【Python实例第23讲】Ledoit-Wolf 协方差估计法

最新推荐文章于 2024-05-12 11:49:13 发布

Goodsta

最新推荐文章于 2024-05-12 11:49:13 发布

阅读量5.1k

点赞数 1

文章标签： python

本文链接：https://blog.csdn.net/wong2016/article/details/84891888

版权

本文介绍了Ledoit-Wolf协方差估计法，这是一种用于正则化的协方差估计方法，由Ledoit和Wolf在2004年提出。相比于传统的最大似然估计，LW方法通过优化准则找到最佳缩水参数。文章通过正态分布数据的模拟实验，对比了LW与OAS两种协方差估计方法的MSE，展示了在不同样本量下的性能，并提供了实现代码。

摘要由CSDN通过智能技术生成

机器学习训练营——机器学习爱好者的自由交流空间（入群联系qq：2279055353）

通常的协方差最大似然估计能够使用缩水(shrinkage)的方法正则化。Ledoit and Wolf在2004年提出，通过最小化MSE的准则，计算渐近最优的缩水参数，产生了以他们的名字命名的Ledoit-Wolf协方差估计法。chen等人进一步在2010年提出了Ledoit-Wolf缩水参数的改进，即，OAS系数，在正态假设下，它的收敛性更好。

在这个例子里，使用正态分布的数据，我们通过计算LW and OAS的MSE, 比较这两种协方差估计法。这里使用的协方差矩阵是模拟自时间序列AR(1)过程，计算不同样本量下估计的MSE与缩水系数，作图比较。

实例代码

import numpy as np
import matplotlib.pyplot as plt
from scipy.linalg import toeplitz, cholesky

from sklearn.covariance import LedoitWolf, OAS

np.random.seed(0)
n_features = 100
# simulation covariance matrix (AR(1) process)
r = 0.1
real_cov = toeplitz(r ** np.arange(n_features))
coloring_matrix = cholesky(real_cov)

n_samples_range = np.arange(6, 31, 1