仍然捕捉长期趋势时，指数移动平均线特别有用。
我们用一个测试用例来验证一下：
@Test
public void whenValuesAreAdded_shouldUpdateExponentialMovingAverageCorrectly() {
ExponentialMovingAverage ema = new ExponentialMovingAverage(0.4);
assertEquals(10.0, ema.calculateEMA(10.0), 0.001);
assertEquals(14.0, ema.calculateEMA(20.0), 0.001);
assertEquals(20.4, ema.calculateEMA(30.0), 0.001);
}
|
我们首先创建平滑因子 ( alpha ) 为 0.4 的ExponentialMovingAverage (EMA)实例。然后，当添加每个值时，测试断言计算出的 EMA 与预期值相匹配，误差范围为 0.001。
4.基于流的方法
我们可以利用Stream API 以更具功能性和声明性的方式计算移动平均线。如果我们想要处理数据流或集合，这种方法特别有用。
以下是我们如何使用基于流的方法来计算移动平均值的简化示例：
public class MovingAverageWithStreamBasedApproach {
private int windowSize;
public MovingAverageWithStreamBasedApproach(int windowSize) {
this.windowSize = windowSize;
}
public double calculateAverage(double[] data) {
return DoubleStream.of(data)
.skip(Math.max(0, data.length - windowSize))
.limit(Math.min(data.length, windowSize))
.summaryStatistics()
.getAverage();
}
}
|
在这里，我们从输入数据数组创建一个流，跳过指定窗口大小之外的元素，将流限制在 windowSize 内，然后使用summaryStatistics()计算平均值。这种方法利用Java Streams API的函数式编程功能以简洁高效的方式执行计算。
现在，让我们编写一些 JUnit 测试来确保我们的代码按预期工作：
@Test
public void whenValidDataIsPassed_shouldReturnCorrectAverage() {
double[] data = {10, 20, 30, 40, 50};
int windowSize = 3;
double expectedAverage = 40;
MovingAverageWithStreamBasedApproach calculator = new MovingAverageWithStreamBasedApproach(windowSize);
double actualAverage = calculator.calculateAverage(data);
assertEquals(expectedAverage, actualAverage);
}
|
在这些测试中，我们检查calculateAverage()方法是否返回给定场景（例如有效数据和windowSize）的正确平均值。附加方法
虽然上述方法是在 Java 中计算移动平均线的一些更方便、更有效的方法，但我们可以根据我们的具体要求和约束考虑其他方法。在这里，我们将介绍两种这样的方法。
1.并行处理
如果性能是我们的首要任务，并且我们可以使用多个 CPU 内核，那么我们可以利用并行处理技术更有效地计算移动平均值。
Java提供了对并行流的支持，它可以自动将计算分布到多个线程上。
2.加权移动平均线
加权移动平均 (WMA) 是一种计算移动平均的方法，它为窗口内的每个数据点分配不同的权重。
权重通常是根据预定义的标准来确定的，例如重要性、相关性或与窗口中心的接近度。
3.累积移动平均线
累积移动平均线 (CMA) 计算截至特定时间点的所有数据点的平均值。与其他移动平均方法不同，CMA 不使用固定大小的窗口，而是包含所有可用数据。
结论
计算移动平均线是时间序列分析的一个基本方面，其应用涵盖金融、经济和工程等各个领域。
使用 Apache Commons Math、循环缓冲区和指数移动平均技术，分析师可以深入了解数据的潜在趋势和模式。
此外，探索加权和累积移动平均线可以扩展分析师的工具包，从而能够对时间序列数据进行更复杂的分析和解释。
同样，选择完全取决于具体的项目要求和偏好。