dev

能优化AVEDEV就能提高效率 ``` def AVEDEV(S, N): #平均绝对偏差 (序列与其平均值的绝对差的平均值) return pd.Series(S).rolling(N).apply(lambda x: (np.abs(x - x.mean())).mean()).values ```

感谢指正，已 update!

myTT LICENSE is GPL

```python def SLOPE(S, N): #返S序列N周期回线性回归斜率 return pd.Series(S).rolling(N).apply(lambda x: np.polyfit(x.index,x.values,deg=1)[0],raw=False).values ``` 感谢！ FORCAST() 还需要研究

```python def FORCAST(S,N): #返S序列N周期回线性回归后的预测值 M=pd.Series(S[-N:]); poly = np.polyfit(M.index, M.values,deg=1); return np.polyval(poly, M.index)[-1] ``` 还是只能返回最后单值

感谢，已经修正

RET是取得序列最后一个数

SMA(S, N, M=1): #中国式的SMA,至少需要120周期才精确 (雪球180周期) alpha=1/(1+com) return pd.Series(S).ewm(alpha=1/(1+N-M), adjust=True).mean().values

``` #RSI 10-12 10-13 10-14 10-15 (上证指数 000001 RSI 24日） #通达信：47.81 49.07 48.78 50.02 #雪球： 47.81 49.07 48.78 50.02 ``` **纯粹SMA指标不好对比，用主力使用SMA的RSI对比** ``` return pd.Series(S).ewm(alpha=M/N, adjust=True).mean().values return pd.Series(S).ewm(com=N-M, adjust=True).mean().values ``` 上面这2个写法得出的结果是一样的

感谢，已经修正 `pd.Series(S).ewm(alpha=M/N, adjust=True).mean().values`