24、Python在金融时间序列分析中的应用

Python在金融时间序列分析中的应用

1. 移动窗口函数

1.1 bottleneck库

Keith Goodman开发的Python库 bottleneck ，提供了对NaN友好的移动窗口函数的替代实现，根据具体应用场景，它可能值得研究。

1.2 指数加权函数

使用固定窗口大小和等权重观测值的替代方法是指定一个恒定的衰减因子，以便为最近的观测值赋予更多权重。从数学角度来看，如果 $mat_t$ 是时间 $t$ 的移动平均结果，$x$ 是所讨论的时间序列，结果中的每个值计算为 $mat_t = \alpha * mat_{t - 1}+(1 - \alpha)*x_t$，其中 $\alpha$ 是衰减因子。指定衰减因子有几种方法，一种常用的方法是使用跨度（span），这使得结果可与窗口大小等于跨度的简单移动窗口函数相媲美。

由于指数加权统计量对最近的观测值赋予更多权重，与等权重版本相比，它能更快地“适应”变化。以下是一个比较苹果股票价格60天简单移动平均线和跨度为60的指数加权移动平均线的示例：

fig, axes = plt.subplots(nrows=2, ncols=1, sharex=True, sharey=True,
                         figsize=(12, 7))
aapl_px = close_px.AAPL['2005':'2009']
ma60 = pd.rolling_mean(aapl_px, 60, min_periods=50)
ewma60 = pd.ew