苏州口碑网租房,李继耐侄女,东莞时报
我就废话不多说了，大家还是直接看代码吧！
# -*- coding: utf-8 -*- """ created on thu apr 12 11:23:46 2018 @author: henbile """ #计算滚动波动率可以使用专门做技术分析的talib包里面的函数，也可以使用pandas包里面的滚动函数。 #但是两个函数对于分母的选择，就是使用n还是n-1作为分母这件事情上是有分歧的。 #另一个差异在于：talib包计算基于numpy，而pd.rolling是基于series或者dataframe的。 import pandas as pd import numpy as np import talib as tb a = tb.var(closefull[:,0], timeperiod = 12, nbdev =1) b = tb.var(closefull[:,0], timeperiod = 12, nbdev =0) #我以为nbdev是涉及分母的数量，发现其实不是。nbdev = -1也没有改变。 c = pd.series(closefull[:,0]).rolling(window = 12, center = false).var() #tb基于np数据，pd基于pd包的两个类型的数据。 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，现在运行d会报错，所以改正成c的形式。 closefull[0:12,0].var(ddof =1) #out[28]: 0.30576590909090895 #ddof参数的意义：分母是n-ddof closefull[0:12,0].var(ddof =0) #out[29]: 0.28028541666666656 #因为window是12，所以选第11个print print(a[11],b[11],c[11],d[11]) #0.28028541666667195 0.28028541666667195 0.3057659090909086 0.3057659090909086 #计算都是var的计算，大胆的推测std的计算也是适用的。 #talib包的std运算的公式是tb.stddev #pd.rolling就是var换成std #谨慎起见，还是计算一下，看一看。 #最后发现大胆的推测是正确的。 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
补充知识：python —— .rolling(20).std()
#在这里我们取20天内的标准差
以上这篇基于python计算滚动方差(标准差)talib和pd.rolling函数差异详解就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持移动技术网。
如对本文有疑问，请在下面进行留言讨论，广大热心网友会与你互动！！ 点击进行留言回复
Python 实现将numpy中的nan和inf,nan替换成对应的均值
python爬虫把url链接编码成gbk2312格式过程解析
我要评论
网友评论