Overlap：PWMA（帕斯卡加权移动平均线）技术指标详解

Overlap：PWMA（帕斯卡加权移动平均线）技术指标详解

一、PWMA的定义

PWMA（Pascal’s Weighted Moving Average，帕斯卡加权移动平均线） 是由Kevin Johnson开发的一种创新移动平均线。它独特之处在于：使用帕斯卡三角形（Pascal’s Triangle） 生成的组合数作为权重分配基础。

核心设计理念

PWMA与对称三角形加权移动平均类似，但权重分布更符合帕斯卡三角形的数学规律——中间高、两端低的对称分布。这种权重结构使得PWMA在平滑价格数据时，更强调窗口中心附近的价格，同时赋予两端（最新数据和最旧数据）相对较低的权重。

PWMA与传统加权移动平均的对比

重要提醒：部分MetaTrader平台的“PWMA”指标名为“Power Weighted Moving Average”，计算公式为

S

U

M

(

价格

(

i

)

×

i

P

o

w

e

r

)

/

S

U

M

(

i

P

o

w

e

r

)

\\mathrm{SUM}(价格(i) × i^{\\mathrm{Power}}) / \\mathrm{SUM}(i^\\mathrm{Power})

SUM(价格(i)×iPower)/SUM(iPower)，与帕斯卡加权均线是完全不同的指标。本文以pandas_ta库的实现为准，介绍基于帕斯卡三角形的PWMA。

二、PWMA的计算方法

1. 帕斯卡三角形简介

帕斯卡三角形是一个由组合数构成的三角形数组，第n行的第k个元素为组合数

(

n

k

)

=

n

!

k

!

(

n

−

k

)

!

\\binom{n}{k} = \\frac{n!}{k!(n-k)!}

(kn​)=k!(n−k)!n!​。例如，前几行为：

Row 0: 1
Row 1: 1 1
Row 2: 1 2 1
Row 3: 1 3 3 1
Row 4: 1 4 6 4 1

PWMA使用帕斯卡三角形的某一行作为权重序列。

2. 核心计算公式

PWMA的计算公式为加权移动平均的标准形式：

P

W

M

A

t

=

∑

i

=

0

n

−

1

w

i

×

P

t

−

i

∑

i

=

0

n

−

1

w

i

\\mathrm{PWMA}_t = \\frac{\\sum_{i=0}^{n-1} w_i \\times P_{t-i}}{\\sum_{i=0}^{n-1} w_i}

PWMAt​=∑i=0n−1​wi​∑i=0n−1​wi​×Pt−i​​

其中：

• $n$
• $P_{t-i}$
• $w_i$

权重序列生成：

• asc=True（默认）：权重按升序排列，最新数据获得最高权重
• asc=False：权重按降序排列，权重分布反转

3. 计算示例（length=4）

取帕斯卡三角形第3行（length-1），权重序列为[1, 3, 3, 1]：

加权和 = 108 + 315 + 306 + 100 = 829 权重和 = 1 + 3 + 3 + 1 = 8 PWMA = 829 / 8 = 103.625

4. 参数说明

三、PWMA的使用方法

1. 趋势方向判断

PWMA线的方向是判断市场趋势的最直观依据：

2. 价格穿越信号

价格与PWMA的穿越关系是最简单的入场/出场信号：

3. asc参数选择

asc参数控制权重的分配方向，直接影响PWMA的灵敏度：

4. 注意事项与局限性

使用PWMA前需了解以下要点：

四、使用pandas_ta计算PWMA（附示例代码）

1. 函数完整参数

pandas_ta.overlap.pwma(close, length=None, asc=None, offset=None, **kwargs)

参数详解：

返回值：pd.Series——PWMA值序列。

2. 示例代码

import pandas as pd
import pandas_ta as ta
import numpy as np
import matplotlib.pyplot as plt

# ========== 第一步：准备数据 ==========
np.random.seed(42)
dates = pd.date_range(start='2023-01-01', end='2024-12-31', freq='D')
n = len(dates)

# 生成带趋势和周期波动的价格序列
trend = np.linspace(0, 45, n)
cycle = np.sin(np.linspace(0, 6 * np.pi, n)) * 15
noise = np.random.randn(n) * 3
price_series = 100 + trend + cycle + noise

# 添加趋势变化区间
price_series = price_series.astype(float)
for i in range(300, 450):
price_series[i] = price_series[300] + (i–300) * 0.2 # 强势上涨段
for i in range(450, 600):
price_series[i] = price_series[450] – (i–450) * 0.15 # 强势下跌段

df = pd.DataFrame(index=dates[:n])
df['close'] = price_series[:n]
df['high'] = df['close'] + np.abs(np.random.randn(n)) * 2 + 1
df['low'] = df['close'] – np.abs(np.random.randn(n)) * 2 – 1
df['volume'] = np.random.randint(1000000, 25000000, n)

print("=" * 60)
print("数据预览：")
print(df.head())
print("\\n" + "=" * 60 + "\\n")

