技术标签: 时间序列 相关性 time series
目录
自相关/序列相关 (Autocorrelation or Serial Correlation)
设随机变量X的均值 E(X) = m,则描述 X 的取值和它的均值 m 之间的偏差程度大小的数字特征就是方差。
但是不能直接用 E(X - m) 来表示方差,因为 E(X - m) = E(X) - m = 0,X 的正负偏离彼此抵消了。所以先将 X - m 平方后再取其均值,也就是偏差的平方
协方差 (Covariance)
根据方差的定义,Var(X) = E[(X - E(X)) × (X - E(X))],将其中的一个 X 和 E(X) 用另一个 变量Y表示,Var(X) = E[(X - E(X)) × (X - E(X))],也就是
为了方便表示,
关于协方差有几个重要的定理:
1. 如果 X, Y相互独立,则 Cov(X, Y) = 0
2. ,当且仅当 X,Y 之间有严格线性关系的时候等号成立。
相关系数也就是经常提到的皮尔逊(Pearson)相关系数,常用 Corr 或者 r 来表示相关系数。相关系数可以看作是标准尺度下的协方差
相关系数有有个定理:
1. 如果X, Y相互独立,则 Corr(X, Y) = 0
2. ,当且仅当 X,Y 之间有严格线性关系时候,等号成立。
模型随机项之间存在相关性称为自相关或者序列相关。
对于模型
随机项存在序列相关是:,最简单的一阶序列相关也就是
下面用 python 中的statsmodel 模块来分析一下时间序列的自相关性:
生成一段高斯白噪声,然后画出它的ACF (AutoCorrelation Function)和PACF(Partial AutoCorrelation Function)。
补充一点关于 ACF 和 PACF的作用:根据ACF和PACF可以直观看出序列的自相关性,并且还可以作为一种判断序列是否平稳的手段,从而选择合适的模型来拟合数据。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib import gridspec
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
def ts_plot():
fig = plt.figure()
gs = gridspec.GridSpec(2,2)
data = np.random.normal(size=1000)
ax_ts = fig.add_subplot(gs[0, 0:2])
ax_acf = fig.add_subplot(gs[1, 0])
ax_pacf = fig.add_subplot(gs[1, 1])
ax_ts.plot(range(len(data)), data)
plot_acf(data, ax=ax_acf, lags=30)
plot_pacf(data, ax=ax_pacf, lags=30)
plt.show()
可以看出白噪声过程的ACF和PACF中并没有什么明显的相关性。
下面模拟一段 AR(1) 的过程。
def ts_plot():
fig = plt.figure()
gs = gridspec.GridSpec(2,2)
u = np.random.normal(size=1000)
data = u
a = 0.6
for t in range(1000):
data[t] = a * data[t-1] + u[t]
ax_ts = fig.add_subplot(gs[0, 0:2])
ax_acf = fig.add_subplot(gs[1, 0])
ax_pacf = fig.add_subplot(gs[1, 1])
ax_ts.plot(range(len(data)), data)
plot_acf(data, ax=ax_acf, lags=30)
plot_pacf(data, ax=ax_pacf, lags=30)
ax_ts.set_title('AR(1)')
plt.show()
ACF拖尾,PACF一阶截尾 ,所以很明显是一个AR(1)过程。
时间序列的自相关性可以理解为时间序列自己与自己(不同滞后项)之间的相关性,有时需要研究不同时间序列之间的相关性,例如配对交易时选择具有相似走势的股票对。
选出相同板块的几只股票,相同板块受到的政策市场等影响类似,所以它们的价格走势的相关性也应该比较高。通过 tushare 爬取这几只股票的收盘价数据:
def calSim():
symbols = ['600831', '603000', '603888', '300431', '002238', '600037']
used_cols = ['code', 'close']
df = ts.get_hists(symbols, start='2018-12-01', end='2018-12-30')
df = df[used_cols]
df_Close = pd.DataFrame()
pos = [321,322,323,324,325,326,327,328]
i = 0
fig = plt.figure()
for symbol in symbols:
ax = fig.add_subplot(pos[i])
ax.plot(range(len(df_Close[symbol])), df_Close[symbol])
ax.set_title(symbol)
i += 1
plt.tight_layout() # change the distance of subplots
plt.show()
从图中可以看出60300和603888以及603000和60037这两组之间的相似性比较高,而600831与其它股票的差别较大。下面通过画出它们之间的相关图来量化一下这种相关性。
for symbol in symbols:
value = df.loc[df['code'] == symbol, 'close'].values
df_Close[symbol] = value
print(df_Close)
fig = plt.figure()
ax = fig.add_subplot(111)
sns.heatmap(df_Close.corr(), ax=ax, annot=True)
plt.show()
