我试图从名为base_retorno_diario
Data IBOV ABEV3 AEDU3 ALLL3 BBAS3 BBDC3 BBDC4
1 2000-01-04 -0.063756245 0.00000000 0 0 -0.029935852 -0.080866107 -0.071453347
2 2000-01-05 0.024865308 -0.03762663 0 0 -0.008082292 0.043269231 0.060889055
3 2000-01-06 -0.008510238 -0.03157895 0 0 0.014074074 0.014285714 0.008098592
4 2000-01-07 0.012557359 -0.02484472 0 0 -0.022644266 0.017719219 0.000000000
5 2000-01-10 0.043716564 0.00000000 0 0 0.050074738 0.005357143 0.006985679
6 2000-01-11 -0.026401514 -0.02388535 0 0 -0.008540925 -0.059058615 -0.046479362
新数据框的第一行(n_row
和n_col
是返回数据框base_retorno_diario
上的行数和列数)
EWMA_VARIANCE = as.data.frame( base_retorno_diario[1,2:n_col]^2 )
然后我创建了以下循环
i = 2
while(i<=n_row){
EWMA_VARIANCE = rbind(EWMA_VARIANCE,
EWMA_VARIANCE[(i-1), 1:(n_col-1)] * DECAY_FACTOR +
(1-DECAY_FACTOR) * base_retorno_diario[i,2:n_col]^2
)
i=i+1
}
它工作正常,但它花费的时间太长(原始数据框有3560个101个变量),在这种情况下是否还有避免循环? DECAY_FACTOR = 0.97
答案 0 :(得分:4)
你可以用一些矩阵代数来避免这个循环。假设原始数据是向量(a_1, a_2, a_3, ..., a_n)
,我们希望根据您的定义创建EWMA方差(x_1, x_2, x_3, ..., x_n)
。让d
成为衰变因子。如果我正确理解你的代码,你目前有一个递归定义
这让事情变得困难。我相信这种非递归定义是相同的
这使我们可以利用一些线性代数来完成矩阵乘法的工作。为简洁起见,我将为您的data.frame和衰减因子
分配较短的变量名称dd <- base_retorno_diario
d <- DECAY_FACTOR
现在我们首先计算所有的平方值,然后采用我们可以看到的成对差异,这是非递归定义的一部分。
asquare <- as.matrix(dd[,2:7])^2
asqdiffs <-sapply(data.frame(asq), diff)
现在我们创建一个值为d
的适当矩阵,它是非递归定义的求和部分,然后执行减法(初始项有一点偏移)
dx <- outer(1:nrow(asqdiffs), 1:nrow(asqdiffs), FUN=function(x,y)
ifelse(x>=y, d^(x-y+1),0 )
)
EWMA_VARIANCE <- asq - rbind(0, dx %*% asqdiffs)
这种方法似乎产生了与你相同的结果,但在我的测试中它的速度提高了约20倍。