python - 使用 python 拟合经验分布

Question

我有 255 个金融 Assets 的月度(约 21 年)返回率，范围从 -22.25% 到 +18.09%。我正在使用 Fitting empirical distribution to theoretical ones with Scipy (Python)? 中的代码使数据符合分布并生成随机数。

这是数据的直方图。我相信上面的代码尝试使用 MLE(最大似然估计)将数据拟合到分布中，列表中大约有 88 种不同的分布。我的问题是，例如，burr 分布只是正随机变量( https://en.wikipedia.org/wiki/Burr_distribution 、 https://docs.scipy.org/doc/scipy/reference/generated/scipy.stats.burr.html )。

但是当我拟合分布、获取参数并制作 PDF 时，我得到以下结果:

该分布既有正值又有负值。

说实话，我认为我没有完全理解代码和拟合分布的含义。为什么应该只适合正值的分布也适合负值？

Answer 1

尝试distfit图书馆。它适合基于您的经验数据的最佳理论分布。它返回 loc/scale 参数。您可以设置方向性来测试显着性(上限/下限)。拟合后的模型可用于生成新样本。

pip install distfit

# import library
from distfit import distfit

# Lets create some random data for demonstration purposes. Ssuppose that X is your data.
X = np.random.normal(0, 2, 10000)

# Initialize with default settings
model= distfit(bound='both')

# Fit to find the best theoretical distribution 
model.fit_transform(X)

dfit.plot(
          pdf_properties={'color': 'r', 'linewidth': 4},
          bar_properties={'color': '#1e3f5a', 'edgecolor': 'k'})

免责声明:我也是此存储库的作者。