网站开发 总结报告/掉发脱发严重是什么原因
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萬仟网。
如您对本文有疑问或者有任何想说的，请点击进行留言回复，万千网友为您解惑！