我有一堆股票数据,我正在尝试建立一个数据框架,从相关矩阵中获取前两个股票和底部股票,以及它们的实际相关性。 假设矩阵是这样的,corr看起来像这样: A B C D E
A 1.00 0.65 0.31 0.94 0.55
B 0.87 1.00 0.96 0.67 0.41
C 0.95 0.88 1.00 0.72 0.69
D 0.64 0.84 0.99 1.00 0.78
E 0.71 0.62 0.89 0.32 1.00 我想要做的是返回股票A,B,C,D& E中最好的两只,相关性最小的股票,以及它们之间的相关性,同时去掉每只股票之间明显的1
我有多个包含股票市场数据的数据,如下所示:
Open High Low Close Volume
我试图获得每个股票的最后一行的平均值(在给定时期内),并将它们合并成如下所示的单个数据框架:
Name SMA
StockA 15.1
StockB 34.44
我有一个简单的函数,它计算平均值并正确格式化它。当我在单一股票(dataframe)上运行它时,它就可以工作了。但是,当我尝试使用lapply将函数应用于所有数据文件的列表时,我会得到以下错误:
x错误,关闭:不正确的尺寸数。
符号是所有股票数据的列表。
任何帮助都将不胜感激。
require(TTR)
require(quantmod)
我有以下方法,它返回给我一个股票价格列表。 var tickers = Ticker.text.splice(',',' ');
var service = new StockService();
var tickerLoadingTasks = new List<Task<IEnumerable<StockePrice>>>();
foreach(var ticker in tickers)
{
var loadTask = service.GetStockPriceFor(ticker,cancellationTo
我在将变量转换为字符串时遇到问题。它不适用于str(object),而是打印出dataframe。我给我的数据框贴上了苹果的标签:
Apple = pd.Dataframe()
然后,我尝试执行for循环,将数据保存到另一个数据帧中。所以我这样做:首先,我把股票存储在apple_stock_list,苹果,三星,然后我想做一个这样的for循环:
for stocks in apple_stock_list:
for feature in features:
apple_stock[str(stocks) + "_"+ feature] = stocks[
我的数据集中有四个变量。Company显示了公司的名称。Return是Company在DayDate上的返回。Weight是这家公司在市场上的份量。
我希望将所有变量保留在原始文件中,并创建一个额外的变量,即市场回报(不包括Company本身)。与股票' a‘相对应的市场回报是指市场中所有加权股票在同一Date上的收益之和,不包括股票a。例如,如果市场中有3只股票,那么股票的市场回报(B)*权重(B)/(重量(B)+权重( c ))+回报(C)*重量(C)/(权重(B)+权重(C))。同样,b类股票的市场回报是(A)*重量(A)/(重量(A)+重量(C))+回报(C)*重量(C)/(重
我的核心数据模型相当简单,但却是分层的。个人实体具有一组基金实体。每个基金都有一组股票实体。每只股票都有一组Price实体。所以:
Person: to many Funds
Fund: to many Stocks
Stock: to many Prices
从架构上讲,我是否应该有一个类来管理每个核心数据实体的CRUD操作?我将其称为DAO (数据访问对象)和管理器。此外,如果我为每个实体都有一个管理器类,那么如果我想获取一个Person实体,我应该在管理器中写什么呢?
为了得到一个人,我不需要得到一个人的资金;然后使用基金DAO/经理来获得基金的股票;然后使用股票的DAO/经理来获得股票
我正在处理每日股票数据,并试图从t-11个月时间窗口的每日股票数据中计算月β值(例如,Dec的beta值包含从1月到12月的每日股票数据)。另外,我想在回归方程中包含至少150个观测值。
我想通过计算过去12个月超额股票回报率的回归系数来计算β值。我的样本数据列出了每只股票的超额回报(股票按一个数字分类)和最后一栏中的市场回报mktrf。
我想出了以下代码,但不幸的是我找不到错误:我在过去的12个月中使用了width=252,但还没有在代码中包含至少150个观察的先决条件。当股票被退市时,我也遇到了NAs的麻烦。我已经搜索了论坛,我只能在答案中找到相同的代码,所以我不知道我做错了什么。
rol
我有两个数据帧。一个包含在NSE上列出的股票的价格,股票代码作为列名,日期作为索引。另一张包含500只可交易股票的表格(每天都有不同的股票)。我正在尝试创建第三个Dataframe,它将从第一个DF获取数据并将其映射到500个股票。 范围内x的test_portfolio=pd.DataFrame(columns="Stock"+str(x+1) (531),index=df2.index) Num_col=len(df2.column) num_row=len(df2) 对于范围内的r(Num_row): for c in range(num_col): test