24、Python在金融和时间序列分析中的应用

Python在金融和时间序列分析中的应用

1. 移动窗口函数

1.1 bottleneck库

bottleneck是Keith Goodman开发的Python库，它提供了对NaN友好的移动窗口函数的替代实现，根据具体应用场景，值得深入研究。

1.2 指数加权函数

与使用固定窗口大小和等权重观测值不同，指数加权函数通过指定一个恒定的衰减因子，为近期观测值赋予更高的权重。在数学上，如果$mat_t$是时间$t$的移动平均结果，$x_t$是所讨论的时间序列，那么结果中的每个值按以下公式计算：$mat_t = a * mat_{t - 1}+(1 - a) * x_t$，其中$a$是衰减因子。指定衰减因子的一种常用方法是使用跨度（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比较。

由于指数加权统计量对近期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：

import pandas as pd
import matplotlib.pyplot as plt

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_period