同一段收益率，pandas 和 NumPy 的波动率为什么不同

把同一段日收益率分别交给 pandas 和 NumPy，有时会得到两套波动率。数组没有变、窗口也一样，差异通常不是浮点误差，而是自由度参数 ddof 的默认值不同。

pandas 的 Rolling.std() 默认 ddof=1，计算时分母是 N-1；NumPy 的 std() 默认 ddof=0，分母是 N。前者常用于样本标准差，后者按当前数据总体计算。窗口较长时两者会接近，但在 5 日、10 日这类短窗口里，偏差足以影响波动率排序、仓位缩放和风险阈值。

如果研究代码用 pandas，线上模块改成 NumPy，最好不要依赖默认值，而是明确写出口径：

ret = close.pct_change()

vol_pandas = ret.rolling(20, min_periods=20).std(ddof=0)

vol_numpy = np.std(ret.iloc[-20:].to_numpy(), ddof=0)

这样两端都使用 ddof=0。如果策略定义采用样本标准差，也可以统一设为 1；关键不在于哪个一定正确，而在于研究、回测和生产环境使用同一个定义。

年化时还要再核对两件事。第一，日频波动率常乘以 sqrt(252)，这个 252 是交易日尺度，不应直接套到周频或分钟数据。第二，窗口中若有缺失值，pandas 会结合 min_periods 决定是否输出结果，而 NumPy 的 std 遇到 NaN 会返回 NaN；如果改用 nanstd，有效样本数又会变化。处理停牌、上市初期和数据缺口时，应同时记录有效观测数。

我现在会把 window、ddof、min_periods 和年化系数一起放进策略配置，并用一段固定收益率做单元测试。波动率只是一个数字，但只要口径没锁定，后面的风险预算再精细，也可能建立在两套不同的输入上。