结果跟我们观察的一样,看出60300和603888以及603000和60037这两组之间的相关性高,而600831与其他的之间的相关性较低。其中两两之间的相关性矩阵就是通过 df.corr() 得到的,df.corr() 函数默认计算相关系数就是通过皮尔逊相关系数计算得到的。
文章浏览阅读331次。第一部分:准备工作1 安装虚拟机2 安装centos73 安装JDK以上三步是准备工作,至此已经完成一台已安装JDK的主机第二部分:准备3台虚拟机以下所有工作最好都在root权限下操作1 克隆上面已经有一台虚拟机了,现在对master进行克隆,克隆出另外2台子机;1.1 进行克隆21.2 下一步1.3 下一步1.4 下一步1.5 根据子机需要,命名和安装路径1.6 ..._创建一个hadoop项目
文章浏览阅读1.7k次。心脏滴血漏洞HeartBleed CVE-2014-0160 是由heartbeat功能引入的,本文从深入码层面的分析该漏洞产生的原因_heartbleed代码分析
文章浏览阅读1.4k次。前言ofd是国家文档标准,其对标的文档格式是pdf。ofd文档是容器格式文件,ofd其实就是压缩包。将ofd文件后缀改为.zip,解压后可看到文件包含的内容。ofd文件分析工具下载:点我下载。ofd文件解压后,可以看到如下内容: 对于xml文件,可以用文本工具查看。但是对于印章文件(Seal.esl)、签名文件(SignedValue.dat)就无法查看其内容了。本人开发一款ofd内容查看器,..._signedvalue.dat
文章浏览阅读1.8w次,点赞29次,收藏313次。整体系统设计本设计主要是对ADC和DAC的使用,主要实现功能流程为:首先通过串口向FPGA发送控制信号,控制DAC芯片tlv5618进行DA装换,转换的数据存在ROM中,转换开始时读取ROM中数据进行读取转换。其次用按键控制adc128s052进行模数转换100次,模数转换数据存储到FIFO中,再从FIFO中读取数据通过串口输出显示在pc上。其整体系统框图如下:图1:FPGA数据采集系统框图从图中可以看出,该系统主要包括9个模块:串口接收模块、按键消抖模块、按键控制模块、ROM模块、D.._基于fpga的信息采集
文章浏览阅读2.5w次。1.背景错误信息:-- [http-nio-9904-exec-5] o.s.c.n.z.filters.post.SendErrorFilter : Error during filteringcom.netflix.zuul.exception.ZuulException: Forwarding error at org.springframework.cloud..._com.netflix.zuul.exception.zuulexception
文章浏览阅读358次。1.介绍图的相关概念 图是由顶点的有穷非空集和一个描述顶点之间关系-边(或者弧)的集合组成。通常,图中的数据元素被称为顶点,顶点间的关系用边表示,图通常用字母G表示,图的顶点通常用字母V表示,所以图可以定义为: G=(V,E)其中,V(G)是图中顶点的有穷非空集合,E(G)是V(G)中顶点的边的有穷集合1.1 无向图:图中任意两个顶点构成的边是没有方向的1.2 有向图:图中..._给定一个邻接矩阵未必能够造出一个图
文章浏览阅读321次。(十二)、WDS服务器安装通过前面的测试我们会发现,每次安装的时候需要加域光盘映像,这是一个比较麻烦的事情,试想一个上万个的公司,你天天带着一个光盘与光驱去给别人装系统,这将是一个多么痛苦的事情啊,有什么方法可以解决这个问题了?答案是肯定的,下面我们就来简单说一下。WDS服务器,它是Windows自带的一个免费的基于系统本身角色的一个功能,它主要提供一种简单、安全的通过网络快速、远程将Window..._doc server2012上通过wds+mdt无人值守部署win11系统.doc
文章浏览阅读219次。python–xlrd/xlwt/xlutilsxlrd只能读取,不能改,支持 xlsx和xls 格式xlwt只能改,不能读xlwt只能保存为.xls格式xlutils能将xlrd.Book转为xlwt.Workbook,从而得以在现有xls的基础上修改数据,并创建一个新的xls,实现修改xlrd打开文件import xlrdexcel=xlrd.open_workbook('E:/test.xlsx') 返回值为xlrd.book.Book对象,不能修改获取sheett_xlutils模块可以读xlsx吗
文章浏览阅读8.2w次,点赞267次,收藏656次。运行Selenium出现'WebDriver' object has no attribute 'find_element_by_id'或AttributeError: 'WebDriver' object has no attribute 'find_element_by_xpath'等定位元素代码错误,是因为selenium更新到了新的版本,以前的一些语法经过改动。..............._unresolved attribute reference 'find_element_by_id' for class 'webdriver
文章浏览阅读198次。一:模态窗口//父页面JSwindow.showModalDialog(ifrmehref, window, 'dialogWidth:550px;dialogHeight:150px;help:no;resizable:no;status:no');//子页面获取父页面DOM对象//window.showModalDialog的DOM对象var v=parentWin..._jquery获取父window下的dom对象
文章浏览阅读1.7w次,点赞15次,收藏129次。算法(algorithm)是解决一系列问题的清晰指令,也就是,能对一定规范的输入,在有限的时间内获得所要求的输出。 简单来说,算法就是解决一个问题的具体方法和步骤。算法是程序的灵 魂。二、算法的特征1.可行性 算法中执行的任何计算步骤都可以分解为基本可执行的操作步,即每个计算步都可以在有限时间里完成(也称之为有效性) 算法的每一步都要有确切的意义,不能有二义性。例如“增加x的值”,并没有说增加多少,计算机就无法执行明确的运算。 _算法
文章浏览阅读1.5k次,点赞18次,收藏26次。网络安全的标准和规范是网络安全领域的重要组成部分。它们为网络安全提供了技术依据,规定了网络安全的技术要求和操作方式,帮助我们构建安全的网络环境。下面,我们将详细介绍一些主要的网络安全标准和规范,以及它们在实际操作中的应用。_网络安全标准规范