我正在尝试计算python中时间序列的Hurst指数,该值确定量化金融的时间序列的某些均值回归特征。我已经采用了任何长度的时间序列,并选择将其拆分为数据块,这是计算Hurst指数(几种方法之一)的一个过程。我正在写这个函数。想象一下,我将时间序列(证券的价格)设为“y”,将我想要的块数设为“n”:
def hurst(y,n):
y = array_split(y,n)
问题是现在数组被拆分成块,其中一个块的大小与其他块不相等。我想找到平均值,标准偏差,平均居中系列,平均居中系列的累积和,以及每个块的累积总和的范围。但由于阵列的大小不统一,我还没有找到实现这一目标的方法。基本上我试图传递
mean(y,axis=0)
或1或2,对于轴,我收到错误。当使用n = 20时,数组的形状为
(20,)
我想也许“矢量化”可以帮助我?但我还没有弄清楚如何使用它。我试图避免循环数据。
拆分后的示例数据:
[array([[ 1.04676],
[ 1.0366 ],
[ 1.0418 ],
[ 1.0536 ],
[ 1.0639 ],
[ 1.06556],
[ 1.0668 ]]), array([[ 1.056 ],
[ 1.053 ],
[ 1.0521 ],
[ 1.0517 ],
[ 1.0551 ],
[ 1.0485 ],
[ 1.05705]]), array([[ 1.0531],
[ 1.0545],
[ 1.0682],
[ 1.08 ],
[ 1.0728],
[ 1.061 ],
[ 1.0554]]), array([[ 1.0642],
[ 1.0607],
[ 1.0546],
[ 1.0521],
[ 1.0548],
[ 1.0647],
[ 1.0604]])
数据类型list
答案 0 :(得分:1)
答案 1 :(得分:0)
对于遇到这种情况的任何人,我已经解决了问题并决定使用Pandas Dataframe而不是......
def hurst(y,n):
y = prices.as_matrix()
y = array_split(y,n)
y = pd.DataFrame.from_records(y).transpose()
y = y.dropna()
# Mean Centered Series
m = y.mean(axis='columns')
Y = y.sub(m,axis = 'rows')
# Standard Deviation of Series
S = y.std(axis='columns')
# Cumulative Sum Series
Z = Y.cumsum()
# Range Series
R = Z.max(axis='columns')-Z.min(axis='columns')
# Rescale Range
RS = R/S
RS = RS.sort_values()
# Time Period
s = shape(y)
t = linspace(1,s[0],s[0])
# Log Scales
logt = log10(t)
logRS = log10(RS)
print len(t),len(logRS)
# Regression Fit
slope, intercept, r_value, p_value, std_err = stats.mstats.linregress(logt, logRS)
# Hurst Exponent
H = slope/2
return H, logt, logRS