我就廢話不多說了，大家還是直接看代碼吧！

# -*- coding: utf-8 -*-'''Created on Thu Apr 12 11:23:46 2018@author: henbile''' #計算滾動波動率可以使用專門做技術分析的talib包里面的函數，也可以使用pandas包里面的滾動函數。#但是兩個函數對于分母的選擇，就是使用N還是N-1作為分母這件事情上是有分歧的。#另一個差異在于：talib包計算基于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是涉及分母的數量，發現其實不是。nbdev = -1也沒有改變。 c = pd.Series(closeFull[:,0]).rolling(window = 12, center = False).var()#tb基于np數據，pd基于pd包的兩個類型的數據。 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，現在運行d會報錯，所以改正成c的形式。 closeFull[0:12,0].var(ddof =1)#Out[28]: 0.30576590909090895 #ddof參數的意義：分母是N-ddof closeFull[0:12,0].var(ddof =0)#Out[29]: 0.28028541666666656 #因為window是12，所以選第11個printprint(a[11],b[11],c[11],d[11])#0.28028541666667195 0.28028541666667195 0.3057659090909086 0.3057659090909086 #計算都是var的計算，大膽的推測std的計算也是適用的。#talib包的std運算的公式是tb.STDDEV#pd.rolling就是var換成std#謹慎起見，還是計算一下，看一看。#最后發現大膽的推測是正確的。 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

補充知識：python —— .rolling(20).std()

#在這里我們取20天內的標準差

以上這篇基于python計算滾動方差(標準差)talib和pd.rolling函數差異詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持好吧啦網。