python rolling regression. 使用 Python 实现滚动回归

最新推荐文章于 2024-08-13 17:44:41 发布
最新推荐文章于 2024-08-13 17:44:41 发布
阅读量1.2w 收藏 47
点赞数 7
分类专栏： 机器学习 python 时间序列 文章标签： python regression 回归
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44607126/article/details/103099303
版权

滚动回归

所谓滚动回归，通常用在时间序列上。记当前时刻为 t，回归时长为 s，则一直使用 x_{t-s}, x_{t-s+1}, ..., x_{t-1}当作自变量来预测 y_{t}。使用滚动回归的目的通常是为了避免未来函数对于回归的影响。

具体来说，如果我们直接用所有数据来建立线性回归模型，则回归系数 \hat\beta=(X'X)^{-1}Xy ，是关于所有 x 与所有 y 的函数。然而，我们在 x_{t} 时是不知道未来的数据点的！如果使用全部数据进行回归则相当于未卜先知，会造成严重的过拟合。

Python实现

之前 python 的 pandas 与 statsmodels 库均支持滚动回归，但是现在两个都不支持。因此如果大家使用的是最新版的 pandas 与 statsmodels ，那么网上的那些做法均没有用。

目前我找到的唯一可以实现滚动回归的 python 库是 pyfinance，代码如下：

from pyfinance.ols import PandasRollingOLS

results = PandasRollingOLS(x, y, window)  # window 是滚动回归的自变量个数
results.solution  # 每一步估计的截距与斜率
results.beta  # 每一步估计的斜率
results.alpha  # 每一步估计的截距
results.predicted  # 每一步估计的样本内预测值

 

