TA-libに、統計的機能のための共通基盤を提供する時系列移動ウィンドウに基づいて計算されます。ベータのTA-Libのを注意してください、例が最低の配列と株式の最高価格モバイルベータ値のために努力することで、デフォルトの期間は5日間で、一般的には資本資産価格は、市場（マーケット・インデックスに株式を相対分析することです）の変動。
BETA：ベータ係数人当たり資産価格モデル（CAPM）ベータ係数の資本資産価格モデル：
ta.BETA（高、低、時間期間= 5）、移動ベータ（回帰分析）の値の2つのシーケンスの和
CORREL：ピアソンの相関係数（r）はピアソン相関係数：
ta.CORREL（高、低、時間期間= 30）
LINEARREG：線形回帰線形回帰：
ta.LINEARREG（近い、時間期間= 14）、時系列Tの線形回帰の終値、及び予測値を出力します。
LINEARREG_ANGLE：線形回帰角度接線角度の線形回帰の傾き：
シーケンスの時間tの線形回帰のta.LINEEARREG_ANGLE（近い、時間期間= 14）終値、及び予測値を出力します。
LINEARREG_INTERCEPT：線形回帰角度線形回帰インターセプト：
ta.LINEARREG_INTERCEPR（近い、時間期間= 14）
LINEARREG_SLOPE：線形回帰の線形回帰スロープスロープ：
ta.LINEARREG_SLOPE（近い、時間期間= 14）
STDDEV：標準偏差の標準偏差：
ta.STDDEV（近くに、時間期間= 5、nbdev = 1）、デフォルトではすべての5つの終値標準偏差
TSF：時系列予測時系列予測：
ta.TSF（近い、時間期間= 14）
VAR：分散の分散：
ta.VAR（近い、時間期間= 5、nbdev = 1）
インポートのPdとしてパンダ インポートのNPとしてnumpyの インポートPLTのようmatplotlib.pyplot インポートTaなどタリブ インポートのTSとしてtushare plt.rcParams [ ' font.sans-セリフ' ] = [ ' SimHei ' ] plt.rcParams [ ' axes.unicode_minus ' ] = Falseの DEF get_data（コードは、=開始' 2015年1月1日' ）： DF = ts.get_k_data（コード、開始） df.index = pd.to_datetime（df.date） DF =df.sort_index（） 戻りDF DF = get_data（' SH '）[ ' オープン'、' クローズ'、' 高い'、' 低い' ]] DF [ ' linearreg ' ] = ta.LINEARREG（df.close、時間期間= 14 ） DF [ ' TSF ' ] = ta.TSF（df.close、時間期間= 14 ） df.loc [ ' 2018年8月1日'：[ ' 近いです'、'linearreg' ' TSF ' ] ] .PLOT（figsize =（12,6））
DF [ 'β ' = ta.BETA（df.high、df.low、時間期間= 5 ） [DF ' CORREL ' ] = ta.CORREL（df.high、df.low、時間期間= 30 ） [DF ' STDEV ' ] = ta.STDDEV（df.close、時間期間= 5、nbdev = 1 ） [DF ' クローズ' ' ベータ' ' CORREL ' ' STDEV ' ] ] .PLOT（figsize =（18,8）サブプロット= trueの場合、レイアウト=（2,2 ）） plt.subplots_adjust（wspace = 0、HSPACE = 0.2）
