Python 计算三维锯齿状NumPy阵列的二维平均值
我试图用python计算时间序列的Hurst指数,这个值决定了定量金融时间序列的一些均值回归特征。我选取了任意长度的时间序列,并选择将其分割成数据块,这是计算赫斯特指数(几种方法之一)的一部分。我把它写成函数。假设我的时间序列(证券价格)为“y”,而我想要的块数为“n”: 问题是现在数组被分成了块,其中一个块的大小与其他块的大小不相等。我想找到平均值,标准偏差,以平均值为中心的序列,以平均值为中心的序列的累积和,以及每个块的累积和的范围。但是由于数组的大小不一致,我还没有找到一种方法来实现这一点。基本上当我试图通过的时候Python 计算三维锯齿状NumPy阵列的二维平均值,python,multidimensional-array,mean,exponent,quantitative-finance,Python,Multidimensional Array,Mean,Exponent,Quantitative Finance,我试图用python计算时间序列的Hurst指数,这个值决定了定量金融时间序列的一些均值回归特征。我选取了任意长度的时间序列,并选择将其分割成数据块,这是计算赫斯特指数(几种方法之一)的一部分。我把它写成函数。假设我的时间序列(证券价格)为“y”,而我想要的块数为“n”: 问题是现在数组被分成了块,其中一个块的大小与其他块的大小不相等。我想找到平均值,标准偏差,以平均值为中心的序列,以平均值为中心的序列的累积和,以及每个块的累积和的范围。但是由于数组的大小不一致,我还没有找到一种方法来实现这一点
mean(y,axis=0)
或者1或2,对于轴,我得到一个误差。当使用n=20时,数组的形状如下所示
(20,)
我想也许“矢量化”能帮我?但我还没想好如何使用它。我试图避免在数据中循环
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
要列出平均值,您只需使用:
它跨越轴并计算每个部分的平均值。对于任何偶然发现这一点的人,我已经解决了这个问题,并决定使用熊猫数据帧来代替
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
什么类型是
y
?请提供一个简单数据y
作为数据帧开始的示例。然后我使用作为矩阵
将其转换为数组形式。然后我在上面使用“array\u split”。我猜最后的形式是列表
。我对python很陌生如果你想知道变量a
的类型,你可以使用print(type(a))
我试过这个,但是它只返回索引块的平均值,对吗?在这种情况下,它只为索引为0的块返回一个值?我需要列表形式的每个块的平均值。@user22393我为您更改它。但是您确实需要知道您使用的是什么类型。我必须将数据分割成不同的数据块,这些数据块可能不相等,具体取决于时间序列的总长度。将数据分割成不均匀的块比生成列表
类型的数组分割
更好吗?
[mean(x[axis]) for axis in range(len(x))]
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