python-期货指数的单位根检验

简介: python-期货指数的单位根检验

代码如下:

            测试结果表明,以下33个品种不存在单位根.

# -*- coding: utf-8 -*-
"""
Created on Thu Jun 22 17:03:16 2017
@author: yunjinqi 
E-mail:yunjinqi@qq.com 
Differentiate yourself in the world from anyone else.
"""
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.tsa.stattools as ts
namelist=['cu','al','zn','pb','sn','au','ag','rb','hc','bu','ru','m9','y9','a9',
              'p9','c9','cs','jd','l9','v9','pp','j9','jm','i9','sr','cf',
              'zc','fg','ta','ma','oi','rm','sm']
j=0
for i in namelist:
    filename='C:/Users/HXWD/Desktop/数据/'+i+'.csv'
    data=pd.read_csv(filename,encoding='gbk')
    data.columns=['date','open','high','low','close','amt','opi']
    data.head()
    data=np.log(data['close'])
    r=data-data.shift(1)
    r=r.dropna()
    #print(r)
    x = np.array(r)
    result = ts.adfuller(x, 1) # maxlag is now set to 1
    print(i)
    if result[0]<result[4]['1%']:
       print ('没有单位根')
       j=j+1
    else:
       print('由单位跟')
    print(j)

结果:

cu
没有单位根
1
al
没有单位根
2
zn
没有单位根
3
pb
没有单位根
4
sn
没有单位根
5
au
没有单位根
6
ag
没有单位根
7
rb
没有单位根
8
hc
没有单位根
9
bu
没有单位根
10
ru
没有单位根
11
m9
没有单位根
12
y9
没有单位根
13
a9
没有单位根
14
p9
没有单位根
15
c9
没有单位根
16
cs
没有单位根
17
jd
没有单位根
18
l9
没有单位根
19
v9
没有单位根
20
pp
没有单位根
21
j9
没有单位根
22
jm
没有单位根
23
i9
没有单位根
24
sr
没有单位根
25
cf
没有单位根
26
zc
没有单位根
27
fg
没有单位根
28
ta
没有单位根
29
ma
没有单位根
30
oi
没有单位根
31
rm
没有单位根
32
sm
没有单位根
33
目录
相关文章
|
8天前
|
BI Python
SciPy 教程 之 Scipy 显著性检验 8
本教程介绍SciPy中显著性检验的应用,包括如何利用scipy.stats模块进行显著性检验,以判断样本与总体假设间的差异是否显著。通过示例代码展示了如何使用describe()函数获取数组的统计描述信息,如观测次数、最小最大值、均值、方差等。
18 1
|
9天前
|
Python
SciPy 教程 之 Scipy 显著性检验 7
SciPy 教程之 Scipy 显著性检验第7部分,介绍显著性检验的基本概念及其在 SciPy 中的应用。显著性检验用于评估样本数据与假设之间的差异是否由随机因素引起。SciPy 的 `scipy.stats` 模块提供了执行显著性检验的功能,包括 KS 检验等方法,用于检测数据是否符合特定分布。示例代码展示了如何使用 KS 检验验证一组数据是否符合正态分布。
14 2
|
11天前
|
Python
SciPy 教程 之 Scipy 显著性检验 3
本教程介绍Scipy显著性检验,包括其基本概念、原理及应用。显著性检验用于判断样本与总体假设间的差异是否显著,是统计学中的重要工具。Scipy通过`scipy.stats`模块提供了相关功能,支持双边检验等方法。
20 1
|
11天前
|
Python
SciPy 教程 之 Scipy 显著性检验 1
本教程介绍Scipy显著性检验,包括统计假设、零假设和备择假设等概念,以及如何使用scipy.stats模块进行显著性检验,以判断样本与总体假设间是否存在显著差异。
19 0
|
2月前
|
机器学习/深度学习 PyTorch TensorFlow
Python实现深度学习学习率指数衰减的方法与参数介绍
学习率指数衰减提供了一种高效的动态调整学习率的手段,帮助模型在不同训练阶段以不同的学习速度优化,有利于提升模型性能和训练效率。通过合理设置衰减策略中的参数,可以有效地控制学习率的衰减过程,实现更加精确的模型训练调优。
44 0
|
3月前
|
自然语言处理 算法 数据挖掘
基于python豆瓣电影评论的情感分析和聚类分析,聚类分析有手肘法进行检验,情感分析用snownlp
本文介绍了一个基于Python的情感分析和聚类分析项目,使用snownlp库对豆瓣电影评论进行情感分析,并采用手肘法辅助K-means算法进行聚类分析,以探索评论中的不同主题和情感集群。
基于python豆瓣电影评论的情感分析和聚类分析,聚类分析有手肘法进行检验,情感分析用snownlp
|
3月前
|
数据挖掘 Python
【Python数据分析】假设检验的基本思想、原理和步骤
文章详细介绍了假设检验的基本思想、原理、可能犯的错误类型、基本步骤以及在不同总体情况下的检验方法,阐述了如何在Python中应用假设检验,并通过P值来判断假设的可靠性。
56 1
|
4月前
|
Python
指数平滑法详解与Python代码示例
指数平滑法详解与Python代码示例
|
3月前
|
算法 数据可视化 搜索推荐
基于python的k-means聚类分析算法,对文本、数据等进行聚类,有轮廓系数和手肘法检验
本文详细介绍了基于Python实现的k-means聚类分析算法,包括数据准备、预处理、标准化、聚类数目确定、聚类分析、降维可视化以及结果输出的完整流程,并应用该算法对文本数据进行聚类分析,展示了轮廓系数法和手肘法检验确定最佳聚类数目的方法。
103 0
|
5月前
|
Python
下一篇
无影云桌面