关于均线ema的问题，我们总结了以下几点，给你解答：

• 1、均线ema原理
• 2、均线ema
• 3、均线ema参数设置 短线

均线ema原理

EMA指环境管理会计。
环境管理会计信息主要是为组织内部核算和决策服务的，其为内部决策服务的程序既包括材料和能源消耗、流程及最终处置的实物程序，也包括与潜在环境影响活动相关的成本、节约和收益的货币计量程序。
环境管理会计是组织说明其业务的物料使用和环境成本的专门会计。物料会计，是通过跟踪工厂或营运场所物料流量的方法，将其投入和产出反映出来，以达到评价资源效率和发现环境改进机会的目的。



扩展资料：
环境管理会计的理论基础
1、可持续发展理论
它强调人类应当通过发展与自然相和谐的方式追求健康而富有生产成果的生活，而不是破坏和污染生态环境来追求发展。可持续发展理论从为人类长远利益的角度赋予了环境管理会计迫切发展的理论基础。
2、经济的外部性理论
外部不经济内部化的主要办法，就是对企业的排污进行收费甚至罚款，这已经被许多国家的政府所采纳并得到实施。外部性理论要求国家制定相应法规规范企业行为，使其承担社会成本，督促其实行环境管理会计。
3、环境资源价值理论
作为国民财富的一部分，环境资源必然有其价值。此理论要求企业重视周围环境的改善，将环境资源作为企业的一项资本对待，从而迫切要求环境管理会计对其价值进行核算。
环境管理会计的作用
1、有助于企业准确地进行成本计算和产品定价。
2、有助于企业管理当局做出正确决策。
3、有助于企业进行环境绩效考核与评价。

