returnlower, upper 2. Z-score Z-score为标准分数,测量数据点和平均值的距离,若A与平均值相差2个标准差,Z-score为2。当把Z-score=3作为阈值去剔除异常点时,便相当于3sigma。 defz_score(s): z_score = (s - np.mean(s)) / np.std...
在进行异常值检测时,可以采用多种统计学方法。其中最常用的是Z-score方法和IQR(四分位距)方法。Z-score方法通过计算每个数据点与均值之间的标准偏差数量来识别异常值,而IQR方法则是基于数据分布的四分位数来计算。这些方法都能有效识别出那些远离中心位置的数据点,从而为后续的处理提供依据。 对于检测到的异常值,处...
forperiod,z_scoresinz_scores_data.items():# 在第二个子图上绘制每个时期的Z值ax2.plot(z_scores.index,z_scores,label=f'Z-Scores {period} days',alpha=0.7)# 如果周期是列表中的第一个,则在第一个子图上绘制买入/卖出信号ifperiod==PERIODS[0]:buy_signals=(z_scores<-Z_THRESH)sell_signals=(...
每当z-score 低于 -1 时, 买入(1),这意味着我们预计比率会增加。 每当z 得分高于 1 时,卖出(-1),这意味着我们预计比率会下降。 训练优化 我们可以在实际数据上使用我们的模型 train.plot() buy sell buy[z>-1] = 0 sell[z5<1] = 0 buy[160:].plot sell[160:].plot plt.figure # 当您买入比...
return df 从中国平安的股价走势来看,其单边趋势强于震荡趋势,因此均值回归策略可能不是中国平安在这段期间的最优策略,下面的回测结果将进一步展示。下面先来看看中国平安股票日收益率的波动及对标准差的偏离情况。日收益率图显示存在明显波动集聚的情况。日收益率标准化图是计算日收益率的滚动20日Zscore值,即当前收益...
df.tail() # 热图显示每对之间的协整检验的 p 值股票。 只显示热图上对角线上的值 分数、 seaborn.heatmap 我们的算法列出了两个协整对:AAPL/EBAY 和 ABDE/MSFT。我们可以分析他们的模式。 coit pvalue 如我们所见,p 值小于 0.05,这意味着 ADBE 和 MSFT 确实是协整对。
z 分数是数据点与平均值的标准差数。更重要的是,高于或低于总体平均值的标准差的数量来自原始分数。z-score 的计算方法如下: def zscr:return (sres - ees.mean) / np.stdzscr.plotplt.axhlineplt.axhlineplt.axhlineplt.xlimplt.show 通过将另外两条线放置在 z 分数 1 和 -1 处,我们可以清楚地看到...
mi = df_n[col].min() df_n[col + '_n'] = (df_n[col] - mi) / (ma - mi) return(df_n) # 创建函数,标准化数据 df_n = data_norm(df,'value1','value2') print(df_n.head()) # 标准化数据2.Z-score标准化1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20...
df.plot(kind='box') plt.show() 1. 2. 3. 4. 5. 6. 7. ① 调整绘制箱图参数 df.plot(kind='box', # 选择画图类型 title='box title', # 图名称 showmeans=True, # 显示均值 meanline=True, # 均值线,True:使用虚线,False使用红色小三角 ...
df = attribute_history('000300.XSHG', 5) ma5 = df['close'].mean() 然后用order函数即可下单。 完整示例如下: from jqdata import * # 初始化函数,设定基准等等 def initialize(context): set_benchmark('000300.XSHG') set_option('use_real_price', True) ### 股票相关设定 ### # 股票类每笔...