回歸分析是金融中乙個繞不過的話題，其實最好的工具應該是r語言，但是pandas其實也是能夠勝任絕大部分工作的。
這裡我們就簡單介紹一下。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
noise = np.random.normal(0,12,100)
x= np.array(range(100))
y = 0.7*x + noise
pp = pd.dataframe()
model = pd.ols(y=pp['yvalue'],x=pp['xvalue'])
print model
plt.plot(x,y,'r.')
plt.plot(x,model.beta[1]+model.beta[0]*x,'b')
我們可以看一下程式的輸出，以及圖形上的表示。
這裡，pandas的回歸給出了上圖的分析。決策係數是0.7621，調整後的是0.7597，不過筆者這裡有乙個疑問，一元線性回歸的調整係數有意義嗎？
p-value很小，越小越拒絕，所以，我們拒絕原假設，換句話說，這裡的水平是顯著的。我們可以看到，我們程式中x和y的關係是沒有intercept項的，但是在回歸的時候卻產生了。但是我們可以看到，他的p-value是很大的，所以，講道理我們是可以拒絕原假設，換句話說，截距項是不顯著的，也就是說，我們不能承認這一截距項是對的。
然後繪製乙個圖，直觀的看一下回歸的過程，總的來說，效果還是很好的。當然，如果我們用的是真實世界的資料，恐怕就不會那麼好了吧。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
#定義乙個函式，用於回歸
def f(x):
return np.sin(x) + 0.5*x
#對x抽樣
x = np.linspace(-2*np.pi,2*np.pi,50)
#利用一階線性進行回歸
reg = np.polyfit(x,f(x),deg = 1)
#rg就是回歸之後的y的取值
ry = np.polyval(reg,x)
plt.plot(x,f(x),'b')
plt.plot(x,ry,'r.')
既然我們可以進行多項式擬合，那麼也就可以給出不同的擬合基函式。
上面的例子中，我們的曲線實際上是由sin函式和x組合的，所以，假設我們知道了這樣的情況，然後，選好這樣的兩個基，然後進行回歸擬合，應該會得到更加好的效果，而實際上也確實是這樣的。
matrix = np.zeros((2,len(x)))
matrix[1,:] = np.sin(x)
matrix[0,:] = x
reg = np.linalg.lstsq(matrix.t,f(x))[0]
print reg
ry = np.dot(reg,matrix)
plt.plot(x,f(x),'b')
plt.plot(x,ry,'r.')
我們繪製出來後是這樣的結果。
發現擬合的非常完美，然後擬合係數列印出來後時候0.5與1，這和我們設定的完全一樣。
《Python 金融大資料分析 python簡介》
1.風格 編輯python在設計上堅持了清晰劃一的風格，這使得python成為一門易讀 易維護，並且被大量使用者所歡迎的 用途廣泛的 語言。設計者開發時總的指導思想是，對於乙個特定的問題，只要有一種最好的方法來解決就好了。這在由tim peters寫的python格言 稱為the zen of py...
python資料分析回歸演算法
1，線性回歸，多元回歸，邏輯回歸 回歸即用乙個函式 資料之間的關係。線性回歸指用線性函式的方式來研究變數之間關係。多元回歸是指線性函式中變數有多個。邏輯回歸是線性回歸的拓展，資料分析中有兩類問題 回歸和分類。回歸的問題採用回歸的方法，分類的問題採用分類的方法。邏輯回歸是用線性回歸的方法來 分類問題。...
《Hadoop金融大資料分析》讀書筆記
hadoop金融大資料分析 hadoop for finance essentials 使用hadoop，是因為資料量大 資料量如此之多，以至於無法用傳統的資料處理工具和應用來處理的資料稱主大資料 3v定義 即 大量volume,多樣variety,高速velocity是與大資料相關的三個屬性或維度...