antiemperor
关注
专栏目录
python rolling regression. 使用 Python 实现滚动回归操作
09-16
滚动回归（Rolling Regression）是一种统计分析方法，特别适用于时间序列数据分析。它通过不断地使用新的数据窗口进行回归分析，以跟踪模型参数的变化，从而提供了一种评估数据随时间变化影响的有效手段。这种方法...
Python实现滚动回归模型(RollingOLS算法)项目实战
胖哥真不错的博客
01-15 1895
Python实现滚动回归模型(RollingOLS算法)项目实战
pandas 的 rolling regression
weixin_48115204的博客
06-29 3357
Pandas的Rolling 使用pandas的rolling时，pandas DataFrame rolling 后的 apply 只能处理单列，就算用lambda的方式传入了多列，也不能返回多列 。因此如果想要做一个滚动的多元线性回归，则非常不方便。 最早的时候，有人问过这样子的问题 当时的解决办法是： model = pd.stats.ols.MovingOLS(y=df.Y, x=df[['X1', 'X2', 'X3']], win
【视频讲解】滚动回归Rolling Regression、ARIMAX时间序列预测Python、R实现应用
最新发布
拓端研究室TRL
08-13 835
原文链接：https://tecdat.cn/?p=37338分析师：Jixin Zhong本文将通过视频讲解，展示如何用滚动回归预测，并结合一个R语言多元时间序列滚动预测：ARIMA、回归、ARIMAX模型分析实例的代码数据，为读者提供一套完整的实践数据分析流程（点击文末“阅读原文”获取完整代码数据）。视频滚动回归估计是于一个大规模样本范畴内，以滚动的形式接连选取一系列的小规模样本，并运用与大规...
Stata：滚动回归的五个命令-rolling
Stata连享会
07-05 5843
????全文阅读：https://www.lianxh.cn/news/4780bcf1d61c0.html 目录 1. 滚动窗口回归 2. rollreg 命令 3. rolling 命令 4. rolling2 命令 5. asreg 命令 6. 参考文献 7. 相关推文 1. 滚动窗口回归 此前，连享会分享了推文「滚动吧统计量！Stata数据处理」(微信版)，重点介绍了如果获取滚动窗口统计量，如均值、标准差等。 在实证中分析中，我们也经常要以某个长度的窗口进行滚动回归。例如，在计算
chatgpt赋能python：Python如何解读滚动回归结果
tutan123321的博客
06-16 343
滚动回归是一种预测未来数据趋势的方法。它使用历史数据进行训练，并根据预测结果进行调整和适应。滚动回归模型通常用于时间序列数据，例如股市价格、销售趋势、天气预报等。本文由chatgpt生成，文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型，只是展现它原本的实力。对于颠覆工作方式的ChatGPT，应该选择拥抱而不是抗拒，未来属于“会用”AI的人。🧡AI职场汇报智能办公文案写作效率提升教程 🧡专注于AI+职场+办公方向。下图是课程的整体大纲。
Python数据分析必备：Pandas中rolling方法的完全指南
weixin_68789096的博客
01-23 3047
除了内置的滚动函数，还可以使用apply方法来应用自定义函数进行滚动计算。能够执行任何你需要的操作。# 创建示例数据框# 创建rolling对象并应用自定义函数自定义函数可以根据具体需求执行各种滚动计算。下面是两个示例函数，分别用于计算滚动差值和百分比变化。计算滚动差值# 创建示例数据框# 创建rolling对象并应用自定义函数在这个示例中，使用diff方法来计算差值，然后将其应用到rolling对象上。计算滚动百分比变化# 创建示例数据框# 创建rolling对象并应用自定义函数。
Pandas滑动窗口函数rolling()的使用方法（入门够用）
嵌入式技术与人工智能
09-08 6568
pandas中的rolling函数，这个函数可以被Series对象调用，也可以被DataFrame对象调用，这个函数主要是用来做移动计算的。 在时间序列中，还有另外一个比较重要的概念—滑动窗口。滑动窗口指的是根据指定的单位长度来框住时间序列，从而计算框内的统计指标。相当于一个长度指定的滑块在刻度尺上面滑动，每滑动一个单位即可反馈滑块内的数据。
什么是Fama Macbeth回归与滚动回归？
zy1992As的博客
11-22 1252
Fama-MacBeth回归和滚动回归都是用于处理时间序列数据的回归分析方法。
基于Python实现LinearRegression.rar
07-15
基于Python实现LinearRegression.rar
线性回归的Python实现.zip
06-17
在Python中，我们可以使用多种库来实现线性回归，如NumPy、Pandas和Scikit-learn等。这个"线性回归的Python实现.zip"文件包含了关于如何从零开始构建线性回归模型的代码示例，这对于学习和理解线性回归的基本原理...
homework_week_1.rar_python_regression_回归python
09-23
总之，"homework_week_1.rar_python_regression_回归python"的主题涵盖了Python环境下的回归和分类学习，通过`Week+1+hw.md`和`Week+1+hw.pdf`文件，你可以系统地学习和实践这些概念和技术，从而提升你在数据分析和...
R语言多元时间序列滚动预测：ARIMA、回归、ARIMAX模型分析
拓端研究室TRL
06-23 394
原文链接：http://tecdat.cn/?p=22849当需要为数据选择最合适的预测模型或方法时，预测者通常将可用的样本分成两部分：内样本（又称 "训练集"）和保留样本（或外样本，或 "测试集"）。然后，在样本中估计模型，并使用一些误差指标来评估其预测性能。如果这样的程序只做一次，那么这被称为 "固定原点 "评估。然而，时间序列可能包含离群值，一个差的模型可能比更合适的模型表现得更好。为了加强...
