本系列文章配套代码获取有以下三种途径：
-
可以在以下网站查看，该网站是使用JupyterLite搭建的web端Jupyter环境，因此无需在本地安装运行环境即可使用，首次运行浏览器需要下载一些配置文件（大约20M）：
https://returu.github.io/Python_Data_Analysis/lab/index.html-
也可以通过百度网盘获取，需要在本地配置代码运行环境，环境配置可以查看【Python基础】2.搭建Python开发环境：
链接：https://pan.baidu.com/s/1MYkeYeVAIRqbxezQECHwcA?pwd=mnsj提取码：mnsj
-
前往GitHub详情页面，单击 code 按钮，选择Download ZIP选项：
https://github.com/returu/Python_Data_Analysis根据《Python for Data Analysis 3rd Edition》翻译整理
—————————————————–
本次依旧使用上篇的历史股票数据。
1>>> stock = pd.read_csv("data/stock.csv",parse_dates=True, index_col=0)
2>>> stock_3 = stock[["AAPL", "MSFT", "XOM"]]
3>>> stock_3 = stock_3.resample("B").ffill()
4>>> stock_3
指定一个常数衰减因子以便为更多近期观察值赋予更多权重，可以替代使用具有相同加权观察值的静态窗口大小的方法。由于指数加权统计数据更重视更近期的观察结果，因此与等权重版本相比，它对变化“适应”地更快。
有几种方法可以指定衰减因子。其中，一个流行的方法是使用跨度span，这使得结果与窗口大小等于跨度的简单移动窗口函数。pandas 具有 ewm 算子（代表指数加权移动）。
1DataFrame.ewm(com=None,
2 span=None,
3 halflife=None,
4 alpha=None,
5 min_periods=0,
6 adjust=True,
7 ignore_na=False,
8 axis=0,
9 times=None,
10 method='single')
-
com：根据质心指定衰减， α=1/(1+com), for com≥0；
-
span ：根据范围指定衰减， α=2/(span+1), for span≥1；
-
halflife ：根据半衰期指定衰；减，
α=1−exp(log(0.5)/halflife),forhalflife>0； -
alpha：直接指定平滑系数α，
0<α≤1； -
min_periods ：窗口中具有值的最小观察数；
-
adjust：是否进行误差修正；
-
ignore_na：算权重时忽略缺失值。
1>>> aapl_px = stock_3["AAPL"]["2006":"2007"]
2>>> aapl_px
32006-01-02 71.89
42006-01-03 74.75
52006-01-04 74.97
62006-01-05 74.38
72006-01-06 76.30
8 ...
92007-12-25 198.80
102007-12-26 198.95
112007-12-27 198.57
122007-12-28 199.83
132007-12-31 198.08
14Freq: B, Name: AAPL, Length: 521, dtype: float64
15
16
17>>> ma30 = aapl_px.rolling(30, min_periods=20).mean()
18>>> ma30
192006-01-02 NaN
202006-01-03 NaN
212006-01-04 NaN
222006-01-05 NaN
232006-01-06 NaN
24 ...
252007-12-25 181.520333
262007-12-26 182.615000
272007-12-27 183.757333
282007-12-28 184.872000
292007-12-31 186.009667
30Freq: B, Name: AAPL, Length: 521, dtype: float64
31
32
33>>> ewma30 = aapl_px.ewm(span=30).mean()
34>>> ewma30
352006-01-02 71.890000
362006-01-03 73.367667
372006-01-04 73.937767
382006-01-05 74.059619
392006-01-06 74.569360
40 ...
