Python金融大数据分析——第9章 数学工具 笔记

第9章 数学工具

9.1 逼近法

在给定区间内通过回归和差值求取该函数的近似值。 首先，我们生成该函数的图形， 更好地观察逼近法所实现的结果。我们感兴趣的区间是[-2π,2π]。下图显示了该函数在通过linspace函数定义的固定区间上的图像。np.linspace(start, stop,num）返回从 star 开始 ， stop 结束的 num 个点， 两个连续点之间的子区间均匀分布：

import numpy as np
import matplotlib.pyplot as plt


def f(x):
    return np.sin(x) + 0.5 * x


x = np.linspace(-2 * np.pi, 2 * np.pi, 50)
plt.plot(x,f(x),'b')
plt.grid(True)
plt.xlabel('x')
plt.ylabel('f(x)')

9.1.1 回归

回归是相当高敬的函数近似值计算工具。 它不仅合求取一维函数的近似值， 在更高维度上也很有效。 得出回归结果所需要的数值化方法很容易实现． 执行也很快速。 本质上， 回归的任务是在给定一组所谓 “基函数” b_d，d∈{1,…,D} 的情况下，根据下面的公式找出最优参数$a_1^*...a_D^*$，其中对于i∈{1,…I}观察点，yi ≡ f(xi)。xi 可以视为自变量观测值，yi 可以视为因变量观测值。
最小化回归问题公式：

$$\min\limits_{a_1,...a_D}\frac{1}{I}\sum_{i=1}^I(y_i-\sum_{d=1}^Da_d·b_d(x_i))^2$$

1. 作为基函数的单项式

最简单的情况是以单项式作为基函数——也就是说 b1=1,b2=x,b3=x2,b4=x3... b 1 = 1 , b 2 = x , b 3 = x 2 , b