Python金融大数据分析-回归分析

1.pandas的线性回归

回归分析是金融中一个绕不过的话题，其实最好的工具应该是R语言，但是pandas其实也是能够胜任绝大部分工作的。

这里我们就简单介绍一下。

    import pandas as pd
    import numpy as np
    import matplotlib.pyplot as plt
    noise = np.random.normal(0,12,100)
    x= np.array(range(100))
    y = 0.7*x + noise
    pp = pd.DataFrame({'xvalue':x,'yvalue':y})
    model = pd.ols(y=pp['yvalue'],x=pp['xvalue'])
    print model
    plt.plot(x,y,'r.')
    plt.plot(x,model.beta[1]+model.beta[0]*x,'b')
[/code]

代码很简单，不用做过多的解释

我们可以看一下程序的输出，以及图形上的表示。

![](https://img-
blog.csdn.net/20161212234139026?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXRseXg=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)  

这里，pandas的回归给出了上图的分析。决策系数是0.7621，调整后的是0.7597，不过笔者这里有一个疑问，一元线性回归的调整系数有意义吗？

p-value很小&