计算波动幅度

这段代码是用于计算股价时间序列中最近一段时期的价格均值和标准差，常见于金融分析或量化交易中。以下是逐行解释：

代码解析

第1行：recent_prices = prices[-lookback:]

• prices：一个包含历史价格数据的列表或数组（通常是numpy数组）

• lookback：回溯期，表示要查看最近多少个时间段的数据

• prices[-lookback:]：使用负索引切片获取最后lookback个元素

• 作用：提取最近lookback天的价格数据

示例：

python

 

复制

 

 

下载

 

prices = [10, 12, 14, 16, 18, 20, 22, 24, 26, 28]  # 10天的价格
lookback = 5
recent_prices = prices[-5:]  # 获取 [20, 22, 24, 26, 28]

第2行：mean = np.mean(recent_prices)

• np.mean()：numpy库的函数，计算平均值

• 作用：计算最近lookback个价格的平均值

第3行：std = np.std(recent_prices)

• np.std()：numpy库的函数，计算标准差

• 作用：计算最近lookback个价格的标准差，衡量价格波动性

典型应用场景

1. 布林带(Bollinger Bands)指标

python

 

复制

 

 

下载

 

# 计算布林带
upper_band = mean + 2 * std  # 上轨
lower_band = mean - 2 * std  # 下轨
# 股价突破上轨可能超买，跌破下轨可能超卖

2. 价格标准化（Z-Score）

python

 

复制

 

 

下载

 

# 计算当前价格的Z-Score
current_price = prices[-1]  # 最新价格
z_score = (current_price - mean) / std
# z_score > 2 表示价格显著高于近期平均

3. 波动率计算

python

 

复制

 

 

下载

 

# 计算历史波动率（年化）
daily_volatility = std / mean  # 日波动率
annual_volatility = daily_volatility * np.sqrt(252)  # 年化波动率（假设252个交易日）

完整示例

python

 

复制

 

 

下载

 

import numpy as np# 模拟股价数据（30个交易日的收盘价）
prices = np.random.normal(100, 5, 30)  # 均值100，标准差5的正态分布# 参数设置
lookback = 20  # 查看最近20个交易日# 计算
recent_prices = prices[-lookback:]
mean_price = np.mean(recent_prices)
std_price = np.std(recent_prices)print(f"最近{lookback}天均价: {mean_price:.2f}")
print(f"最近{lookback}天标准差: {std_price:.2f}")
print(f"当前价格: {prices[-1]:.2f}")
print(f"偏离均值: {(prices[-1] - mean_price):.2f}个标准差")

注意事项

1. 数据频率：价格数据可以是日数据、小时数据等，lookback的单位需与数据频率一致

2. 标准差类型：np.std()默认使用总体标准差（除以n），对于样本数据可设置ddof=1

3. 边界情况：需确保len(prices) >= lookback，否则会报错

这段代码是金融时间序列分析的基础操作，常用于技术指标计算、风险管理等场景。