首页 教育机构
教育机构
使用Python – PCA分析进行金融数据分析
  更新时间:2019-06-12

  机会总是留给有准备的人的。

    最后祝大家复习顺利。  以上是为考生整理的2020考研英语基础阶段如何制定做题计划相关内容,希望对大家有帮助,中公考研小编预祝大家都能取得好成绩!更多英语词汇相关内容尽在中公频道。相关推荐:  阅读理解是考研英语中的重点,因其占据的分值最大,也是相对很难得一项。

使用Python – PCA分析进行金融数据分析

的一个技巧apply()和applymap()是DataFrame数据类型的函数,map()是Series数据类型的函数。

apply()的操作目标DataFrame的一列或许一行数据,applymap()是element-wise的,作用于每个DataFrame的每个数据。

map()也是element-wise的,对Series中的每个数据调用一次函数。

分解德国DAX30指数DAX30指数有三十个股票,听起来不多的样子,其实还是挺多的,我们很有必要对其进行主成分分析,然后找出最重要的几个股票。

想必PCA的原理大家应该都是知道,说白了就是在一个回归中找到影响最大的那几个,当然,数学原理就涉及矩阵分解,什么SVD呀。 先上点代码()=[,,,,,,,,,,,,,,,,,,,,,,,,,,,,,,]data=()symsymbols:data[sym]=(sym,data_source=)[]data=()dax=(())scale_function=x:(())/()pca=KernelPCA().fit((scale_function))get_we=x:x/()get_we(_)[:]这样,你就可以看到前十个股票对DAX30指数的贡献量了。 pca=KernelPCA(n_components=).fit((scale_function))dax[]=(data)(scale_function).plot(figsize=(,))pca=KernelPCA(n_components=).fit((scale_function))weights=get_we(_)dax[]=((data),weights)这里,我们采用只用第一个成分去拟合以及前五个成分去拟合,发现效果好的出奇。

这样我们就做到了降维的工作了。

我们再来展开看一下PCA的效果。

(figsize=(,))(dax[],dax[],color=)这里,我们把PCA后的值与原始值进行散点图的绘制,咱们看到,全体效果还是不错的,但是很显然,两头和中心老是有点疑问,所以,假如咱们要进步,咱们能够在中心分段进行PCA,这样的话,效果应该会更加好。

下一篇:没有了
友情链接 网站地图
Copyright © 2011-2014,All rights reserved
版权所有 © www.33112s.com小学教育-教育网 未经许可 严禁复制 建议使用1440X900分辨率浏览本站
备案号:陕ICP备11002434号