python平稳性检验_python statsmodels coint协整关系检验与结果分析
在满足数据的平稳性后,使用原时间序列进行coint协整检验。(如果前面有进行一阶差分,也不能用一阶差分的序列,切记)
statsmodels.tsa.stattools.coint
statsmodels.tsa.stattools.coint(y0,y1,trend ='c',method ='aeg',maxlag = None,autolag ='aic',return_results = None)
测试单变量方程的非协整性
零假设不是协整。假设y0和y1中的变量是阶数1,I(1)的积分。
这使用增强的Engle-Granger两步协整检验。常数或趋势包括在第一阶段回归中,即在协整方程中。
警告:与statsmodels 0.8相比,autolag默认值已更改。在0.8 autolag始终为None,没有使用关键字,默认为’aic’。使用autolag = None可以避免滞后搜索。
参数
y1 (array_like,1d)
协整向量中的第一个元素
y2 (array_like)
协整向量中的剩余元素
trend (str {‘c’,’ct’})
趋势项包括在回归中用于协整方程
‘c’:不变
‘ct’:恒定和线性趋势
也有二次趋势’ctt’,没有常数’nc’
method (string)
目前只有“aeg”用于增强的Engle-Granger测试。默认可能会改变。
maxlag (无或int)
adfuller的关键字,最大或给定滞后数
autolag (string)
adfuller的关键字,滞后选择标准。
如果为None,则使用maxlag滞后而不进行滞后搜索
如果是’AIC’(默认值)或’BIC’,则选择滞后数以最小化相应的信息标准
基于’t-stat’的maxlag选择。从maxlag开始并使用5%大小的测试来降低滞后,直到最后一个滞后长度的t统计量显着为止
return_results(bool)
为了将来的兼容性,目前只有元组可用。如果为True,则返回结果实例。否则,返回包含测试结果的元组。设置return_results = False以避免将来的更改返回。
返回
float)
残差单位根检验的t统计量
pvalue(float)
MacKinnon基于MacKinnon的近似渐近p值(1994)
crit_value(dict)
基于回归曲线的1%,5%和10%水平的检验统计量的临界值。这取决于观察的数量。
coint(price_A, price_B)
(-3.5596060078230063, 0.0274647420557733, array([-3.89666127, -3.33625344, -3.04453569]))
1、coint_t值小于5%的临界值,说明有95%的把握拒绝原假设;
2、p-value的值也小于0.05也比较小;
可以判断两个时间序列协整关系。
协整关系
协整(Cointegration)理论是恩格尔(Engle)和格兰杰(Granger)在1978年提出的。平稳性是进行时间序列分析的一个很重要的前提,很多模型都是基于平稳下进行的,而现实中,很多时间序列都是非平稳的,所以协整是从分析时间序列的非平稳性入手的。
如果两组序列都是非平稳的,但是经过一阶差分后是平稳的,且这两组序列经过某种线性组合也是平稳的,则它们之间就存在协整关系。
协整理论的意义在于:
首先,因为或许单个序列是非平稳的,但是通过协整我们可以建立起两个或者多个序列之间的平稳关系,进而充分应用平稳性的性质。
其次,可以避免伪回归。如果一组非平稳的时间序列不存在协整关系,那么根据它们构造的回归模型就可能是伪回归。
区别变量之间长期均衡关系和短期波动关系。
python平稳性检验_python statsmodels coint协整关系检验与结果分析相关推荐
- 使用R语言进行协整关系检验
协整检验是为了检验非平稳序列的因果关系,协整检验是解决伪回归为问题的重要方法.首先回归伪回归例子: 伪回归Spurious regression伪回归方程的拟合优度.显著性水平等指标都很好,但是其残差 ...
- R语言迹检验协整关系式_使用R语言进行协整关系检验
协整检验是为了检验非平稳序列的因果关系,协整检验是解决伪回归为问题的重要方法.首先回归伪回归例子: 伪回归Spurious regression伪回归方程的拟合优度.显著性水平等指标都很好,但是其残差 ...
