Question

我正在寻找一些引导程序。我有一个Excel工作表，其中有10列1111行数据，每行代表.0432等股票的收益。此外，每一列代表投资组合的大小。第一列代表总股数的第一十分位数（以小盘为中心的投资组合），最后一列代表总股数的最后十分位数（以大写为中心的投资组合）...

现在，每一列都代表一个原始样本，但首先：正如您可能从引导程序中了解或可能不知道，该想法是使用您必须创建填充的数据，因此这就是为什么不讨论原始填充的原因。考虑以下链接中的图片：https://newonlinecourses.science.psu.edu/stat555/sites/onlinecourses.science.psu.edu.stat555/files/cross_val/bootstrap_overview/index.png

因此，归结为一点，我们有10个原始样本。我们绘制一个子样本（完成而不替换），并将其命名为x1。您将这些数据放回并再次绘制，并且当您再次绘制时，需要进行替换。您将此子样本命名为x2。您会重复此过程很多次，在本例中为10,000次。

用更明显的话来说，这是10个原始样本中的每个样本
（又称10列）我希望抽取10,000个样本，样本数量为1,000。

最后，我希望找到一个投资组合的所有自举样本标准偏差的标准偏差。就是说....假设我们采用第1列...自举样本标准偏差将是与第1列的1,000个样本量的10,000个样本中的第一个随机样本的标准差... 。另一个自举样本的标准偏差将是与第1列的1,000的样本大小相乘的10,000的第二个随机样本的标准偏差。所以，我要的是一旦完成此过程并得到标准偏差总共10,000。

然后，我将对10列/投资组合中的每一个进行相同的处理。（一旦到达这一点，我计划通过运行t检验来比较每个列/组合产生的值，以评估它们之间是否存在统计显着性）

以我的数据为例

大小1和大小2，正如我所说的，它们都有1111行数据（行对应于年份），如下所示：

year  size 1   size 2
0  0.0353  0.0371  
1  0.0061  0.0379  
2 -0.0077  0.0125  
3 -0.0336 -0.0256  
4  0.0386  0.0240 
// etc... up to 1111

例如size 1是用Python编写的data.Size1

到目前为止，我所拥有的是：

import numpy as np
import bootstrapped.bootstrap as bs
import bootstrapped.stats_functions as bs_stats

stdev = data.Size1.std()

originalpopulation1 = data.Size1

samples=originalpopulation1[:10000]

print(bs.bootstrap(samples, stat_func=bs_stats.std))

但是，我需要引导程序的替代方法，因为在出于技术原因在导入时它不会在任何情况下运行。

或者，我尝试过：

import numpy as np
sample_list = []
for i in range(1000): 
    rand_list = np.random.randint(0,10000, 10000)
    sample_list.append(sum(rand_list)/1000)

sample_list = []

sample_list.stdev()

但是我认为这段代码并没有涉及所需的两个标准偏差，即每个子样本都有一个标准偏差，然后我也要求所有子样本之间有一个标准偏差，即我正在寻找标准偏差投资组合的所有自举样本标准偏差。

（此外，我想我将不得不为10列中的每一列创建一个唯一的代码，以便上面的最终代码基本上相同，除了10列中的每一列都具有唯一的标签。）

寻找样本中的样本

0 个答案: