ADF检验判断股价是否随机游走

从tushare上下载'002337'的数据

import tushare as ts

data = ts.get_h_data('002337')
data.to_csv('e:/stockData/002337.csv')

做ADF Test:

import pandas as pd
import statsmodels.tsa.stattools as ts

x = pd.read_csv('e:/stockData/002337.csv', encoding='utf-8', index_col='date')
result = ts.adfuller(x.open, 1)
print(result)

ADF检验结果

ADF Test Statistic    -0.60992263732190832
p-value    0.8687241171140645
#Lags Used    1
Number of Observations Used    242
Critical Value(1%)    -3.4576641321552009
Critical Value(5%)     -2.8735585105960224
Critical Value(10%)    -2.5731749894132916

p-value要小于0.05.等于0是最好的。平稳性好,非随机游走,可统计套利。

ADF Test Statistic要小于Critical Value,小于1%时平稳性最好,5%次之,依次类推。

如果ADF Test Statistic大于三个Critical Value,说明股价是随机游走的,无法进行统计套利,要寻找投资组合。

几篇文章http://www.cnblogs.com/foley/p/5582358.html

http://blog.sina.com.cn/s/blog_7439e81e0102vh59.html

转载于:https://www.cnblogs.com/imageSet/p/7630340.html

ADF(Augmented Dickey-Fuller)检验是一种常用的时间序列分析方法,用于判断时间序列数据的平稳性。平稳性是指时间序列的统计特性是否在时间上保持不变,包括均值、方差和自相关性。 ADF检验基于单位根理论,其目的是判断序列是否具有单位根,即是否存在单位根过程(非平稳性)。ADF检验的原假设是存在单位根,备择假设是序列平稳。 ADF检验的具体步骤如下: 1. 收集时间序列数据并构建模型:收集一组时间序列数据,并构建一个经济模型,用于分析序列的特性。 2. 设定滞后期数:根据经验或直觉,设定滞后期数(lags),用于确定模型中的自回归项。 3. 计算差分序列:使用滞后期数对序列进行差分,得到一个新的序列。差分序列的目的是消除序列的趋势和季节性。 4. 设定检验统计量:选择适当的检验统计量,ADF检验使用了多个统计量,常见的有ADF统计量和P值。 5. 设定显著性水平:设定一个显著性水平(通常为0.05),用于判断检验统计量是否显著。 6. 进行ADF检验:运行ADF检验,得到检验统计量的计算值和P值。 7. 判断平稳性:根据P值和显著性水平进行判断。如果P值小于显著性水平,则拒绝原假设,认为序列是平稳的;如果P值大于显著性水平,则接受原假设,认为序列是非平稳的。 需要注意的是,ADF检验只能判断序列是否存在单位根,无法判断序列的平稳性的具体形式,如是否是弱平稳、强平稳等。因此,在进行ADF检验时,需要综合考虑其他方法和经济理论,以确定序列的平稳性。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值