参考资料来源：百科-环境管理会计
macd平滑异同移动平均线中的ema吗？ ema是指数移动平均线，有的软件简称为expma，是一种加权的移动平均线指标。与简单移动平均线相比，指数移动平均线为近期的价格赋予较大的权重，同时又综合考虑了股票上市以来的所有交易价格。以12日ema为例，其计算方法如下： w＝2÷（12+1）＝0.1538 ema(12)＝(收盘价－昨日的ema)×0.1538＋昨日的ema
EMA（Exponential Moving Average），指数平均数指标。也叫EXPMA指标，它也是一种趋向类指标，指数平均数指标是以指数式递减加权的移动平均。各数值的加权是随时间而指数式递减，越近期的数据加权越重，但较旧的数据也给予一定的加权。指数平均数指标的原理 与MACD指标、DMA指标相比，EXPMA指标由于其计算公式中着重考虑了价格当天（当期）行情的权重，因此指标自身的计算公式决定了作为一类趋势分析指标，它在使用中克服了MACD指标信号对于价格走势的滞后性。同时也在一定程度中消除了DMA指标在某些时候对于价格走势所产生的信号提前性，是一个非常有效的分析指标。 EXPMA指标的计算公式EXPMA＝（当日或当期收盘价－上一日或上期EXPMA）／Ｎ＋上一日或上期EXPMA其中，首次上期EXPMA值为上一期收盘价，Ｎ为天数。 实际上，从EXPMA指标的构造原理和它的使用原则来看，这一指标更接近于均线指标，而且由于EXPMA指标通过对参数进行有效地设定，可以发挥出比均线指标更为直观和有用的信息。 在技术分析软件中，EXPMA指标由三条线构成，价格Ｋ线、短期EXPMA线（以白色线条或其他稍浅色的线条表示）、长期EXPMA线（以黄色线条或其他稍深色的线条表示），EXPMA指标的坐标图上，纵坐标代表价格运行的价位，横坐标代表价格运行的时间，这一点也和均线指标保持了一致。 EXPMA指标应用原则 １、在多头趋势中，价格Ｋ线、短天期天数线、长天期天数线按以上顺序从高到低排列，是为多头特征；在空头趋势中，长天期天数线、短天期天数线、价格Ｋ线按以上顺序从高到低排列，是为空头特征。 ２、当短天期天数线向下而上穿越长天期天数线时是一个值得注意的买入信号；此时短天期天数线对价格走势将起到助涨的作用，当短天期天数线向上而下穿越长天期天数线时是一个值得注意的卖出信号，此时长天期天数对价格走势将起到助跌的作用。 ３、一般来说，价格在多头市场中将处于短天期天数线和长天期天数线上方运行，此时这两条线将对价格走势形成支撑。在一个明显的多头趋势中，价格将沿短天期天数线移动，价格反复的最低点将位于长天期天数线附近；相反地，价格在空头市场中将处于短天期天数线和长天期天数线下方运行，此时这两条线将对价格走势形成压力。在一个明显的空头趋势中，价格也将沿短天期天数线移动，价格反复的最高点将位于长天期天数线附近。 ４、一般地，当价格Ｋ线在一个多头趋势中跌破短天期天数线，必将向长天期天数线靠拢，而长天期天数线将对价格走势起到较强的支撑作用，当价格跌破长天期天数线时，往往是绝好的买入时机；相反地，当价格Ｋ线在一个空头趋势中突破短天期天数线后，将有进一步向长天期天数线冲刺的希望，而长天期天数线将对价格走势起到明显的阻力作用，当价格突破长天期天数线后，往往会形成一次回抽确认，而且第一次突破失败的机率较大，因此应视为一次绝好的卖出时机。 ５、第三条的特例是：当价格Ｋ线在一个多头趋势中跌破短天期天数线，并继而跌破长天期天数线，而且使得短天期天数开始转头向下运行，甚至跌破长天期天数线，此时意味着多头趋势发生变化，应作止蚀处理；相反地，当价格Ｋ线在一个空头趋势中突破短天期天数线，并继而突破长天期天数线，而且使得短天期天数开始转头向上运行，甚至突破长天期天数线，此时意味着空头趋势已经改变成多头趋势，应作补仓处理。 ６、价格对于长天期天数线的突破次数越多越表明突破有效，第一次突破一般会以失败而告终；价格对于长天期天数线的突破时间越长越表明突破有效。一般来说，在价格日Ｋ线技术指标体系中的EXPMA指标长天期天数线被价格突破之后，需要两到三个交易日的时间来确认突破的有效性。 ７、当短期天数线向上交叉长期天数线时，股价会先形成一个短暂的高点，然后微幅回档至长期天数线附近，此时为最佳买入点；当短期天数线向下交叉长期天数线时，股价会先形成一个短暂的低点，然后微幅反弹至长期天数线附近，此时为最佳卖出点。 关于EXPMA指标的其他使用原则，可根据不同基期的指数参数设置来进一步总结。指数平均数指标是笔者最为喜欢的分析指标之一，在下面的章节中将讲到对指标不同时期的参数设置，你会发现这的确是一个分析价格的好工具。 如何活用EXPMA指标 在一般情况下，许多投资者均以KDJ指标和MACD指标作为买卖的重要指示，当大盘或个股的KDJ指标和当大盘或个股的KDJ指标和MACD指标在高位形成死叉后，他们通常会卖出。但是，由于市场的主力经常进行反向操作，所以常常导致"顶在顶上"和"底在底下"的情况发生，因此这种指标常常会失灵。 据于上述现象，许多投资者于是用移动平均线来作为买卖股票的主要依据，意思是：当月线指标（即5天均线、10天均线和20天均线）形成多头排列时，他们通常会买进。反之，当月线指标形成空头排列时，他们通常会卖出。但是，由于市场主力经常会进行反技术的操作，故意令股价连连破位，从而打穿上述均线，这样做会令很多人的筹码因此而脱手。 综上所述，为了克服上述缺点，我们在此介绍EXPMA指标，该指标的主要优势是：对移动平均线进行了取长补短，同时又具备了KDJ指标和MACD指标的"金叉"和"死叉"等功能。因此该指标具有较高的成功率和准确性，对于个股的抄底和逃顶提供了较好的点位，是投资者采用中短线决策的好帮手。 EXPMA指标图形特征 1、 EXPMA指标由EXPMA1（白线）和EXPMA2（黄线）组成，当白线由下往上穿越黄线时，股价随后通常会不断上升，那么这两根线形成金叉之日便是买入良机。 2、当一只个股的股价远离白线后，该股的股价随后很快便会回落，然后再沿着白线上移，可见白线是一大支撑点。 3、同理，当白线由上往下击穿黄线时，股价往往已经发生转势，日后将会以下跌为主，则这两根线的交叉之日便是卖出时机。 EXPMA指标的市场意义 1、该指标一般为中短线选股指标，比较符合以中短线为主的投资者，据此信号买入者均有获利机会，但对中线投资者来说，其参考意义似乎更大，主要是因为该指标稳定性大，波动性小。 2、若白线和黄线始终保持距离地上行，则说明该股后市将继续看好，每次股价回落至白线附近，只要不击穿黄线，则这种回落现象便是良好的买入时机。

均线ema

def ema(self, df, n):
ema = pd.Series(pd.ewma(df['close'], span=n, min_periods=n - 1), name='ema_' + str(n))
df = df.join(ema)
return df

# 计算macd
def macd(self, df, n_fast, n_slow):
ema_fast = pd.Series(pd.ewma(df['close'], span=n_fast, min_periods=n_slow - 1), name='ema_fast')
ema_slow = pd.Series(pd.ewma(df['close'], span=n_slow, min_periods=n_slow - 1), name='ema_slow')
macd = pd.Series(ema_fast - ema_slow, name='macd')
macd_signal = pd.Series(pd.ewma(macd, span=9, min_periods=8), name='macd_signal')
macd_diff = pd.Series(macd - macd_signal, name='macd_diff')
df = df.join(macd).join(macd_signal).join(macd_diff)
return df

