尝试在 python 中找到平均标准偏差，就像在 excel 函数 avgstd() 中一样

Question

在尝试查找以下附加数据的 CCI 索引时。我面临一个问题。如果我们在下面使用 查找CCI 9 个周期移动平均线的值的代码，该值在 89 左右。但实际的CCI 值是 105。问题是计算标准偏差的方式。对于CCI，我们必须计算平均标准差。

df["TP"] = (df['HIGH'] + df['LOW'] + df['CLOSE']) / 3
df["SMATP"]=df["TP"].rolling(n, min_periods=n).mean()
df["AVSTDTP"]=df["TP"].rolling(n, min_periods=n).std()
df["CCI"]=(df["TP"]-df["SMATP"])/(.015*df["AVSTDTP"])

为此，我必须使用 for 循环来找到正确的 CCI 值。执行AVGSTD 偏差是否有更好的价值。所以可以找到正确的CCI 值。下面的代码工作正常，但有没有更好的方法来获得结果。

df["TP"] = (df['HIGH'] + df['LOW'] + df['CLOSE']) / 3
df["SMATP"]=df["TP"].rolling(n, min_periods=n).mean()
df["AVSTDTP"]=None
#df["AVSTDTP"]=df["TP"].rolling(n, min_periods=n).std()
for row in range(len(df)):
    if(row >= n-1):
        variances=0
        for row1 in range(n):
            variances=variances+abs(df["SMATP"].iloc[row] - df["TP"].iloc[row-row1])
        df["AVSTDTP"].iloc[row] = variances/n
df["CCI"]=(df["TP"]-df["SMATP"])/(.015*df["AVSTDTP"])

以下是数据供参考。

DATE_TIME       OPEN    HIGH    LOW CLOSE
18-08-2020 09:19    492.2   496.8   491.85  494.5
18-08-2020 09:24    494.5   498 493.25  497.45
18-08-2020 09:29    497.1   497.7   494.85  496.25
18-08-2020 09:34    496.35  496.75  495 495.5
18-08-2020 09:39    495.5   496.35  495 495.35
18-08-2020 09:44    495.3   496.45  495 496.4
18-08-2020 09:49    496.35  501.35  495.65  501.2
18-08-2020 09:54    501.2   502 499.35  501.45
18-08-2020 09:59    501.55  501.85  499.2   500.2
18-08-2020 10:04    500.45  500.65  499.4   500.15
18-08-2020 10:09    500.05  502.8   499.6   501.05
18-08-2020 10:14    501.3   504 501.3   503.5
18-08-2020 10:19    503.8   505.25  503.55  505 

Answer 1

看来您是新用户。欢迎使用 StackOverflow

您实际上不需要做任何这些工作，有一个 Python 模块用于计算和返回标准偏差。 numpy has a callable function std 这将非常有用，在这里。

如果您确实想使用自己的函数，则可以将其组织成如下所示。

import math

data = [2, 2, 5, 7, 1, 2, 3, 5, 7]
deviations = [] # this is where we will store the deviations 


# Calculate the mean
mean = 0 
for a in range(0, len(data) ):
    mean = mean + data[a]
mean = mean / len(data)

# Find the deviations 
for a in range(0, len(data) ):
    dev = data[a] - mean 
    deviations.append(dev)
print(deviations)

# Square those values 
for a in range(0, len(data) ):
    dev = deviations[a] * deviations[a] # squared
    deviations[a] = dev 
    
# Take len(data) minus one, and divide the sum(data^2) by that
summation = sum( deviations )
meanmean = summation / ( len(data) - 1)

# Take the square root of that value as our standard deviation 
standard = math.sqrt(meanmean)

不过，我个人建议不要这样做；从头开始构建一切只会浪费你的时间。如果您需要通过不断添加的数据计算随时间变化的标准偏差，我认为有两种简单的方法可以做到这一点：

1. 只需继续从整个数据集中重新计算它。这会比较慢，但您的代码会更容易查看和调整。

2. 第一次计算标准偏差，然后对于您要添加的每条新数据，计算它会改变标准偏差多少，然后以这种方式更新值。这可能看起来像这样：

# where "add" is the new piece of data we are adding to the set 
deviation = add - mean # how much does this new piece of data deviate from the mean 
devsquare = deviation * deviation 
dev = math.sqrt(devsquare)

offset = dev / len(data)
data.append(add)

然后你只需要使用类似的东西来更新平均值。