如何在Pandas中用100期指数加权协方差与标准差计算DataFrame两列滚动成对相关？

因为pandas.ewmcov已被弃用，现在可以用ewm().cov()替代，结合指数加权标准差计算来实现需求，具体步骤如下：

核心逻辑代码 #

import pandas as pd
import numpy as np

# 构造示例DataFrame（实际使用替换为你的df）
np.random.seed(42)
df = pd.DataFrame({
    'A': np.random.randn(200),
    'B': np.random.randn(200) + 0.5 * np.random.randn(200)
})

# 1. 计算100期指数加权协方差（提取A与B的协方差序列）
ewm_cov = df[['A', 'B']].ewm(span=100).cov().unstack()['A']['B']

# 2. 计算A、B各自的100期指数加权标准差
ewm_std_A = df['A'].ewm(span=100).std()
ewm_std_B = df['B'].ewm(span=100).std()

# 3. 计算指数加权滚动成对相关系数
ewm_correlation = ewm_cov / (ewm_std_A * ewm_std_B)

# 查看结果（前100期因样本不足会显示NaN）
print(ewm_correlation.tail(10))

关键说明 #

• span=100：指定指数加权的窗口跨度，对应你需求的100期，pandas会自动计算对应的衰减因子。
• 协方差提取：通过unstack()将多层索引的协方差结果转为二维结构，直接提取A与B的协方差序列。
• 结果特性：前99期由于样本量不足，相关系数会为NaN，从第100期开始会有有效计算值，符合滚动计算的逻辑。

内容的提问来源于stack exchange，提问作者Analyst