Python-for-data-移动窗口函数

本文中介绍的是，主要的算子是：

• rolling算子
• expanding算子
• ewm算子

image

移动窗口函数

统计和通过其他移动窗口或者指数衰减而运行的函数，称之为移动窗口函数

• ounter(line
• ounter(line
• ounter(line
• ounter(line

import pandas as pd

• ounter(line
• ounter(line
• ounter(line

close_px_all = pd.read_csv("./examples/stock_px_2.csv"

• ounter(line
• ounter(line
• ounter(line

close_px = close_px_all[["AAPL","MSFT","XOM"]]

<style scoped="">.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre></style>

2292 rows × 3 columns

• ounter(line

close_px.AAPL.plot()

image

rolling算子

rolling算子，行为和resample和groupby类似

rolling可以在S或者DF上通过一个window进行调用

• ounter(line
• ounter(line

# 图形更加地平滑：根据250日滑动窗口分组，而不是直接分组

image

• ounter(line
• ounter(line

appl_std250 = close_px.AAPL.rolling(250,min_periods=10).std()

2003-01-09         NaN
2003-01-10         NaN
2003-01-13         NaN
2003-01-14         NaN
2003-01-15    0.077496
2003-01-16    0.074760
2003-01-17    0.112368
Freq: B, Name: AAPL, dtype: float64

• ounter(line
• ounter(line
• ounter(line

# 滚动窗口函数需要窗口中所有的值必须是非NaN值

<matplotlib.axes._subplots.AxesSubplot at 0x11ee210d0>

image

在DF上调用移动窗口函数作用到每列

• ounter(line

close_px.rolling(60).mean().plot(logy=True)

image

• ounter(line
• ounter(line

## rolling算子接收固定大小的时间偏置字符串

<style scoped="">.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre></style>

2292 rows × 3 columns

扩展均值算子 expanding

• ounter(line
• ounter(line
• ounter(line

# 调用扩展均值算子

2003-01-02          NaN
2003-01-03          NaN
2003-01-06          NaN
2003-01-07          NaN
2003-01-08          NaN
                ...    
2011-10-10    18.521201
2011-10-11    18.524272
2011-10-12    18.527385
2011-10-13    18.530554
2011-10-14    18.533823
Freq: B, Name: AAPL, Length: 2292, dtype: float64

指数加权函数

指定一个常数衰减因子为观测值提供更多的权重。常用指定衰减因子的方法：使用span（跨度）

ewm算子

• ounter(line
• ounter(line
• ounter(line

# 将苹果公司的股票价格的60日均线和span=60的EW移动均线进行比较

• ounter(line

ewma60 = appl_px.ewm(span=30).mean()

rolling和ewm对比

• ounter(line

ma60.plot(style="k--",label="Simple MA")

image

• ounter(line

ewma60.plot(style="k-",label="EWMA")

image

二元移动窗口函数rolling+corr

一些统计算子，例如相关度和协方差等需要同时操作两个时间序列。

例如，金融分析中的股票和基准指数的关联性问题：计算时间序列的百分比变化pct_change()

• ounter(line

close_px_all[:5]

<style scoped="">.dataframe tbody tr th:only-of-type { vertical-align: middle; } <pre><code>.dataframe tbody tr th { vertical-align: top; } .dataframe thead th { text-align: right; } </code></pre></style>

计算苹果和标普500的相关性

• ounter(line
• ounter(line

spx_px = close_px_all["SPX"]  # 选择某列的数据

• ounter(line

returns = close_px.pct_change()  # 计算整个数据的百分比变化

• ounter(line
• ounter(line
• ounter(line
• ounter(line
• ounter(line

# 调用rolling后，corr聚合函数可以根据spx_rets计算滚动相关性

image

计算全部公司和标普500的相关性

• ounter(line
• ounter(line

corr = returns.rolling(125,min_periods=100).corr(spx_rets)

image

自定义移动窗口函数

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自己设计的数组函数的方法。

唯一要求：该函数从每个数组中产生一个单值(缩聚)，例如使用rolling()...quantile(q)计算样本的中位数

• ounter(line
• ounter(line

# 定值的百分位数:scipy.stats.percentileofscore

• ounter(line
• ounter(line
• ounter(line
• ounter(line

score_at_2percent = lambda x: percentileofscore(x,0.02)

image