對于我的時間序列的每一列，計算EWMA收益的最佳方法是什么？在所有欄目中，我們有從今天-260d（-1年）到今天-1d的回報。
***的回報率是由各天的收盤價除以計算出來的。
我使用的是以下函式：
我使用的是以下函式：
ewma. func < - function(rets, lambda) {>
sig.p <- 0
sig. s < - vapply(rets, function(r) sig. p <<- sig. p*lambda (r^ 2）*（1 - lambda）。 0）
return(sqrt（sig. s））
}。
但是它每次只能生成1列的Ewma，所以我還必須做以下事情：
但是它每次只能生成1列的Ewma。
ewma_col = NULL
for (w in 1: ncol(df)）{
ewma_col[[w] = ewma。 func(df[, w], lambda = 0。 94)
}
df2 <- do. call(rbind, ewma_col) %> % t()
colnames(df2) = colnames(df)
由于我有來自這個特定物件的5個列，并且在我正在處理的串列中還有更多類似的100個物件，因此要為每個物件的每一列計算Ewma變得非常困難和低效。所以我在想，是否有一個更簡單的方法可以做到這一點。
我的抽樣df:
structure(list(`25079578000106` = c(0. 311405806132825, 0.0261260831393884,
0.126801611077099, -0.201990496952931, -0.169037712385034, -0.372023939507926,
0.426906935535953, -0.402262040825008, -0.273008284875687, 0.142923301064002,
0.0522466965776403, 0.491128923749784, 0.547432459279662, -0.00905547394722817,
0.243408062669914, -0.565142654522788, -0.0284871479379945, 0.141976900522423,
-0.115634388475883, 0.0858369759953348, 0.252102295598888, -0.130994651044603,
0.213179273123387, 0, 0.254748840234242, -0.162688137697842,
0.0670642675686395, 0.409574624973175, 0.11580733826122, 0.152815408000606,
-0.194192341950838, 0.079688931509736, 0.0390181277907686, 0.0366672406016733,
-0.0841513321574894, 0.170703395997407, -0.1032803445014, 0.301935098286776,
0.12983982123842, 0.179888841921638, -0.04270641511539, 0.194911670405418,
-0.126730582360324, 0.348033349109755, 0.0962079717282904, 0.0734806822947576,
0.151055897003971, -0.0701511527950061, -0.161361593563925, 0.246798639636836
), `21144577000147` = c(0.402627056610072, 0.0670045021252008,
0.136672287590045, -0.257998532470083, -0.126993350295379, -0.57979580369647,
0.493768537307915, -0.491292521383002, -0.403311319223576, 0.130267872918921,
-0.0309827290038811, 0.617972996951721, 0.486863606965926, 0.0791557540651411,
0.221599948054063, -0.743017289278214, -0.122417766579019, 0.199045961198863,
-0.204796549951425, 0.0958513541263528, 0.221446985779039, -0.103656955252518,
0.242373424043762, 0, 0.320491723141458, -0.187373789685807,
0.073898113987525, 0.443193321189028, 0.131922088075953, 0.167945069370035,
-0.218753095850843, 0.0856883381857187, 0.0915706430532737, 0.0253365722528542,
-0.10242040234516, 0.210685512865894, -0.111825193016557, 0.343926238201675,
0.145042635631398, 0.169826889032265, -0.085688805575046, 0.256890913078678,
-0.173078901207191, 0.502885210153181, 0.0139494439281407, 0.111911786007113,
0.124141056221561, -0.1009381527183, -0.164678661440121, 0.270671359612606
), `19107923000175` = c(1.17081038442848, -1.53767897591024,
-0.511278352678346, 0.801980435971927, -1.1354756311448, 1.33550018854294,
-0.877121115991031, 0.893385693962045, -3.05784205729651, 0.790948188478069,
-0.874211667633062, -2.0517918994301, 0.108547761010414, 1.31951493240194,
0.59011726098106, 0.751824284998293, -2.542040795106, -1.30722252988562,
0.166101507966232, -0.333577277251607, -0.48391700402135, -0.287302340893802,
