rolling vs expanding：固定窗口与累计窗口
我的掌握程度：
先掌握这个答案
rolling(N)：固定长度N——过去N天的统计。expanding(min_periods=N)：从开始到现在的全部——历史分位数、累计收益。典型用途：rolling→动量/波动/换手均值（时效性强）；expanding→历史分位（PE处于历史什么位置）、累计最大值/最小值。min_periods：expanding(min_periods=252)要求至少252天才出值——之前NaN——防止小样本统计误导。
先读结论，再核对下方使用边界；数字例题为教学情景，涉及实际行情与规则时请核对原始来源。
从理解到使用
本阶段实战方法 · 一条能复现的数据流水线
把接口返回的数据变成可用于因子研究的面板时，先处理时点、主键与单位。
- 建立数据字典：字段、单位、时区、交易日历、数据源、抓取时间、原始价与复权因子。
- 用(date, code)查重，区分停牌、未上市、窗口不足和真实缺失；不要用向后填充把未来值带回过去。
- 保存原始快照与清洗日志，固定随机种子和环境版本；接口字段变化时先核对官方文档。
使用边界
- 报告期不等于公告可用日，盘后公告通常不能用于当天收盘前决策。
- API输出名为“动态市盈率”时不能直接改名TTM；浏览器练习不支持任意原生库或行情抓取接口。
不懂的术语：动量（Momentum）
背景 · 从一个困惑说起
rolling(20)只看最近20天——像滑动的放大镜；expanding()看从第一行到现在的全部历史——像全景相机。一个关注「最近怎么样」、一个关注「有史以来怎么样」。
由此产生的问题
两者的语义差异与典型用途？expanding的min_periods坑？什么时候用哪个？
核心概念
rolling(N)：固定长度N——过去N天的统计。expanding(min_periods=N)：从开始到现在的全部——历史分位数、累计收益。典型用途：rolling→动量/波动/换手均值（时效性强）；expanding→历史分位（PE处于历史什么位置）、累计最大值/最小值。min_periods：expanding(min_periods=252)要求至少252天才出值——之前NaN——防止小样本统计误导。
为什么需要它
①时间尺度的意识：rolling=短期记忆、expanding=长期记忆——因子设计时选哪个=你对信号时效性的判断；②历史分位是expanding的经典应用：「PE处于历史30%分位」=expanding.rank(pct=True)——这是估值择时的标准工具；③rolling在面板必须groupby(code)先（q-314的老规矩）。
实际应用场景
一日一行命令：rolling(20).mean()=20日均值；expanding(252).rank(pct=True)当天PE在全历史中的分位。
与之前知识的联系
q-314（rolling深入）的兄弟——两个窗口类型；expanding的历史分位与q-237（分位数）在此应用。
⚠ 常见误解
- expanding=rolling(全部天数)：不完全等价——expanding是逐日扩大的（每天都多加一天）——不是固定「全部」；首日只有1个数据点
- expanding没有min_periods需求：默认min_periods=1——首日就出值（样本=1的统计毫无意义）——必须手动设置
- rolling和expanding可以互换：rolling看近期（半衰期短）、expanding看全史（无衰减）——因子含义完全不同
🛠 本题实践任务
对你面板中某只股票的PE/收盘价：同时算rolling(60)均值和expanding均值——画两条线对比。expanding更平滑还是更「粘滞」？为什么？
💡 提示（先自己想5分钟再看）
expanding不断纳入新数据但不删除旧数据——所以变化越来越慢（「粘滞」）；rolling只看近60天——反应快。
✅ 验收标准
两条曲线的对照+一句差异解释。窗口选择从拍脑袋变成有意识的设计。
在你的浏览器内运行。首次需联网下载 Python；支持标准库和 Pyodide 提供的 NumPy、pandas 等包。行情抓取、系统文件访问和部分第三方库请在本地环境运行。输出自检仅比对结果关键词，不代替逻辑审查。
Python · 独立工作线程 · 执行限时10秒
🤖 AI导师
导师会先检查你的前置知识（滚动窗口），再用案例、公式和代码帮助理解。此功能需要先启用服务。