rolling用法实例

rolling()的主要用途为进行移动均值计算，常用来对时间序列数据做均值操作。rolling()支持对Sries和DataFrame的操作。

一、函数定义

rolling()函数的定义如下：

DataFrame.rolling(window, min_periods=None, center=False, win_type=None, on=None, axis=0, closed=None, step=None, method='single')

其中，

window：均值计算的窗口大小，>=0的整数。如果设置为N，假设当前为第M行，则计算从M-N+1至M行的算术平均值（行号M从1开始）。当(M-N+1)<1，则其值为NAN，即从第N行开始才有均值，1~(N-1)行的值为NAN。注意窗口大小取0时，所有结果均为NAN；取1时结果为计算的输入值。

min_periods：窗口总向前计算的最小数量，默认为等于window，表示与window相等。当window设置为N时，向前数据不足N行，则该行均值设置为NAN；当设置为1时，计算时会抛弃不存在的行。

center：设置window的计算结束位置，默认False，居右，即当前行为窗口中的最后一行。True为居中，表示当前行为窗口的中间位置。

win_type：指定窗口的类型，字符串类型，默认为None，对窗口内所有数据进行平均加权计算。可以指定窗口类型来获得不同的加权方式，窗口的类型包括boxcar、triang、blackman、hamming、bartlett等，可参考《Window functions》。在量化中通常是采用平均加权，使用默认值即可。

on: 可选参数。对于dataframe，可以指定需要操作的列名。

axis：0或者‘index’/1或者‘columns’，默认为0，即对某列数据进行计算；1为对某行数据进行计算。

例如，上面求收盘价的5日均值，axis=0，是对‘close’列的数据进行计算。

closed：定义窗口区间的开闭，支持int类型的window。默认值None表示左开右闭，即‘right‘。可以根据情况指定为‘left‘、‘both‘、‘neither‘等。这里简单解释下意思，假设N=5，那么‘right‘表示均值计算采用的数据包括当前行以及前4行。

step：1.5.0以上版本支持。按指定的step计算每个step处的加权平均值，默认为None，表示step为1。

method：1.3.0以上版本支持。计算均值的范围，字符串类型，’single’表示计算单独的列或者行，‘table‘为计算整个表。

其它未覆盖的内容请参考官方文档。

二、使用示例

（1）求N=5的加权平均值

df['MA5']=df['close'].rolling(5).mean()

（2）设置计算位置为’center=True’

df['PMA5']=df['close'].rolling(5,center=True).mean()

比较MA5和PMA5的值会发现，MA5的值从第5行开始不为NAN，而PMA5的值从第三行开始不为NAN，相当于将均值数据整体上移了2行。

（3）设置窗口区间开闭’closed=left’

df['PMA5']=df['close'].rolling(5,closed='left').mean()

closed=’right’时，均值有效数据从第5行开始；closed=’left’时，均值不包含当前行，因此有效数据从第6行开始。

三、与rolling()配合的常用函数

与rolling()配合使用的常用函数包括：

count：返回移动窗口中非NA观测值的数量。

max：返回移动窗口的最小值。

min：返回移动窗口的最大值。

diff：返回观测值的第一个离散差。

mean：返回移动窗口的均值。

median：返回移动窗口的中位数。

round：返回保留指定位数的观测值。

sum：返回移动窗口中观测值的总和。

std：返回移动窗口的标准差。

var：返回移动窗口的方差。

corr：移动窗口的相关系数。

abs：返回观测值的绝对值。

cov：计算数据样本的协方差矩阵。

skew：样本值的偏度（三阶矩），即数据分布的对称性。

kurt：样本值的峰度（四阶矩），即数据在均值附近分布的集中度。

describe：给出样本的基本描述（基本统计量如均值、标准差等）。

apply：对移动窗口中的值进行函数计算。

agg：在指定的轴上实现一个或多个操作。

cumsum：依次给出前1、2、… 、n个数的和。

cumprod：依次给出前1、2、… 、n个数的积。

cummax：依次给出前1、2、… 、n个数的最大值。

cummin：依次给出前1、2、… 、n个数的最小值。

其它可参考官方文档。

四、综合示例

1.计算前5日成交量

df['VOL']=df['volume'].rolling(5).sum()

2.后N行平均值计算

由于rolling的window参数只能为正，因此只能向前滑动，无法向后滑动。这里需要将dataframe反转后进行计算。

df['FMA10'] = df.iloc[::-1]['close'].rolling(10).mean()

3.计算5日价格之和的平方根

df['MA53']=df['close'].rolling(5).sum().apply(np.sqrt)

4.计算5日成交量均值的累积

df['MA54']=df['volume'].rolling(5).mean().cumsum()

5.对’close’列求均值同时对’volume’求和

df.rolling(3).agg({"volume": "sum", "close": "mean"})

以上只是列举了一下简单的例子，如何组合能够解决实际问题需要去实践。实际上DataFrame提供了相同丰富的函数，通过与移动平均rolling等功能联合使用，可以大大简化量化中的计算过程。

-----------------------------------

原创不易，请多支持！