기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

댓글 쓰기

분산-공분산 행렬

어떤 행렬의 열들 사이의 공분산을 계산하기 위해 사용할 수 있는 함수는
numpy.cov()
pandas데이터프레임.cov()
가 있다.
그러나 numpy.cov()의 경우 두 객체들 사이의 공분산을 계산하고 그 이상의 차원에서는 엉뚱한 값들을 반환한다.

>>> x
                Open      High       Low    Volume
2017-12-05  0.493023  0.648262  0.624396 -0.220359
2017-12-06  0.737391  1.452395  1.166491  0.200745
2017-12-07  1.877774  1.256265  0.499297  0.316586
2017-12-08  0.065379 -0.450067 -0.480642  0.635944
2017-12-11 -0.260445 -0.548132 -0.084496 -0.518430
2017-12-12 -0.138261 -0.626584 -0.105346 -1.072204
2017-12-13 -0.117897 -0.705036 -0.188745 -0.986260
2017-12-14 -0.525176 -0.116646 -0.147046 -0.465978
2017-12-15  0.594843  1.668138  1.249890  1.623176
2017-12-18  1.144670  0.785553  0.853744 -0.322070
2017-12-19  0.615207  0.177549  0.978842 -1.352655
2017-12-20  1.042850  1.177813  1.041392 -0.172654
2017-12-21  0.289383  0.334453  0.999692 -1.654738
2017-12-22  0.004287 -0.391228 -1.710780  2.694075
2017-12-26 -2.032111 -2.097560 -1.794179 -0.207932
2017-12-27 -1.543376 -1.332653 -1.669080  0.903655
2017-12-28 -1.909927 -1.469944 -1.502282 -0.178807

>>> ind.cov()
            Open      High       Low    Volume
Open    1.128767  1.034342  0.937355 -0.011133
High    1.034342  1.183175  1.034811  0.115844
Low     0.937355  1.034811  1.176485 -0.408230
Volume -0.011133  0.115844 -0.408230  1.165753

>>> np.cov(x.iloc[:,0], x.iloc[:,1])
Out[101]:
array([[ 1.12876671,  1.03434229],
       [ 1.03434229,  1.18317514]])

그러나 위 객체 x를 한번에 전달할 경우 이상한 결과를 반환합니다.
>>> np.cov(np.array(ind))
array([[  1.68246268e-01,   2.05004449e-01,   1.52065103e-01,
         -2.03718707e-01,   4.10165985e-02,   1.48847333e-01,
          1.18723362e-01,   5.37039745e-02,  -6.22683960e-02,
          2.42177363e-01,   3.88604631e-01,   2.57479167e-01,
          4.53461118e-01,  -7.14587480e-01,  -3.55736684e-01,
         -4.86439604e-01,  -2.79320294e-01],
       [  2.05004449e-01,   2.97031729e-01,   1.14245017e-01,
         -2.78161416e-01,   2.14653937e-02,   1.25719977e-01,
          8.25312257e-02,   9.80441073e-02,   2.59998167e-02,
          2.42325728e-01,   4.03081003e-01,   3.04161921e-01,
          5.20283579e-01,  -8.50051153e-01,  -4.08953290e-01,
         -5.33662952e-01,  -2.77036140e-01],
       [  1.52065103e-01,   1.14245017e-01,   5.17762819e-01,
         -8.49246271e-02,   3.28664601e-03,   1.59751623e-01,
          1.53117702e-01,  -3.81687057e-02,  -2.40400279e-01,
          3.43175863e-01,   3.41690092e-01,   2.84154220e-01,
          3.23217459e-01,  -3.57868100e-01,  -4.52525849e-01,
         -5.07897566e-01,  -4.14047915e-01],
          ....
Labels:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...
댓글 쓰기
Read more »

[sympy] Sympy객체의 표현을 위한 함수들

Sympy객체의 표현을 위한 함수들 General simplify(x): 식 x(sympy 객체)를 간단히 정리 합니다. import numpy as np from sympy import * x=symbols("x") a=sin(x)**2+cos(x)**2 a $\sin^{2}{\left(x \right)} + \cos^{2}{\left(x \right)}$ simplify(a) 1 simplify(b) $\frac{x^{3} + x^{2} - x - 1}{x^{2} + 2 x + 1}$ simplify(b) x - 1 c=gamma(x)/gamma(x-2) c $\frac{\Gamma\left(x\right)}{\Gamma\left(x - 2\right)}$ simplify(c) $\displaystyle \left(x - 2\right) \left(x - 1\right)$ 위의 예들 중 객체 c의 감마함수(gamma(x))는 확률분포 등 여러 부분에서 사용되는 표현식으로 다음과 같이 정의 됩니다. 감마함수는 음이 아닌 정수를 제외한 모든 수에서 정의됩니다. 식 1과 같이 자연수에서 감마함수는 factorial(!), 부동소수(양의 실수)인 경우 적분을 적용하여 계산합니다. $$\tag{식 1}\Gamma(n) =\begin{cases}(n-1)!& n:\text{자연수}\\\int^\infty_0x^{n-1}e^{-x}\,dx& n:\text{부동소수}\end{cases}$$ x=symbols('x') gamma(x).subs(x,4) $\displaystyle 6$ factorial 계산은 math.factorial() 함수를 사용할 수 있습니다. import math math.factorial(3) 6 a=gamma(x).subs(x,4.5) a.evalf(3) 11.6 simpilfy() 함수의 알고리즘은 식에서 공통사항을 찾아 정리하...
댓글 쓰기
Read more »

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...
댓글 쓰기
Read more »