我有一个包含两个系列的 DataFrame,我知道如何使用所有数据点来获得它们的协整...
import pandas as pd
import numpy as np
import statsmodels.tsa.stattools as ts
A = pd.Series(np.cumsum(np.random.normal(size=100)) + 50)
B = pd.Series(A + 5 + np.random.normal(size=100))
ts.coint(A, B)
但是,我想通过使用滚动窗口(假设 60 天)探索这种协整随着时间的推移如何变化。如何结合使用 statsmodels 和 pandas 来实现这一目标?
提前致谢!
最佳答案
您可以通过首先创建一个数据框,分配一个整数位置系列,然后使用 pandas rolling
来实现此目的带有 lambda 函数的函数,该函数提取 ts.coint
的第一个元素的回归。
因此修改您的代码我们得到:
import pandas as pd
import numpy as np
import statsmodels.tsa.stattools as ts
A = pd.Series(np.cumsum(np.random.normal(size=1000)) + 50, name='A')
B = pd.Series(A + 5 + np.random.normal(size=1000), name='B')
df = pd.concat([A, B], axis=1)
df['ii'] = range(len(df))
df['ii'].rolling(100).apply(lambda ii: ts.coint(df.loc[ii, 'A'], df.loc[ii, 'B'])[0])
为了说明这一点,我将系列的大小增加到 1000,并将滚动窗口设置为 100(但您可以使用 rolling
中的选项)。
关于python - 使用 pandas 进行滚动统计模型协整,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/50919517/