pca的量化应用学习

pca的量化应用学习：

学习内容：

import pandas as pd
import numpy as np
from pylab import mpl,plt
plt.style.use('seaborn')
mpl.rcParams['font.family']='serif'
pd.set_option('display.width', None)  # 设置字符显示宽度
pd.set_option('display.max_rows', 50)  # 设置显示最大行

filename='tr_eikon_eod_data.csv'
data=pd.read_csv(filename,index_col=0,parse_dates=True)
rets=np.log(data/data.shift(1))
#pct=data.pct_change()
print(rets.corr())
avg=np.array(rets.mean())
#print(avg)
C=np.array(rets.corr())#收益率的协方差矩阵
w, v = np.linalg.eig(C)#特征值，特征向量
#print(w,v)
index = np.argsort(-w)
tran=np.array(v.T[index[:len(w)]])
w_=-1*np.sort(-w)#排序后得到特征值矩阵np.diag(w_)和转换矩阵tran
#print(np.dot(tran.T,np.dot(np.diag(w_),tran)))
b0=[]
b=[]
a0=[]
a=[]
s0=0
s=0
for i in range(0,11):
    b0.append(w_[i]/(np.sum(w_)))
    s0+=b0[i]
    a0.append(s0)
print(b0)#计算方差贡献率
print(a0)
k=3#根据累计方差贡献率确定主成分个数
for i in range(0,k):
    b.append(w_[i]/(sum(w_[:k])))
    s+=b[i]
    a.append(s)
print(b)#计算方差贡献率
print(a)
#提取成分矩阵
B=tran[:k,]
#print(B)#y=B*x
#print(rets-avg)
df_B=pd.DataFrame(B)
x=np.array(rets-avg).T
df_x=pd.DataFrame(x.T)
y=np.dot(B,x)#x已经零均值化，x=np.array(rets-avg).T
df_y=pd.DataFrame(y.T)
print(df_B)
df_x.cumsum().apply(np.exp).plot()
df_y.cumsum().apply(np.exp).plot()
plt.show()
'''
得到的结论：通过pca，可以将各种资产收益率的时间序列抽出线性无关的k个组成部分，
每种资产都可以通过这k个主成分线性组合配置得到
主成分之间是没有相关性的！！！！

'''

---