python回归分析_RollingRegression（滚动回归分析）之Python实现
weixin_35698867的博客
02-20 3027
# -*- coding: utf-8 -*-"""Created on Sat Aug 18 11:08:38 2018@author: acadsoc"""import pandas as pdimport numpy as npimport matplotlibimport matplotlib.pyplot as pltfrom pyecharts import Bar, Line, Pa...
使用statsmodels内的RollingOLS类，python多线程滚动回归的办法
Achang的博客
09-19 2587
滚动回归部分考虑更换为标准库statsmodels内的RollingOLS类，对应版本：0.11。 使用statsmodels内的RollingOLS类，python多线程滚动回归的办法
STATA做滚动窗口回归
热门推荐
sinat_37346717的博客
05-06 2万+
在做回归之前要先设置时间（这里我们用的时间变量名为time，数据是1到60） tsset time 然后就可以开始做回归了（回归结果会覆盖之前的数据集，记得保存好之前的数据） rolling, window(30) recursive rrecursive : regress y x1 x2 切记 recursive rrecursive只能同时存在一个 recursive 命...
什么是Fama Macbeth回归、滚动回归？
zy1992As的博客
04-02 584
Fama-MacBeth回归和滚动回归都是用于处理时间序列数据的回归分析方法。
pandas库实现线性回归拟合实践
m0_73291751的博客
04-02 2468
然后，我们可以通过 pandas 读取数据，使用 linregress 函数进行线性回归拟合。在这个例子中，我们使用 linregress 函数计算拟合直线的斜率和截距。这个函数返回的值中包含了很多统计信息，例如拟合直线的斜率、截距、相关系数、p 值等等。除了线性回归，pandas 库还可以配合其他的拟合函数（例如多项式回归、指数函数拟合等）进行拟合操作。在实现不同类型的拟合时，可以使用不同的科学计算库和拟合函数。通过上述代码，我们就可以得到拟合直线的斜率和截距。# 计算拟合直线的斜率和截距。
python如何运用ols_如何用最新版本的Pandas进行OLS回归
weixin_39997400的博客
12-04 1427
虽然通常我建议在滚动的基础上应用statsmodels.ols之类的东西，但是您的数据集很大(258k行上有1000个窗口)，这样会遇到内存错误。因此，您可以使用线性代数方法来计算系数，然后将这些系数应用于解释变量的每个窗口。有关详细信息，请参见A Matrix Formulation of the Multiple Regression Model。在*要查看statsmodels的实现，请参阅...
利用python实现Alpha模型
05-10
Alpha模型是一种用于预测股票价格走势的模型，它基于历史数据，通过对数据进行分析和处理，得出一些可以预测未来股票价格走势的因子（即Alpha因子），并利用这些因子进行股票价格预测。 下面是一个简单的用Python实现Alpha模型的示例： 1. 数据获取和处理 首先，需要从数据源获取股票的历史价格数据，例如从Yahoo Finance获取。然后，使用pandas库对数据进行处理和分析，计算出一些可以作为Alpha因子的指标，例如股票的收盘价、成交量、市盈率等。 ```python import pandas as pd # 从Yahoo Finance获取股票历史数据 df = pd.read_csv('AAPL.csv') # 计算收盘价的5日移动平均线 df['SMA5'] = df['Close'].rolling(window=5).mean() # 计算5日收盘价的标准差 df['STD5'] = df['Close'].rolling(window=5).std() # 计算5日成交量的平均值 df['VOL5'] = df['Volume'].rolling(window=5).mean() # 计算市盈率 df['PE'] = df['Close'] / df['EPS'] # 计算市净率 df['PB'] = df['Close'] / df['BVPS'] ``` 2. Alpha因子计算 接下来，按照Alpha模型的要求，使用计算出来的指标进行Alpha因子的计算。例如，可以使用以下公式计算Alpha因子： ```python # 计算Alpha因子 df['Alpha'] = (df['Close'] - df['SMA5']) / df['STD5'] + df['VOL5'] / df['VOL5'].shift(1) + df['PE'] + df['PB'] ``` 3. 预测股票价格 最后，利用计算出来的Alpha因子预测未来的股票价格。可以使用机器学习算法，例如线性回归、决策树等，来建立模型并进行预测。 ```python from sklearn.linear_model import LinearRegression # 构建线性回归模型 model = LinearRegression() # 使用Alpha因子作为特征进行训练 X = df[['Alpha']] y = df['Close'] model.fit(X, y) # 预测未来5天的股票价格 future_alpha = [1.5, 0.8, 1.2, 1.0, 1.3] future_price = model.predict([future_alpha]) print(future_price) ``` 以上是一个简单的Alpha模型实现示例，实际应用中需要根据具体情况进行调整和优化。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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