0.276978237343428, 0, -2.20114477424431, 2.28636453339277, 3.21842714220111,
0.591201915267447, 1.88892838687025, -2.4835963874466, 0.93808037963754,
-2.02373054462441, 1.10818007306079, 0.963590860919794, 0.221162120942608,
0.927865234370984, 1.30669520840456, -1.5475129142942, 1.44346553624928,
-1.33299447861646, 2.56613694509724, -0.854390492077073, 0.431278918404132,
-0.419447091917391, 0.437028634769376, -0.279096110807586, 0.702864309823781,
1.8092529326168, -1.76575759915067, 1.79323091451806), `25079578000106` = c(-1.46258859240334,
-1.08758898677479, -0.0989607635347056, 0.877778709582344, -1.81190225830505,
3.65239411476068, -0.591252178764989, 1.21883593492385, 2.9361510378294,
-1.21526156190157, 5.60858230674057, -0.483417673513031, 3.11737542488117,
-0.928573480450723, -0.855911339203885, 1.42741011768521, 2.48564664470905,
3.64030099535739, -0.0133031404402573, 1.84565666459093, 3.33521612974437,
-0.706821796120494, -1.41998375802359, 0, -1.00702592444577,
-0.764259576953918, 0.504494091364904, 2.34908743768756, 1.12513038984616,
0.883990707916382, -0.23625019375686, 0.794114018390246, -1.84599011799946,
1.00693676176888, -2.68018999058768, 2.1352680909331, -0.361733150930377,
1.57261038511933, 0.0516994778081425, 1.29365618286101, 1.84691599060898,
-0.271832695671037, 1.894436301518, 0.0966644805885153, 1.10278020638361,
-1.48991306559765, 0.533713807271852, 0.703722278376517, -0.931114916329534,
2.53580948592571), `19436835000117` = c(1.49069022500044, -1.29966042904925,
-0.395616604691895, 0.727380076932604, -0.30439719239439, 0.550924036724609,
-0.846017086223583, 0.841084288731508, -2.71310085681762, 0.432345969238668,
-1.42297721340583, -1.75329706107732, -0.234704765443894, 1.02912636612018,
0.953879318876716, 0.506016590225045, -2.46852979989853, -1.29307204251745,
-0.361195165078243, 0.142310472620011, -0.545533438798884, 0.0622563582510338,
0.664697968204564, 0, -2.65178033678239, 1.65225289310911, 2.5845850508631,
0.743106457593967, 1.91502897378086, -2.12601029097641, 0.531378326195409,
-1.64881667524241, 0.658820966236817, 0.782823536428623, -0.430202234929311,
0.941061544290278, 1.38020377507928, -1.04732682539179, 0.918463659036206,
-0.891537194911507, 2.72019066906068, -0.480601724302687, 0.65309472320223,
0.334795709022728, 0.0443713630374987, -0.747195361418562, 0.921720304359042,
1.04346702937619, -1.57727738560425, 1.28708233642101)), row.names = c("Retorno D - 260",
"Retorno D - 259", "Retorno D - 258", "Retorno D - 257", "Retorno D - 256" 。
"Retorno D - 255", "Retorno D - 254", "Retorno D - 253", "Retorno D - 252",
"Retorno D - 251", "Retorno D - 250", "Retorno D - 249", "Retorno D - 248",
"Retorno D - 247", "Retorno D - 246", "Retorno D - 245", "Retorno D - 244",
"Retorno D - 243", "Retorno D - 242", "Retorno D - 241", "Retorno D - 240",
"Retorno D - 239", "Retorno D - 238", "Retorno D - 237", "Retorno D - 236",
"Retorno D - 235", "Retorno D - 234", "Retorno D - 233", "Retorno D - 232",
