基于主导周期的自适应ATR实现与优化技术问询

我编写了一个计算自适应ATR的函数，其周期通过对特定窗口数据进行FFT估计得到。其中高通滤波（highpass_filter）与超级平滑（super_smoother）函数源自John Ehlers的研究，用于筛选周期在10至48个观测值之间的数据。以下是实现代码：

def dominant_cycle(close):   
    close = highpass_filter(close)
    close = close[-int(np.floor(len(close) / 2)):]  
    close = super_smoother(close)
    close = close / np.std(close)
    
    ft = np.fft.fft(close)
    FFT = pd.DataFrame()
    FFT['amp'] = np.sqrt(ft.real**2 + ft.imag**2) / (len(close) / 2)
    plt.plot(FFT['amp'])
    FFT['freq'] = np.fft.fftfreq(ft.size, d=1)

    
    max_ = FFT.iloc[FFT['amp'].idxmax()]  
    max_freq = max_['freq']
    print(max_)
    
    # Check if max_freq is zero to avoid division by zero
    if max_freq == 0:
        return 48  
    
    cycle = np.floor(0.5 / max_freq)
    
    if cycle < 10:
        return 10
    elif cycle > 48:
        return 48 
    else: 
        return cycle

def adaptive_atr(data, window=100):
    high = np.array(data['High'])
    low = np.array(data['Low'])
    close = np.array(data['Close'])
    period=np.zeros_like(close)
    atr = np.zeros_like(close)
    center=np.zeros_like(close)
    center[:window]=close[:window]
    atr[window-1] = np.mean(np.maximum.reduce([high[:window] - low[:window],
                                          np.abs(high[:window] - np.roll(close, 1)[:window]),
                                          np.abs(low[:window] - np.roll(close, 1)[:window])]))
    
    for i in range(window, len(data)):
        period[i] = dominant_cycle(close[i - window + 1:i])
        # Calculate true ranges
        tr1 = high[i] - low[i]
        tr2 = np.abs(high[i] - np.roll(close, 1)[i])
        tr3 = np.abs(low[i] - np.roll(close, 1)[i])
        tr = max(tr1, tr2, tr3)
        
        atr[i] = (atr[i - 1] * (period[i] - 1) + tr) / period[i]
        center[i]=(center[i - 1] * (period[i] - 1) + close[i]) / period[i]
    
    return atr,center,period

现向技术从业者请教：该实现可从哪些方面优化？是否应计算自相关向量的FFT？是否适合采用Goertzel算法？

一、实现优化方向 #

• 移除调试冗余操作：dominant_cycle中的plt.plot(FFT['amp'])和print(max_)属于调试代码，生产环境会拖慢计算速度，建议移除或通过debug参数开关控制。
• 减少不必要的内存与转换开销：
  • 无需将FFT结果转为Pandas DataFrame，直接用Numpy数组处理振幅和频率，可大幅减少内存占用与转换耗时；
  • close = close[-int(np.floor(len(close) / 2)):]可简化为close = close[len(close)//2:]，整数除法更高效且结果一致。
• 优化循环与数组操作：
  • adaptive_atr中的Python循环效率较低，可尝试用numpy.lib.stride_tricks.sliding_window_view生成滑动窗口，批量计算周期；
  • 计算真实波幅（TR）时，直接用close[i-1]替代np.roll(close,1)[i]，避免不必要的数组复制。
• 数值稳定性增强：close / np.std(close)需增加标准差为0的判断逻辑，避免除零报错，比如当标准差接近0时直接返回默认周期48。
• 初始化逻辑简化：计算初始ATR时，可直接用向量化操作生成整个窗口的TR再取均值，比np.maximum.reduce更清晰高效。

二、是否应计算自相关向量的FFT？ #

计算自相关向量的FFT是可行的，甚至可能更适合周期检测：

• 原始FFT直接处理滤波后的价格序列，易受噪声干扰；而自相关FFT得到的功率谱能更突出周期成分，因为自相关本身衡量了序列与自身延迟版本的相似性，更贴合周期检测的核心需求。
• 虽然自相关计算会增加少量开销，但对于默认100的窗口大小来说完全可接受。可以尝试用numpy.correlate计算自相关后再做FFT，对比原始方法的周期检测效果。

三、是否适合采用Goertzel算法？ #

Goertzel算法更适合检测特定离散频率，你的场景是在10-48周期的连续频率范围内找最大值，并不适配：

• FFT一次计算就能覆盖全频率范围，适合快速定位全局最大振幅对应的周期，实现简单且效率足够；
• 若窗口极大且仅关注10-48这个窄范围，Goertzel可只计算该区间内的频率点减少开销，但默认100窗口下FFT的计算量已极小，无需替换。

内容的提问来源于stack exchange，提问作者Luca Palese