利用python对资产收益率进行正态检验

利用python对资产收益率进行正态检验？

代码如下，根据已知资产的日价格变化趋势，证明其价格服从几何布朗运动（也就是日收益率服从正态分布，且每天相互独立）

import pandas as pd
import numpy as np
from pylab import mpl,plt
import scipy.stats as scs
import statsmodels.api as sm
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)
#print(data)
symbols=["AAPL.O",  "MSFT.O" ,"AMZN.O"  ,"GDX" , "GLD"]
noa=len(symbols)
data=pd.DataFrame(data[symbols]).dropna()
price=data/data.iloc[0]*100
rets=np.log(data/data.shift(1))

rets.plot.hist(bins=50,subplots=True) # ——————————————————————第一步，分析各种资产收益率分布
plt.show()

def print_statistics(array):
    """
    Prints selected statistics
    :param array: object to generate statistic on
    :return:
    """
    sta = scs.describe(array)
    print("%14s %15s" % ('statistic', 'value'))
    print(30 * "-")
    print("%14s %15.5f" % ('size', sta[0]))
    print("%14s %15.5f" % ('min', sta[1][0]))
    print("%14s %15.5f" % ('max', sta[1][1]))
    print("%14s %15.5f" % ('mean', sta[2]))
    print("%14s %15.5f" % ('std', np.sqrt(sta[3])))
    print("%14s %15.5f" % ('skew', sta[4]))#偏度  =0正态  >0左偏  <0右偏
    print("%14s %15.5f" % ('kurtosis', sta[5]))#峰度  =0正态  >0尖  <0平

for sym in symbols:# ————————————————————————第二步，分析每种资产的统计量，包括峰度和偏度
    print("\nResults for symbol %s" % sym)
    print(30 * "-")
    log_data = np.array(rets[sym].dropna())
    print_statistics(log_data)
    # print(scs.describe(log_data))

# 通过 qq 图检查数据与正态分布的贴近程度（这里只举了一个例子）
sm.qqplot(rets[symbols[1]].dropna(), line='s')
plt.grid(True)
plt.xlabel('theoretical quantiles')
plt.ylabel('sample quantiles')
plt.show()



# ——————————————————————————————第三步，正式的正态分析
def normality_tests(arr):
    """
    Tests for normality distribution of given data set
    :param arr: ndarray
    object to generate statistics on
    :return:
    """
    print("Skew of data set  %14.3f" % scs.skew(arr))
    print("Skew test p-value %14.6f" % scs.skewtest(arr)[1])
    print("Kurt of data set  %14.3f" % scs.kurtosis(arr))
    print("Kurt test p-value %14.6f" % scs.kurtosistest(arr)[1])
    print("Kurt test p-value %14.6f" % scs.normaltest(arr)[1])
for sym in symbols:
    print("\nResults for symbol %s" % sym)
    print(30 * "-")
    log_data = np.array(rets[sym].dropna())
    normality_tests(log_data)

关于qq图的解读

红线表示y=x，即要求理想正态分布的分位数与实际对比，如图所示，当正态分布接近尾部时，样本分位数突然增加，显示出大尾巴的特点，因而认为其不是正态分布