# 计算kdj
def kdj(self, df, n):
low_list = pd.rolling_min(df['low'], n)
low_list.fillna(value=pd.expanding_min(df['low']), inplace=True)
high_list = pd.rolling_max(df['high'], n)
high_list.fillna(value=pd.expanding_max(df['high']), inplace=True)
rsv = (df['close'] - low_list) / (high_list - low_list) * 100
k = pd.Series(pd.ewma(rsv, span=9, min_periods=8), name='k')
d = pd.Series(pd.ewma(k, span=9, min_periods=8), name='d')
j = pd.Series(3 * k - 2 * d, name='j')
df = df.join(k).join(d).join(j)
return df

# 计算rsi
def rsi(self, df, n):
diff = df['close'].diff(1)
diff = diff.fillna(0)
up = diff.copy()
up[up < 0] = 0
down = diff.copy()
down[down > 0] = 0
rsv = pd.Series(pd.ewma(up, span=n, min_periods=n - 1) / pd.ewma(down.abs(), span=n, min_periods=n - 1), name='rsi_' + str(n))
df = df.join(rsv)
return df

# 计算wr
def wr(self, df, n):
low_list = pd.rolling_min(df['low'], n)
low_list.fillna(value=pd.expanding_min(df['low']), inplace=True)
high_list = pd.rolling_max(df['high'], n)
high_list.fillna(value=pd.expanding_max(df['high']), inplace=True)
wr = (high_list - df['close']) / (high_list - low_list) * 100
wr = pd.Series(wr, name='wr_' + str(n))
df = df.join(wr)
return df

# 计算cci
def cci(self, df, n):
tp = (df['high'] + df['low'] + df['close']) / 3
cci = pd.Series((tp - pd.rolling_mean(tp, n)) / (0.015 * pd.rolling_std(tp, n)), name='cci_' + str(n))
df = df.join(cci)
return df

# 计算atr
def atr(self, df, n):
i = 0
tr_list = []
while i < len(df):
if i == 0:
tr = df['high'][i] - df['low'][i]
else:
tr = max(df['high'][i] - df['low'][i], df['high'][i] - df['close'][i - 1], df['close'][i - 1] - df['low'][i])
tr_list.append(tr)
i = i + 1
tr_series = pd.Series(tr_list)
atr = pd.Series(pd.ewma(tr_series, span=n, min_periods=n), name='atr_' + str(n))
df = df.join(atr)
return df

# 计算dma
def dma(self, df, n, m):
dm = (df['high'] + df['low']) / 2 - (pd.rolling_max(df['high'], n) + pd.rolling_min(df['low'], n)) / 2
dm_ma = pd.Series(pd.rolling_mean(dm, m), name='dma_' + str(n) + '_' + str(m))
df = df.join(dm_ma)
return df

# 计算trix
def trix(self, df, n):
ex1 = pd.ewma(df['close'], span=n, min_periods=n - 1)
ex2 = pd.ewma(ex1, span=n, min_periods=n - 1)
ex3 = pd.ewma(ex2, span=n, min_periods=n - 1)
i = 0
trix_list = []
while i + 1 <= len(df) - 1:
trix = (ex3[i + 1] - ex3[i]) / ex3[i]
trix_list.append(trix)
i = i + 1
trix_series = pd.Series(trix_list, name='trix_' + str(n))
df = df.join(trix_series)
return df

# 计算vr
def vr(self, df, n):
i = 0
vr_list = []
while i < len(df):
if i < n:
vr = 0
else:
c_up = 0
c_down = 0
for j in range(n):
if df.iloc[i - j]['close'] > df.iloc[i - j - 1]['close']:
c_up += 1
elif df.iloc[i - j]['close'] < df.iloc[i - j - 1]['close']:
c_down += 1
vr = (c_up / n) / (c_down / n)
vr_list.append(vr)
i = i + 1
vr_series = pd.Series(vr_list, name='vr_' + str(n))
df = df.join(vr_series)
return df

# 计算obv
def obv(self, df):
i = 0
obv_list = [0]
while i < len(df) - 1:
if df.iloc[i + 1]['close'] - df.iloc[i]['close'] > 0:
obv_list.append(obv_list[i] + df.iloc[i + 1]['volume'])
elif df.iloc[i + 1]['close'] - df.iloc[i]['close'] == 0:
obv_list.append(obv_list[i])
else:
obv_list.append(obv_list[i] - df.iloc[i + 1]['volume'])
i = i + 1
obv_series = pd.Series(obv_list, name='obv')
df = df.join

均线ema参数设置 短线