基于rollapplyr实现时间序列DataFrame滚动窗口加权求和

我懂你想要做的事：给xts/zoo格式的时间序列每列做宽度为3的滚动加权求和，权重是tempWeights <- c(1.09, 0.89, 0)，而且明确说了当日的观测值无权重、权重不需要归一化。你之前试着用rollapplyr搭配weighted.mean，但因为需要的是求和而非均值，所以得调整下实现方式。

正确的实现代码 #

直接在rollapplyr的自定义函数里手动计算加权求和就好，没必要用weighted.mean（它会自动除以权重和，这不是你要的）。另外要注意，rollapplyr默认是右对齐窗口——也就是每个窗口包含当前行和之前的2行，刚好匹配你的权重顺序（第一个权重对应窗口里最早的观测，最后一个0对应当日的观测）：

# 先加载需要的包
library(xts)

# 模拟一份xts格式的示例数据（代替你的tempVar）
set.seed(123)
tempVar <- xts(matrix(rnorm(9), ncol=3), order.by = as.Date("2024-01-01") + 0:2)
colnames(tempVar) <- c("Col1", "Col2", "Col3")

# 定义你的权重
tempWeights <- c(1.09, 0.89, 0)

# 执行滚动加权求和
tempRRI <- rollapplyr(tempVar, width = 3, function(x) {
  # 把窗口内的矩阵和权重相乘，再按列求和
  colSums(x * tempWeights)
}, by.column = FALSE)  # 设为FALSE直接处理整个矩阵，比逐列跑更高效

关键细节说明 #

1. 窗口对齐逻辑：rollapplyr的r后缀代表右对齐，每个窗口对应t-2、t-1、t三个时间点的观测，正好对应你权重里的1.09（t-2）、0.89（t-1）、0（t），完美契合你的需求。
2. 加权求和的正确姿势：我们直接让窗口矩阵x和权重向量相乘（R会自动按列广播权重），再用colSums算每列的加权和，这样就避开了weighted.mean自动归一化的问题。
3. by.column参数：这里设为FALSE是因为直接处理整个窗口矩阵效率更高；如果你习惯逐列处理，也可以改成by.column=TRUE，然后把函数写成function(x) sum(x * tempWeights)，结果完全一样。

验证结果 #

用上面的示例数据运行后，tempRRI的输出会是这样（前两行因为窗口不够3个观测，自动填充NA）：

tempRRI
#            Col1       Col2       Col3
# 2024-01-01    NA        NA        NA
# 2024-01-02    NA        NA        NA
# 2024-01-03 0.2033 -0.47328 -0.278616

这个结果就是每列按x[1]*1.09 + x[2]*0.89 + x[3]*0计算出来的，完全符合你的要求。

关于weighted.sum的小补充 #

其实R基础包里并没有weighted.sum这个函数（你可能是记混了），所以手动计算是最直接的方式。如果想封装成类似的函数，也可以自己定义：

weighted_sum <- function(x, w) sum(x * w)
# 然后在rollapplyr里调用：
tempRRI <- rollapplyr(tempVar, width=3, weighted_sum, w=tempWeights, by.column=TRUE)

这个写法和之前的代码效果完全一致。

内容的提问来源于stack exchange，提问作者Shriv