pyfinance 模块。滚动 OLS - 需要最小窗口

Question

我正在尝试使用 pyfinance 包进行简单的线性回归，并使用 PandasRollingOLS 进行滚动回归测试（使用 min_window 选项滚动）。

它可以工作，但我想在函数中有一个 min_window。

我希望在 rollingOLS 函数中有 min_window，因为如果我们有一个 90 的窗口，它不会对前 90 个值执行 OLS。我想执行一个 OLS 扩展直到 90 个观察开始时至少有 12 个观察（min_window），然后滚动 90（窗口）

我试图理解包的代码，但我无法在代码中包含 min_window。

我想要这种功能（这是 PandasRollingOLS 类的 init）：

def __init__(self, y, x=None, window=None, **min_window=None**, has_const=False, use_const=True):

我想我应该更新下面发布的 utils.rolling_windows 上的代码，有人可以帮我吗？

def rolling_windows(a, window):
"""Creates rolling-window 'blocks' of length `window` from `a`.

Note that the orientation of rows/columns follows that of pandas.

Example
-------
import numpy as np
onedim = np.arange(20)
twodim = onedim.reshape((5,4))

print(twodim)
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]
 [16 17 18 19]]

print(rwindows(onedim, 3)[:5])
[[0 1 2]
 [1 2 3]
 [2 3 4]
 [3 4 5]
 [4 5 6]]

print(rwindows(twodim, 3)[:5])
[[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[ 4  5  6  7]
  [ 8  9 10 11]
  [12 13 14 15]]

 [[ 8  9 10 11]
  [12 13 14 15]
  [16 17 18 19]]]
"""

if window > a.shape[0]:
    raise ValueError('Specified `window` length of {0} exceeds length of'
                     ' `a`, {1}.'.format(window, a.shape[0]))
if isinstance(a, (Series, DataFrame)):
    a = a.values
if a.ndim == 1:
    a = a.reshape(-1, 1)
shape = (a.shape[0] - window + 1, window) + a.shape[1:]
strides = (a.strides[0],) + a.strides
windows = np.squeeze(np.lib.stride_tricks.as_strided(a, shape=shape,
                                                     strides=strides))
# In cases where window == len(a), we actually want to "unsqueeze" to 2d.
#     I.e., we still want a "windowed" structure with 1 window.
if windows.ndim == 1:
    windows = np.atleast_2d(windows)
return windows

谢谢大家！

亚历山德罗

Answer 1

我现在正在使用Pandasrollingols的瞬间与这个人挣扎。我来到暂时的结论，以便在回归之前小心照顾它，即在运行回归之前用下面的Min_Window值删除每个列。

min_window = 3
df.loc[:,~(df.rolling(min_window).count() < min_window).all()] 

请注意，它要求您的dataframe有nans（这就是为什么我猜你想要拥有min_window）：

NaN NaN
0.5 NaN
0.8 NaN
0.7 0.5
0.6 0.4

在 Python 专家偶然发现您的帖子之前，这可能是一个临时（丑陋的）解决方案。