Skip to main content
 首页 » 编程设计

python之如何从相关矩阵和波动率向量创建协方差矩阵

2024年12月31日9cloudgamer

我在数据帧 df_corr 中有这个相关矩阵:

ticker     CNP         F        GE      TSLA       WMT                                                   
CNP     1.000000  0.302712  0.408604  0.205812  0.289421 
F       0.302712  1.000000  0.510077  0.302415  0.280815 
GE      0.408604  0.510077  1.000000  0.288827  0.326106 
TSLA    0.205812  0.302415  0.288827  1.000000  0.166978 
WMT     0.289421  0.280815  0.326106  0.166978  1.000000 

我在数据帧 df_vol 中有这个波动率向量:

CNP       0.012789 
F         0.014525 
GE        0.011579 
TSLA      0.026573 
WMT       0.011369 

我想要协方差矩阵。我不能在我的真实示例中使用 numpy cov,因为波动性和相关性不是来自同一个表。

这是预期的结果:

ticker     CNP        F        GE       TSLA       WMT     
CNP     0.000164  0.000056  0.000061  0.000070  0.000042 
F       0.000056  0.000211  0.000086  0.000117  0.000046 
GE      0.000061  0.000086  0.000134  0.000089  0.000043 
TSLA    0.000070  0.000117  0.000089  0.000707  0.000051 
WMT     0.000042  0.000046  0.000043  0.000051  0.000129 

请您参考如下方法:

IIUC,考虑到您有以下设置

设置

z = io.StringIO(""" 
ticker     CNP         F        GE      TSLA       WMT                                                   
CNP     1.000000  0.302712  0.408604  0.205812  0.289421 
F       0.302712  1.000000  0.510077  0.302415  0.280815 
GE      0.408604  0.510077  1.000000  0.288827  0.326106 
TSLA    0.205812  0.302415  0.288827  1.000000  0.166978 
WMT     0.289421  0.280815  0.326106  0.166978  1.000000""") 
 
df = pd.read_table(z, delim_whitespace=True) 
 
z2= io.StringIO(""" 
ticker vol 
CNP       0.012789 
F         0.014525 
GE        0.011579 
TSLA      0.026573 
WMT       0.011369""") 
 
df2 = pd.read_table(z2, delim_whitespace=True) 

您可以堆叠 值,并使用map 检索vol 值。然后乘以

所以首先堆栈

df = df.set_index('ticker').stack().reset_index() 
df.columns = ['ticker', 'other', 'corr'] 

这样你就可以

   ticker other      corr 
0     CNP   CNP  1.000000 
1     CNP     F  0.302712 
2     CNP    GE  0.408604 
3     CNP  TSLA  0.205812 
4     CNP   WMT  0.289421 
5       F   CNP  0.302712 
6       F     F  1.000000 
7       F    GE  0.510077 
8       F  TSLA  0.302415 
9       F   WMT  0.280815 

然后过滤掉相等的值(它们无关紧要)

df = df[df.ticker != df.other] 

和 map

df2 = df2.set_index('ticker') 
df['cov'] = df.ticker.map(df2.vol) * df.other.map(df2.vol) * df['corr'] 

哪个产量

df.head() 
 
 
    ticker  other   corr        cov 
1   CNP     F       0.302712    0.000056 
2   CNP     GE      0.408604    0.000061 
3   CNP     TSLA    0.205812    0.000070 
4   CNP     WMT     0.289421    0.000042 
5   F       CNP     0.302712    0.000056 

当然你总是可以pivot_table让它像矩阵一样

df.pivot_table(index=['ticker'], columns=['other'], values=['cov'], fill_value=1) 
 
 
other   CNP         F          GE           TSLA        WMT 
ticker                   
CNP     1.000000    0.000056    0.000061    0.000070    0.000042 
F       0.000056    1.000000    0.000086    0.000117    0.000046 
GE      0.000061    0.000086    1.000000    0.000089    0.000043 
TSLA    0.000070    0.000117    0.000089    1.000000    0.000050 
WMT     0.000042    0.000046    0.000043    0.000050    1.000000 

或者使用.values获取对应的np.array

df.pivot_table(index=['ticker'], columns=['other'], values=['cov'], fill_value=1).values 
 
array([[  1.00000000e+00,   5.62318492e-05,   6.05076457e-05, 
          6.99435817e-05,   4.20812754e-05], 
       [  5.62318492e-05,   1.00000000e+00,   8.57872875e-05, 
          1.16723972e-04,   4.63723078e-05], 
       [  6.05076457e-05,   8.57872875e-05,   1.00000000e+00, 
          8.88688235e-05,   4.29291322e-05], 
       [  6.99435817e-05,   1.16723972e-04,   8.88688235e-05, 
          1.00000000e+00,   5.04454626e-05], 
       [  4.20812754e-05,   4.63723078e-05,   4.29291322e-05, 
          5.04454626e-05,   1.00000000e+00]])