多变的夏普率二---正态分布约束下的样本的标准差是无偏估计?

简介: 多变的夏普率二---正态分布约束下的样本的标准差是无偏估计?
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
rate_list=np.random.randn(100000)
result=[]
for i in range(1000):
    rate_short=np.random.choice(rate_list,100)
    rate_long=0rate_list[:]
    result.append(rate_long.std()-rate_short.std())
result=pd.Series(result)
plt.hist(result,bins=50)
plt.title('the difference between the short period std and long period std')
plt.show()

如上,通过模拟生成10万个标准正态分布的随机数,然后分别随机抽样100个和总体的计算标准差的差值,发现差值的期望为0,也就是可以认为这种状态下的标准差是无偏估计?


20180520235059296.png

目录
相关文章
|
8月前
|
数据可视化
R平方/相关性取决于预测变量的方差
R平方/相关性取决于预测变量的方差
|
8月前
|
大数据
stata具有异方差误差的区间回归
stata具有异方差误差的区间回归
|
8月前
|
数据可视化
R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
R语言极值推断:广义帕累托分布GPD使用极大似然估计、轮廓似然估计、Delta法
|
8月前
|
前端开发
R语言中小样本违反异方差性的线性回归
R语言中小样本违反异方差性的线性回归
R语言中小样本违反异方差性的线性回归
|
8月前
样条曲线分段线性回归模型piecewise regression估计个股beta值分析收益率数据
样条曲线分段线性回归模型piecewise regression估计个股beta值分析收益率数据
|
8月前
R语言异方差回归模型建模:用误差方差解释异方差
R语言异方差回归模型建模:用误差方差解释异方差
R-ggpmisc|回归曲线添加回归方程,R2,方差表,香不香?
R-ggpmisc|回归曲线添加回归方程,R2,方差表,香不香?
123 0
协方差与相关系数(标准协方差)
协方差与相关系数(标准协方差)
|
机器学习/深度学习
先验分布、后验分布、似然估计、贝叶斯估计、最大似然估计
先验分布、后验分布、似然估计、贝叶斯估计、最大似然估计
228 0
先验分布、后验分布、似然估计、贝叶斯估计、最大似然估计

热门文章

最新文章