文章目錄

• 1. 對收益進行橫截面回歸
• • 單變量回歸
  • 多變量回歸
• 2.對每個資產的收益進行時間序列回歸

---

1. 對收益進行橫截面回歸

（i）僅信號1（ii）僅信號2（iii）兩個信號 import pandas as pd import numpy as np import statsmodels.api as smfile = "data/PS_3_Exercise_XS_Regressions.xlsx" xrets = pd.read_excel(file, sheet_name="excess_returns", index_col="year") xrets.head() signal_1 = pd.read_excel(file, sheet_name="signal_1", index_col="year") signal_2 = pd.read_excel(file, sheet_name="signal_2", index_col="year")

單變量回歸

T = len(xrets)#多少年 slopes_1 = {} slopes_2 = {} for t in range(1,T):y = xrets.iloc[t,:]x_1 = signal_1.iloc[t-1,:]reg_1 = sm.OLS(y, sm.add_constant(x_1)).fit()x_2 = signal_2.iloc[t-1,:]reg_2 = sm.OLS(y, sm.add_constant(x_2)).fit()# 更新系數year = xrets.index[t]slopes_1.update({year: reg_1.params.iloc[1]})slopes_2.update({year: reg_2.params.iloc[1]})uv_slopes = pd.DataFrame([slopes_1, slopes_2], index=["Signal 1", "Signal 2"]) uv_slopes

多變量回歸

mv_slopes = {} for t in range(1,T):y = xrets.iloc[t,:]x = pd.DataFrame([signal_1.iloc[t-1,:],signal_2.iloc[t-1,:]],index = ["Signal 1", "Signal 2"]).Treg_3 = sm.OLS(y, sm.add_constant(x)).fit()year = xrets.index[t]#mv_slopes.update({year: reg_3.params.iloc[1]}) 不對 定位1只提取了signal_1前面的系數mv_slopes.update({year: reg_3.params.loc[["Signal 1", "Signal 2"]]}) mv_slopes = pd.DataFrame(mv_slopes) mv_slopes uv_slopes.T.plot.hist(); mv_slopes.T.plot.hist();

2.對每個資產的收益進行時間序列回歸

# 資產數量 N = xrets.shape[1] signal_1_lagged = signal_1.shift(1) signal_2_lagged = signal_2.shift(1) ts_slopes = {} for n in range(N): #這里包括了 A1 y = xrets.iloc[:,n]x = pd.DataFrame([signal_1_lagged.iloc[:,n],signal_2_lagged.iloc[:,n]],index = ["Signal 1", "Signal 2"]).Treg_4 = sm.OLS(y, sm.add_constant(x),missing="drop").fit()# 記得drop nansecurity = xrets.columns[n]ts_slopes.update({security: reg_4.params.loc[["Signal 1", "Signal 2"]]}) ts_slopes = pd.DataFrame(ts_slopes) ts_slopes

總結

以上是生活随笔為你收集整理的使用横截面回归和时间序列回归进行回测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。