正太分布检验-python金融

本文介绍了在Python中进行正太分布检验的金融应用,包括Skewness Test、Kurtosis Test和Normaltest,检验数据集的正态性。由于得到的p值大于0.05,因此数据被认为符合正态分布。此外,还讨论了如何通过转换数据对期末值进行对数正态分布检验,并使用QQ图进行验证。
摘要由CSDN通过智能技术生成

正太分布检验-python金融应用

严格的检验过程。函数normality_tests包括三种不同的统计检验
Skewness Test(skewtest):这个方式检验样本数据的偏度是否是正态的(也就是偏度是否为0)。
Kurtosis Test(kurtosistest):这个方式检验样本数据的峰度是否为正态的(也就是接近于0)
Normality Test(normaltest):将上述两种方式结合起来检验正态性。
因为p值超过0.05,因此,我们可以认为数据集是正态分布的。
最后,我们来检验期末的值是否确实是对数正态分布,当然通过转换数据,可以进行正态检验。
与正态分布pdf进行对比,并进行QQ图检验。

""" 正太分布检验 """
def normality_tests(arr):
    print("Skew of data set %14.3f" 
Python中,我们可以使用统计和可视化库,如SciPy和Matplotlib,来进行对数正态分布的检查。对数正态分布是一种连续概率分布,如果一个随机变量的对数遵循正态分布,则该随机变量遵循对数正态分布。对数正态分布金融和工程领域中经常出现,用于描述一些正数的随机变量,如收入、股票价格等。 以下是如何使用Python进行对数正态分布检查的基本步骤: 1. 首先,确保你的数据是非负的,因为对数正态分布只在非负值上定义。 2. 使用SciPy库中的`lognorm`类或`stats.lognorm.pdf()`函数来定义对数正态分布,并进行概率密度函数(PDF)的计算。 3. 使用Matplotlib或其他可视化库绘制数据的直方图,并将对数正态分布的PDF曲线绘制在同一图上进行比较。 4. 进行参数估计,用数据拟合对数正态分布的参数。 5. 进行拟合优度检验,如Kolmogorov-Smirnov检验(K-S检验),来判断数据是否符合对数正态分布。 这里是一个简单的代码示例,说明如何实现上述步骤: ```python import numpy as np import scipy.stats as stats import matplotlib.pyplot as plt # 假设data是你要检验的样本数据数组 data = np.random.lognormal(size=1000) # 估计对数正态分布参数 mu_est, std_est = stats.lognorm.fit(data) # 生成对数正态分布的PDF值 xmin, xmax = plt.xlim() x = np.linspace(xmin, xmax, 100) p = stats.lognorm.pdf(x, std_est, scale=np.exp(mu_est)) # 绘制数据的直方图和拟合的对数正态分布曲线 count, bins, ignored = plt.hist(data, bins=50, density=True, alpha=0.6, color='g') plt.plot(x, p, linewidth=2, color='k') title = "Fit results: mu = %.2f, std = %.2f" % (mu_est, std_est) plt.title(title) plt.show() ``` 在上述代码中,我们生成了一个对数正态分布的样本数据,并估计了其参数,然后绘制了直方图和拟合的PDF曲线,并展示了拟合结果。
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