412007-12-25 184.441771
422007-12-26 185.377786
432007-12-27 186.228897
442007-12-28 187.106387
452007-12-31 187.814362
46Freq: B, Name: AAPL, Length: 521, dtype: float64
绘制对比图：
1>>> aapl_px.plot(style="k-", alpha=0.4 ,label="Original data" , figsize=(10,6))
2
3>>> ma30.plot(style="-", label="Rolling")
4
5>>> ewma30.plot(style="-", label="EWA")
6
7>>> plt.legend() # 创建图例
一些统计运算符，如相关性和协方差，需要对两个时间序列进行运算。
例如，金融分析师通常对股票与标准普尔 500 指数等基准指数的相关性感兴趣。为了了解这一点，我们首先计算我们感兴趣的所有时间序列的百分比变化：
1>>> spx_px = stock["SPX"]
2>>> spx_px
32003-01-02 909.03
42003-01-03 908.59
52003-01-06 929.01
62003-01-07 922.93
72003-01-08 909.93
8 ...
92011-10-10 1194.89
102011-10-11 1195.54
112011-10-12 1207.25
122011-10-13 1203.66
132011-10-14 1224.58
14Name: SPX, Length: 2214, dtype: float64
15
16>>> spx_rets = spx_px.pct_change()
17>>> spx_rets
182003-01-02 NaN
192003-01-03 -0.000484
202003-01-06 0.022474
212003-01-07 -0.006545
222003-01-08 -0.014086
23 ...
242011-10-10 0.034125
252011-10-11 0.000544
262011-10-12 0.009795
272011-10-13 -0.002974
282011-10-14 0.017380
29Name: SPX, Length: 2214, dtype: float64
30
31>>> returns = stock_3.pct_change()
32>>> returns
33 AAPL MSFT XOM
342003-01-02 NaN NaN NaN
352003-01-03 0.006757 0.001421 0.000684
362003-01-06 0.000000 0.017975 0.024624
372003-01-07 -0.002685 0.019052 -0.033712
382003-01-08 -0.020188 -0.028272 -0.004145
39... ... ... ...
402011-10-10 0.051406 0.026286 0.036977
412011-10-11 0.029526 0.002227 -0.000131
422011-10-12 0.004747 -0.001481 0.011669
432011-10-13 0.015515 0.008160 -0.010238
442011-10-14 0.033225 0.003311 0.022784
45
46[2292 rows x 3 columns]
在我们调用rolling之后，corr 聚合函数可以根据 spx_rets 计算滚动相关性：
1>>> corr = returns["AAPL"].rolling(125, min_periods=100).corr(spx_rets)
2
3>>> corr.plot(figsize=(10,6))
假设您想同时计算标准普尔 500 指数与多只股票的滚动相关性。您可以像上面所做的那样为每只股票编写一个循环来计算它，但是如果每只股票都是单个 DataFrame 中的一列，我们可以通过在 DataFrame 上调用rolling 并传递 spx_rets 来一次计算所有滚动相关性。
1>>> corr = returns.rolling(125, min_periods=100).corr(spx_rets)
2
3>>> corr.plot(figsize=(10,6))
在rolling及其相关方法上使用apply方法，提供了一种在移动窗口中应用你自己设计的数组函数的方法。唯一的要求是，该函数从每个数组中产生一个单值（缩聚）。
例如，尽管我们可以使用rolling(...).quantile(q) 计算样本的分位数，但是我们可能对特定值在样本中的百分位数感兴趣。scipy.stats.percentileofscore 函数就是实现该功能的：
1# 如果您还没有安装 SciPy，您可以使用 conda 或 pip 安装它：conda install scipy
2>>> from scipy.stats import percentileofscore
3
4>>> def score_at_2percent(x):
5... return percentileofscore(x, 0.02)
6
7
8>>> result = returns["AAPL"].rolling(250).apply(score_at_2percent)
9>>> result
102003-01-02 NaN
112003-01-03 NaN
122003-01-06 NaN
132003-01-07 NaN
142003-01-08 NaN
15 ...
162011-10-10 92.4
172011-10-11 92.0
182011-10-12 92.0
192011-10-13 92.0
202011-10-14 91.6
21Freq: B, Name: AAPL, Length: 2292, dtype: float64
绘图：
1>>> result.plot(figsize=(10,6))
本篇文章来源于微信公众号: 码农设计师