"Retorno D - 231", "Retorno D - 230", "Retorno D - 229", "Retorno D - 228",
"Retorno D - 227", "Retorno D - 226", "Retorno D - 225", "Retorno D - 224",
"Retorno D - 223", "Retorno D - 222", "Retorno D - 221", "Retorno D - 220",
"Retorno D - 219", "Retorno D - 218", "Retorno D - 217", "Retorno D - 216",
"Retorno D - 215", "Retorno D - 214", "Retorno D - 213", "Retorno D - 212",
"Retorno D - 211"), class = "data.frame")
uj5u.com熱心網友回復：
你可以使用purrr包中的map_df，在一行中完成。
library（dplyr）
library(purrr)
ewma_col <- map_df(df1, ewma. func, lambda = 0.94）
ewma_col
# A tibble: 50 x 5
`25079578000106``21144577000147``19107923000175``32666326000149``19436835000117`。
<dbl> <dbl> <dbl> <dbl><dbl>
1 0.0763 0.0986 0.287 0.358 0.365
2 0.0742 0.0970 0.468 0.438 0.476
3 0.0784 0.0998 0.471 0.425 0.472
4 0.0907 0.116 0.497 0.465 0.491
5 0.0972 0.116 0.556 0.633 0.482
6 0.131 0.181 0.631 1.08 0.486
7 0.165 0.213 0.648 1.06 0.515
8 0.188 0.239 0.666 1.07 0.540
9 0.194 0.252 0.989 1.26 0.846
10 0.191 0.247 0.978 1.26 0.827
uj5u.com熱心網友回復：
計算EWMA的函式式編程解決方案
避免忽略本地范圍的賦值<<-是可取的。 在重構或復制/粘貼代碼時，這個小賦值可能會被遺漏。
1. 來源于示例資料并加載需要的庫
。復制粘貼上面的dput輸出到一個文本檔案中，允許我們對檔案進行源化，并將值，即一個data.frame，存盤在一個變數（df）中。
DPUT_TEXT_FILE <- '/tmp/example_dput.txt'
df <- source(DPUT_TEXT_FILE)$value
我們將使用purrr來即時創建一個函式，而dplyr將被用來對資料框架的每一列應用一個函式。
library(dplyr)
library(purrr)
內部計算
問題主體中的最內部計算歸結為以下幾點。 原有實作的一個重要方面是，這個函式的結果被反饋到后續的呼叫中。# Calculate single statistic[/span
single_ewa < - function(sig_p, val, lambda）{
sig_p*lambda (val^2）*(1 - lambda）
}
使用部分應用函式和累加器函式求解。
# Calculate full weighted moving average
calc_ewma < - function(vals, lambda){>
# 部分應用計算單一統計函式來設定lambda
part_ewa <- partial(single_ewa,/span> lambda=lambda)
# Reduce and accumulate to get the raw moving results.
raw_result < - Reduce(f=part_ewa, x=vals。 init=0。 累積 = TRUE ）
#平方根完成計算
結果 <- sqrt（raw_result）
# 最后，將初始條件從累積中洗掉。
結果 <- 結果[2。 length(result)]
return（result）
}。
部分應用函式
# Calculate full weighted moving average
calc_ewma < - function(vals, lambda){>
# 部分應用計算單一統計函式來設定lambda
part_ewa <- partial(single_ewa,/span> lambda=lambda)
# Reduce and accumulate to get the raw moving results.
raw_result < - Reduce(f=part_ewa, x=vals。 init=0。 累積 = TRUE ）
#平方根完成計算
結果 <- sqrt（raw_result）
# 最后，將初始條件從累積中洗掉。
結果 <- 結果[2。 length(result)]
return（result）
}。
使用purrr::partial我們可以設定lambda并得到一個不再需要我們傳遞引數的函式回傳。 這也被稱為currying函式。 它得到一個具有我們要找的airity（引數數量）的函式。 即，累積值sig_p和一個新值val。
累加器函式，Reduce
。
我們使用Reduce從一個初始值0開始，從輸入向量傳遞一個值，運行處理這兩個的函式，最后為下一次迭代累積結果。 這個程序對輸入向量的每個成員都持續一次。 使用accumulate=TRUE可以得到一個累積值的向量，而不僅僅是最終值。
最后，砍掉列名并進行作業
。暫時將列名換成列舉名，可以避免dplyr函式拋出關于非唯一列名的錯誤。
# Save old colnames as hack around duplicate column names。
old_colnames <- colnames(df)
colnames(df) <- as. character(1: ncol(df)）
#做計算。
ewma_df <- df %>% mutate_all（. funs=calc_ewma, lambda=0.94）。
#重新分配colnames
colnames(df) <- old_colnames
colnames(ewma_df) <- old_colnames
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/332223.html
標籤：
上一篇：如何在dplyr中使用group_by與mean和sum？
下一篇：在shiny中為DT行添加背景色