新手发文，欢迎拍砖。
聊一下python开源包pandas中rolling的使用。

缘起

参加了万矿网举办的WQFA初级认证-12月编程考试，有题如下：

       获取2016年01月04日至2018年8月30日，RB.SHF和HC.SHF的日涨跌幅数据，按以下公式，计算螺纹钢主力合约RB.SHF与热卷主力合约HC.SHF每日涨跌幅的滚动回归系数（每120日的数据回归一次） ：

       一看到“滚动”两个字，第一反应就是用rolling()。想都没有想面对的是DataFrame，而不是Series。

       先把代码放上来，献丑了。

代码

import statsmodels.api as sm

def answer_question2():
    # 第2题代码写在这里
    _, p_close = w.wsd(['RB.SHF', 'HC.SHF'], 'close', '20160104', '20180830', usedf=True)
    pct = p_close.pct_change().iloc[1: , :] # 首行为NaN，去除 
    rb_shf = pct['RB.SHF']
    hc_shf = pct['HC.SHF']
    
    # 全局变量，保存滚动回归后的截距
    global_alpha = []
    def rolling_ols(rb):
        '''
        滚动回归，返回滚动回归后的回归系数
        rb: 因变量序列
        '''
        # 数据预处理
        rb.name = 'RB.SHF'
        df = pd.concat([rb, hc_shf], axis=1) # 方便index对齐
        df.dropna(inplace=True)
        
        # 回归
        X = sm.add_constant(df['HC.SHF'])
        model = sm.OLS(df['RB.SHF'], X)    
        results = model.fit()
        
        # 结果输出
        global_alpha.append(results.params['const'])
        return results.params['HC.SHF']
    
    # 滚动回归
    beta = rb_shf.rolling(120).apply(rolling_ols, raw=False)
    
    # 调整结果输出格式
    beta.dropna(inplace=True)
    beta.name = 'beta'
    global_alpha = pd.Series(global_alpha, index=beta.index, name='alpha')
    res = pd.concat([global_alpha, beta], axis=1)
    
    return res

ans2 = answer_question2()
print(ans2)

解析

1. rolling就是滚动窗口统计的函数，最主要的参数就是窗口的宽度，本题中为120;
2. 在解决本题时，发现rolling对Series对象较友好，能保持原来的index;
3. 而如果是对DataFrame对象进行rolling操作的话，会将整个DataFrame拉直为Series看待，同时丢弃掉了index信息;
4. 所以本文借用了index对齐的功能，间接实现了对二维数据的滚动(rolling)操作。

小结

       第一次发简书，欢迎大家指正和交流。本文采用了取巧的方法，避免了写for循环，但是终究是奇巧淫技，能够熟练地看文档，才是正途。同时献上官方参考答案，以供对比学习。感谢万矿提供这样一个学习和共享的平台。