Python中如何正确计算同一数据集内多只股票的移动平均值

直接复用单股票SMA代码出错的核心原因：全局调用rolling()会顺着数据集行顺序连续滚动计算，不会在不同股票的数据边界自动截断窗口，导致后续股票的前序SMA值会错误混入前一只股票的尾部交易数据。

计算前首先确认数据集存在股票标识列（常见列名如Ticker、Symbol、StockCode，用于区分不同股票的数据分段），且每只股票的行已按交易日期升序排列，否则先做预处理排序：

# 按股票代码、交易日期升序排序，保证时间序列顺序正确
df = df.sort_values(by=['Ticker', 'Date'], ascending=[True, True]).reset_index(drop=True)

注意：如果你的股票标识列、日期列、收盘价列的列名和示例不一致，替换为实际列名即可。

实现方式1：改造原有SMA函数适配分组场景 #

基于你原本的函数逻辑调整，加入分组计算逻辑，避免多层索引错位：

def SMA(data, period=30, column='Close', group_col='Ticker'):
    return data.groupby(group_col)[column].rolling(window=period).mean().reset_index(level=0, drop=True)

df['SMA20'] = SMA(df, period=20)
df['SMA50'] = SMA(df, period=50)

实现方式2：用transform直接计算（无需封装函数） #

如果不需要复用SMA函数，直接用groupby + transform一步完成计算，逻辑更简洁：

df['SMA20'] = df.groupby('Ticker')['Close'].transform(lambda x: x.rolling(20).mean())
df['SMA50'] = df.groupby('Ticker')['Close'].transform(lambda x: x.rolling(50).mean())

结果说明 #

分组计算后，每只股票最开始的period-1条记录因为滚动窗口长度不足，SMA值会返回NaN，属于正常现象，和单股票计算的逻辑一致。

内容的提问来源于stack exchange，提问作者Dhiraj jain