Python实现滚动回归模型(RollingOLS算法)项目实战

说���：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

滚动回归是一种描述动态系统兴伟的数学模型，它是一种差分方程，用于预测未来的状态或变化。在物理、经济、生态学等领域，滚动回归被广泛应用于时间序列分析、预测和控制系统设计等方面。

本项目通过RollingOLS回归算法来构建滚动回归模型。  

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

数据来源：Kenneth R. French - Data Library (dartmouth.edu)，业务含义，请自行查看。

编号	变量名称	描述
1	Date
2	Mkt-RF
3	SMB
4	HML
5	RF
6	NoDur
7	Durbl
8	Manuf
9	Enrgy
10	HiTec
11	Telcm
12	Shops
13	Hlth
14	Utils
15	Other

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

      

从上图可以看到，总共有4个变量，数据中无缺失值，共1168条数据。

关键代码：

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、RLS、最大值。

关键代码如下：   

4.探索性数据分析

4.1 Mkt-RF变量直方图

用Matplotlib工具的hist()方法绘制直方图：

从上图可以看到，Mkt-RF变量主要集中在-10~10之间。

4.2 相关性分析

从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。

5.特征工程

5.1 建立反应变量和观测值

关键代码如下：

6.构建滚动回归模型

主要使用RollingOLS回归算法，用于目标回归。

6.1 构建单变量观测值模型

编号	模型名称	参数
1	滚动回归模型	endog
2	exog=['Mkt-RF']
3	window=60

6.2 模型参数信息

查看模型的截距和参数信息。

6.3 绘制95%置信区间图

6.4 构建多变量观测值模型

编号	模型名称	参数
1	滚动回归模型	endog
2	Exog=['Mkt-RF', 'SMB', 'HML']
3	window=60

6.5 模型参数信息

查看模型的截距和参数信息。

7.模型评估

7.1 绘制95%置信区间图

8.结论与展望

综上所述，本文采用了RollingOLS回归算法来构建回归模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。  

# 本次机器学习项目实战所需的资料，项目资源如下： # 项目说明： # 获取方式一： # 项目实战合集导航： https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2 # 获取方式二：链接：https://pan.baidu.com/s/1nouN8IBol0NhMev_po6nxw 提取码：aq16