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
|
1月前
|
数据挖掘 Python
【视频】随机波动率SV模型原理和Python对标普SP500股票指数预测|数据分享
【视频】随机波动率SV模型原理和Python对标普SP500股票指数预测|数据分享
|
1月前
|
数据可视化 数据挖掘 Python
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化(下)
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化
|
1月前
|
数据可视化 API 开发者
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化(上)
Python时间序列分析苹果股票数据:分解、平稳性检验、滤波器、滑动窗口平滑、移动平均、可视化
|
22天前
|
Python
|
1月前
|
机器学习/深度学习 数据采集 数据可视化
python用回归、arima、随机森林、GARCH模型分析国债期货波动性、收益率、价格预测
python用回归、arima、随机森林、GARCH模型分析国债期货波动性、收益率、价格预测
|
1月前
|
存储 机器学习/深度学习 数据可视化
Python面板时间序列数据预测:格兰杰因果关系检验Granger causality test药品销售实例与可视化
Python面板时间序列数据预测:格兰杰因果关系检验Granger causality test药品销售实例与可视化
|
1月前
|
Python
Python随机波动率(SV)模型对标普500指数时间序列波动性预测
Python随机波动率(SV)模型对标普500指数时间序列波动性预测
|
1月前
|
算法 数据库 索引
Python时间序列选择波动率预测指数收益算法分析案例
Python时间序列选择波动率预测指数收益算法分析案例
Python时间序列选择波动率预测指数收益算法分析案例
|
1月前
|
vr&ar Python
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
Python自激励阈值自回归(SETAR)、ARMA、BDS检验、预测分析太阳黑子时间序列数据
|
1月前
|
资源调度 数据可视化 Python
Python随机波动模型Stochastic volatility,SV随机变分推断SVI分析标普500指数时间数据波动性可视化
Python随机波动模型Stochastic volatility,SV随机变分推断SVI分析标普500指数时间数据波动性可视化