Python 滚动回归¶
本文实现了多个资产分别在时间序列上进行滚动回归，并返回由最新系数计算得到的残差，最后将多个资产的残差结果重新聚合为多重索引的数据框。
代码示例¶
导入包¶
Python
import pandas as pd
from statsmodels.regression.rolling import RollingOLS
from statsmodels.tools import add_constant
from tqdm import tqdm
# 在 apply 时展示进度条
tqdm.pandas()
查看原始数据¶
Python
data = pd.read_pickle("./demo.pkl")
# 取 3 只股票，减少计算时间
data = data.loc[(slice(None), ["000001.SZ", "000002.SZ", "000008.SZ"]), :]
滚动回归的核心函数¶
Python
def rolling_ols(x, y, window=120, _add_constant=True):
try:
# 为自变量添加截距项
if _add_constant:
x = add_constant(x)
# 构建滚动回归模型
model = RollingOLS(endog=y, exog=x, window=window)
# 估计滚动回归的参数，包括截距项和各特征的回归系数
params = model.fit().params
# 根据估计出的参数，计算估计出的因变量值
y_hat = (params * x).sum(axis=1)
# 计算残差
residual = y - y_hat
return pd.DataFrame({"residual": residual})
# 如果报错，则可能是样本量比 window 小，无法进行回归
except:
return None
groupby后apply¶
使用 progress_apply 可以展示进度条。
Python
residual = data.groupby("instrument", group_keys=False).progress_apply(
lambda group: rolling_ols(
x=group.iloc[:, :-1],
y=group.iloc[:, -1],
window=120,
_add_constant=True,
)
)
查看结果¶