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！