Python中的滚动平均成对相关

我每天从三个市场（GLD、SPY和USO）获得回报。我的目标是在130天的滚动基础上，根据相关矩阵计算平均成对相关性

我的出发点是：

import numpy as np
import pandas as pd
import os as os
import pandas.io.data as web
import datetime as datetime
from pandas.io.data import DataReader

stocks = ['spy', 'gld', 'uso']
start = datetime.datetime(2010,1,1)
end = datetime.datetime(2016,1,1)

df = web.DataReader(stocks, 'yahoo', start, end)
adj_close_df = df['Adj Close']

returns = adj_close_df.pct_change(1).dropna()
returns = returns.dropna()

rollingcor = returns.rolling(130).corr()

这将创建一组相关矩阵。然而，提取较低（或较高）的三角形，删除对角线，然后计算每个观测值的平均值，这是我画空白的地方。理想情况下，我希望每个日期的输出是在一个系列中，然后我可以通过日期索引它

---

也许我是从错误的地方开始的，但如果有任何帮助，我将不胜感激。

要获得平均成对相关性，你可以找到相关矩阵的和，减除

n

（对角线上的一个），除以2（对称），最后除以

n

（平均）。我认为这应该做到：

>n=len（股票）
>>>（（rollingcor.sum（skipna=0）.sum（skipna=0）-n）/2）/n
日期
2010-01-05南
2010-01-06南
2010-01-07南
...   
2015-12-29    0.164356
2015-12-30    0.168102
2015-12-31    0.166462
数据类型：64

您可以使用

numpy

的

tril

访问数据帧的下三角

def tril_sum(df):
    # -1 ensures we skip the diagonal
    return np.tril(df.unstack().values, -1).sum()

计算矩阵下三角形的和。注意在中间的代码< > unSTACK（）/<代码>。我希望有一个多索引系列，我将需要转向一个数据帧

def tril_sum(df):
    # -1 ensures we skip the diagonal
    return np.tril(df.unstack().values, -1).sum()

然后将其应用到面板上

n = len(stock)
avg_cor = rollingcor.dropna().to_frame().apply(tril_sum) / ((n ** 2 - n) / 2)

看起来像：

print avg_cor.head()

Date
2010-07-12    0.398973
2010-07-13    0.403664
2010-07-14    0.402483
2010-07-15    0.403252
2010-07-16    0.407769
dtype: float64

---

---

这个答案跳过了对角线。

通过平均相关性，您的意思是在这种情况下，每个日期的平均值为3？（所有成对组合）是3个值的平均值。非常好！工作得很有魅力。非常感谢。