# ========== 第二步：计算PWMA（基础用法） ==========
# 使用默认参数 length=10, asc=True
df['PWMA'] = ta.pwma(df['close'])

print("PWMA计算结果（最近10行）：")
print(df[['close', 'PWMA']].tail(10))
print("\\n" + "=" * 60 + "\\n")

# ========== 第三步：asc参数对比 ==========
# asc=True（默认，最新数据权重更高）
df['PWMA_asc_true'] = ta.pwma(df['close'], length=10, asc=True)

# asc=False（权重反转，更平滑）
df['PWMA_asc_false'] = ta.pwma(df['close'], length=10, asc=False)

print("asc参数对比（最近5行）：")
print(df[['close', 'PWMA_asc_true', 'PWMA_asc_false']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第四步：不同周期PWMA对比 ==========
df['PWMA_5'] = ta.pwma(df['close'], length=5)
df['PWMA_10'] = ta.pwma(df['close'], length=10)
df['PWMA_20'] = ta.pwma(df['close'], length=20)

print("不同周期PWMA对比（最近5行）：")
print(df[['close', 'PWMA_5', 'PWMA_10', 'PWMA_20']].tail())
print("\\n" + "=" * 60 + "\\n")

# ========== 第五步：计算对比均线 ==========
df['SMA_10'] = ta.sma(df['close'], length=10)
df['WMA_10'] = ta.wma(df['close'], length=10)

print("PWMA vs SMA vs WMA 对比（最近10行）：")
print(df[['close', 'PWMA_10', 'SMA_10', 'WMA_10']].tail(10))
print("\\n" + "=" * 60 + "\\n")

# ========== 第六步：生成价格穿越信号 ==========
df['price_above_pwma'] = df['close'] > df['PWMA_10']
df['cross_above'] = (df['price_above_pwma'] == True) & (df['price_above_pwma'].shift(1) == False)
df['cross_below'] = (df['price_above_pwma'] == False) & (df['price_above_pwma'].shift(1) == True)

df['signal'] = ''
df.loc[df['cross_above'], 'signal'] = '买入（价格上穿PWMA）'
df.loc[df['cross_below'], 'signal'] = '卖出（价格下穿PWMA）'

print("价格穿越信号统计：")
print(f"买入信号数量：{df['cross_above'].sum()}")
print(f"卖出信号数量：{df['cross_below'].sum()}")
print("\\n" + "=" * 60 + "\\n")

# ========== 第七步：策略回测 ==========
# 策略：价格 > PWMA 时持仓多头
df['position'] = (df['close'] > df['PWMA_10']).astype(int)

df['returns'] = df['close'].pct_change()
df['strategy_returns'] = df['position'].shift(1) * df['returns']

total_return_buyhold = (1 + df['returns']).prod() – 1
total_return_strategy = (1 + df['strategy_returns']).prod() – 1

print("=" * 60)
print("策略绩效统计（PWMA穿越策略回测）：")
print(f"买入持有策略总收益率：{total_return_buyhold:.2%}")
print(f"PWMA穿越策略总收益率：{total_return_strategy:.2%}")
print("\\n注意：此为简化回测，仅供参考")
print("=" * 60 + "\\n")

# ========== 第八步：可视化 ==========
plt.figure(figsize=(14, 12))

# 子图1：价格走势与均线对比
plt.subplot(2, 1, 1)
plt.plot(df.index[–200:], df['close'][–200:], label='Close Price',
linewidth=1.5, color='black')
plt.plot(df.index[–200:], df['PWMA_10'][–200:], label='PWMA (10)',
linewidth=1.5, color='blue')
plt.plot(df.index[–200:], df['SMA_10'][–200:], label='SMA (10)',
linewidth=1, color='orange', alpha=0.7, linestyle='–')
plt.plot(df.index[–200:], df['WMA_10'][–200:], label='WMA (10)',
linewidth=1, color='green', alpha=0.7, linestyle=':')
plt.title('PWMA vs SMA vs WMA 对比 (Last 200 days)', fontsize=14)
plt.ylabel('Price')
plt.legend()
plt.grid(True, alpha=0.3)

# 子图2：asc参数对比
plt.subplot(2, 1, 2)
plt.plot(df.index[–200:], df['close'][–200:], label='Close Price',
linewidth=1, alpha=0.5, color='black')
plt.plot(df.index[–200:], df['PWMA_asc_true'][–200:], label='PWMA asc=True（灵敏）',
linewidth=1, alpha=0.7)
plt.plot(df.index[–200:], df['PWMA_asc_false'][–200:], label='PWMA asc=False（平滑）',
linewidth=1.5, color='blue')

plt.title('PWMA：asc参数对比', fontsize=14)
plt.xlabel('Date')
plt.ylabel('Price')
plt.legend(loc='upper left')
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

五、总结

PWMA（帕斯卡加权移动平均线）是一种基于帕斯卡三角形组合数权重的高级移动平均线，其核心价值与定位如下：

实战使用建议：