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 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printprint(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。