- USDCNY--USDCNH 配对交易___境内及离岸人民币即期的协整关系及配对交易策略分析
由于中国没有实现资本项下的可自由兑换,目前人民币的外汇交易存在境内及境外两个市场.在境内交易的CNY和境外交易的CNH,本质都是人民币,从这个角度上看,两者具有高度相关性.但是由于两者的市场形态.监管 ...
- 基于时间序列的协整关系的配对交易
数据来源:Vitu.AI (一)什么是配对交易? 统计套利之配对交易是一种基于数学分析交易策略,其盈利模式是通过两个标的的差价(spread)来获取,两者的价格走势虽然在中途会有所偏离,但是最终都会趋 ...
- python平稳性检验_时间序列中单位根平稳性检验adfuller详解 (ADF Test in Python)
在 statsmodels.tsa.stattools.adfuller statsmodels.tsa.stattools.adfuller(x,maxlag = None,regression = ...
- 量化金融分析AQF(12):配对交易 Pair trading - 考虑时间序列平稳性、协整关系
目录 1. 数据准备 & 回测准备 2. 策略开发思路 3.产生交易信号 3. 计算策略年化收益并可视化 4.总结 上节说到,做2只股票配对交易,先判断2只股票的平稳性,不平稳就做一阶差分和协 ...
- python统计套利_统计套利(二),利用协整关系进行配对交易【原文】
之前我们谈到了利用两只股票之间的相关系数进行配对交易,但我们能通过两只相关性较高的股票对之间的差价图看出,相关性高他们之间的价差并不一定会是一个平稳序列,简单来说我们无法利用这个不收敛的价差来进行套利 ...
- 用R检验配对股票的协整性
基于统计套利的配对交易策略是一种市场中性策略.具体地说,是指从市场上找出历史股价走势相近的股票进行配对,当配对股票价格差(Spread)偏离历史均值时,则做空股价偏高的股票,同时做多股价偏低的股票,等 ...
- Eviews用向量自回归模型VAR实证分析公路交通通车里程与经济发展GDP协整关系时间序列数据和脉冲响应可视化...
全文下载链接:http://tecdat.cn/?p=27784 河源市是国务院1988年1月7日批准设立的地级市,为了深入研究河源市公路交通与经济发展的关系,本文选取了1988-2014年河源市建市 ...
最新文章
- SpringBoot第十四篇:在springboot中用redis实现消息队列
- listFiles()
- Idea根据表自动生成实体
- LCP 01. Guess Numbers 猜数字
- 完整的Web应用程序Tomcat JSF Primefaces JPA Hibernate –第2部分
- linux基础命令(-)
- 2021年中国独角兽企业发展研究报告
- ROS笔记(21) 地图
- config.class.php,The EventConfig class - PHP 7 中文文档
- 清北学堂2018年1月省选强化班模拟考试1
- Windows 下 XDebug 手工配置
- Python实战——过采样数据的处理之改进的SMOTE算法
- ppt压缩文件怎么压缩?
- SAP 金额转换成大写
- 2022 年云计算发展趋势
- 如何部署软件 - 让你团队的部署像地狱一样无聊且毫无压力
- 海客票务管理系统 ------ 项目总结
- jquery的事件命名空间详解
- 智能合约审计之DDOS概述
- SpringBoot集成Docker下的Redis哨兵(一主两从一哨兵)
热门文章
- Linux下采用ffmpeg快速制作GIF文件
- WIZnet正式发布W5500
- 山东中考计算机考试打字题,山东省初中信息技术等级考试操作说明
- 利用阿贝云建自己的网站
- ClearCase洋文翻译-baseline(基线)
- 360浏览器一直显示安全连接到服务器,360浏览器提示“您与此网站之间建立的连接不安全完美解决方法...
- 射击小游戏源码《90坦克大战》源码H5+安卓+IOS三端源码
- 技校计算机学期计划书,技校新学期学习计划书范文
- 配置两个java环境变量_java在一台电脑上装两个或多个jdk如何配置环境变量,并实现jdk切换...
- 关于排期的一些思考——技术债咋整