我就廢話不多說(shuō)了，大家還是直接看代碼吧！

# -*- coding: utf-8 -*-'''Created on Thu Apr 12 11:23:46 2018@author: henbile''' #計(jì)算滾動(dòng)波動(dòng)率可以使用專(zhuān)門(mén)做技術(shù)分析的talib包里面的函數(shù)，也可以使用pandas包里面的滾動(dòng)函數(shù)。#但是兩個(gè)函數(shù)對(duì)于分母的選擇，就是使用N還是N-1作為分母這件事情上是有分歧的。#另一個(gè)差異在于：talib包計(jì)算基于numpy，而pd.rolling是基于Series或者DataFrame的。 import pandas as pdimport numpy as npimport talib as tb a = tb.VAR(closeFull[:,0], timeperiod = 12, nbdev =1)b = tb.VAR(closeFull[:,0], timeperiod = 12, nbdev =0) #我以為nbdev是涉及分母的數(shù)量，發(fā)現(xiàn)其實(shí)不是。nbdev = -1也沒(méi)有改變。 c = pd.Series(closeFull[:,0]).rolling(window = 12, center = False).var()#tb基于np數(shù)據(jù)，pd基于pd包的兩個(gè)類(lèi)型的數(shù)據(jù)。 d = pd.rolling_var(pd.Series(closeFull[:,0]), window= 12, min_periods=None, freq=None, center=False, how=None)#__main__:1: FutureWarning: pd.rolling_var is deprecated for Series and will be removed in a future version, replace with # Series.rolling(window=12,center=False).var() #以前的公式是d，現(xiàn)在運(yùn)行d會(huì)報(bào)錯(cuò)，所以改正成c的形式。 closeFull[0:12,0].var(ddof =1)#Out[28]: 0.30576590909090895 #ddof參數(shù)的意義：分母是N-ddof closeFull[0:12,0].var(ddof =0)#Out[29]: 0.28028541666666656 #因?yàn)閣indow是12，所以選第11個(gè)printprint(a[11],b[11],c[11],d[11])#0.28028541666667195 0.28028541666667195 0.3057659090909086 0.3057659090909086 #計(jì)算都是var的計(jì)算，大膽的推測(cè)std的計(jì)算也是適用的。#talib包的std運(yùn)算的公式是tb.STDDEV#pd.rolling就是var換成std#謹(jǐn)慎起見(jiàn)，還是計(jì)算一下，看一看。#最后發(fā)現(xiàn)大膽的推測(cè)是正確的。 e = tb.STDDEV(closeFull[:,0], timeperiod = fastPeriod, nbdev = 1)f = pd.Series(closeFull[:,0]).rolling(window = fastPeriod, center = False).std() closeFull[0:12,0].std(ddof =1)#Out[45]: 0.5529610375884624 closeFull[0:12,0].std(ddof =0)#Out[46]: 0.5294198869202653 print(e[11], f[11])#0.5294198869202704 0.5529610375884622

補(bǔ)充知識(shí)：python —— .rolling(20).std()

#在這里我們?nèi)?0天內(nèi)的標(biāo)準(zhǔn)差

以上這篇基于python計(jì)算滾動(dòng)方差(標(biāo)準(zhǔn)差)talib和pd.rolling函數(shù)差異詳解就是小編分享給大家的全部?jī)?nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持好吧啦網(wǎng)。