python lambda 的使用-优快云博客

本文详细解析了量化投资中依赖因子的计算方法，通过具体案例展示了如何使用过去五个月的数据，计算日收益率的依赖因子。从截取历史数据，到建立数学模型，再到计算分子与分母的具体步骤，为读者提供了深入理解量化投资策略的基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

参数 T=5,F1=依赖因子（1）,F2=依赖因子（2）
1 截取过去T个月的数据
2 对第t个月的日收益率做  F2_t=a+b*F1_t+sigma(t),t=1,…T
3 计算 分子=sum{ [ (sigma(t)  +simgma(t-1)  +simgma(t-3)  ]^2 ,t=3,…,T}
4 计算 分母=sum{   (sigma(t)^2+simgma(t-1)^2+simgma(t-3)^2  ,t=3,…,T}
5 因子计算公式为 分子/分母

假设现在的sigma列表为

sigma= [13.713393005548433, -17.09159674304776, 3.986902527863278, 7.566984305377153, -8.175683095741116]

思路：

1，simga=[e1,e2,e3,e4,e5] .t=3， 对应 sigma(3)=e3=3.986902527863278开始计算 , 分子= （e3+e2+e1）^2+（e4+e3+e2）^2+（e5+e4+e3）^2

2，sum{ [ (sigma(t) +simgma(t-1) +simgma(t-3) ]^2 ,t=3,…,T}=（e3+e2+e1）^2+（e4+e3+e2）^2+（e5+e4+e3）^2

3，sigma只有5项，最多到 sigma（5）=e5

4，分母=（e3^2+e2^2+e1^2）+（e4^2+e3^2+e2^2）+（e5^2+e4^2+e3^2）

5， 分子是最近三项加起来后的平方，然后累计 。 分母是最近三项平方后相加，然后累计

sigma= [13.713393005548433, -17.09159674304776, 3.986902527863278, 7.566984305377153, -8.175683095741116]

INPUT=[sigma[x-2:x+1] for x in range(len(sigma)) if x>=2]

numerator=sum(list(map(lambda x:sum(x)**2,INPUT)))

denomerator=sum(list(map(lambda x:x[0]**2+x[1]**2+x[2]**2,INPUT)))

numerator/denomerator