python: результат функции pd.rolling_std отличается от калькулятора стандартного отклонения

Существует следующий кадр данных, я хочу вычислить закрытый столбец: волатильность, например, окно = 2, а именно волатильность двух строк. я

   Date      close
2010-06-09    3160.0
2010-06-10    3180.0
2010-06-11    3215.0
2010-06-14    3255.0

Я использовал следующий код, который использует функцию:

stdDeviation = pd.rolling_std(df['Close'],window=2)
stdDeviation.head(4)

Результат:

      Date
2010-06-09          NaN
2010-06-10    14.142136
2010-06-11    24.748737
2010-06-14    28.284271
Name: Close, dtype: float64

но при расчете стандартного отклонения калькулятором https://en.wikipedia.org/wiki/Standard_deviation

Я нашел первые два числа: 3160, 3180, стандартное отклонение этих двух чисел равно 10, что отличается от 14,142136, рассчитанного с помощью function.pd.rolling_std.

Не могли бы вы, парень, рассказать мне больше о функции roll_std, что такое cracualtor этой функции в деталях. почему отличается, что-то не так в моем вопросе. Спасибо!


pandas python-2.7 standard-deviation
person tktktk0711    schedule 04.07.2017    source источник

Ответы (1)


arrow_upward
2
arrow_downward

pandas по умолчанию вычисляет стандартное отклонение выборки. Знаменатель стандартного отклонения выборки имеет поправочный коэффициент, поэтому мы делим сумму квадратов на n-1 вместо n. 1 здесь - потерянные степени свободы из-за выборочного среднего. Если вы хотите получить тот же результат, вы можете передать ddof=0 в roll_std, что даст вам 10 в качестве результата.

stdDeviation = pd.rolling_std(df['Close'], window=2, ddof=0)
person ayhan    schedule 04.07.2017
comment
Привет, спасибо за ваши комментарии. Я хочу рассчитать волатильность закрытия, которая является ценой закрытия акций. Я имею в виду, какой из них правильный: образец std или std? - person tktktk0711; 04.07.2017
comment
Вы рассчитываете на основе выборки доходности, поэтому я думаю, вам следует использовать выборочное стандартное отклонение. Несколько страниц, которые я просмотрел, похоже, совпадают: macroption.com/historical-volatility-calculation - person ayhan; 04.07.2017