大佬教程收集整理的这篇文章主要介绍了拓端tecdat|R语言股票收益分布一致性检验KS检验Kolmogorov-Smirnov、置换检验Permutation Test可视化，大佬教程大佬觉得挺不错的，现在分享给大家，也给大家做个参考。

原文链接：http://tecdat.cn/?p=25086 

原文出处：拓端数据部落公众号

今年的收益是否真的与典型年份的预期不同？差异实际上与典型年份的预期不同吗？这些都是容易回答的问题。我们可以使用均值相等或方差相等的测试。但是下面这个问题呢。 

今年的收益概况与一般年份的预期情况是否不同？

这是一个更加普遍和重要的问题，因为它包括所有的时刻和尾部行为。而且它的答案也不那么简单。

我在想一定有一种方法可以检验收益密度之间的差异，而不仅仅是量化、可视化和用眼睛看。确实有这样的方法。这篇文章的目的是展示如何正式检验密度之间的平等。

事实上，至少有两种方法可以检验两个密度或两个分布之间的平等。第一种是比较经典的。这种检验被称为Kolmogorov-Smirnov检验。另一种是比较现代的，使用Permutation Test置换检验（需要模拟）。我们展示这两种方法。让我们先拉出一些价格数据。

1.  
    
2.  
   end<- format(Sy.D, "%Y-%m-%d")
3.  
   l = lenh
4.  
   da0 <- lay
5.  
   Time <- index
6.  
   ret <- as.numeric/as.numeric -1
7.  
   tail(rt)
8.  
   # 得到直到2018年的指数。
9.  
   # 我们随后将2018年与其他年份进行比较
10.  
    tid<- which(index)
11.  
     

1.  
   # 每日收益的平均值和SD（2018年除外）
2.  
    
3.  
   > mean(100*rt[1:pd])

> SD(100*retd[1:tid])

1.  
   > # 2008年（到目前为止）每日回报的平均值和SD值
2.  
    
3.  
   > mean(100*rtd[-c(1:tpd)])

> SD(100*red[-c(1:mid)])

我们可以看到，2018 年每日收益的均值和标准差与其余的均值和标准差略有不同。这是估计密度的样子：

Kolmogorov-Smirnov 检验

 我们可以做的是计算每个密度的累积分布函数

。2018年的那个和不包括2018年的那个。说

分布是针对2018年的，

分布是针对其他的。我们计算每个X的差异

。我们知道这些（绝对）差异的最大值是如何分布的，所以我们可以用这个最大值作为测试统计量，如果它在尾部的分布太远，我们就认为这两个分布是不同的。从形式上看。

  

 

 介于 0 和 1 之间（通过构造，因为我们减去两个概率并取绝对值）。 

 是一个 Brownian bridge. （最大）差异具有已知分布。这是一个极限分布，所以我们需要大量的观测值 n 才能对这个检验有信心。

Kolmogorov-Smirnov 测试 - R 代码

让我们将 2018 年的每日收益与其余收益进行比较，看看基于 Kolmogorov-Smirnov 检验的分布是否相同：

1.  
   # Kolmogorov-Smirnov测试 ####
2.  
   ks.test
3.  
    

我们看到，最大值是0.067，根据极限分布，P值是0.3891。所以没有证据表明2018年的分布与其他的分布有任何不同。

让我们来看看置换检验。主要原因是，鉴于Kolmogorov-Smirnov 检验是基于极限分布的，为了使其有效，我们需要大量的观察结果。但是现在我们不必像过去那样依赖渐进法，因为我们可以使用计算机。

两个密度相等的置换检验Permutation Test

直观地说，如果密度完全相同，我们可以把它们放在一起，从 "捆绑数据 "中取样。在我们的例子中，因为我们把收益率聚集在一个向量中，对向量进行排列意味着2018年的每日收益率现在分散在向量中，所以像上面的方程那样取一个差值，就像从一个无效假设中进行模拟：2018年每日收益率的分布与其他的完全相同。现在，对于每个x，我们将有一个在原假设下的差异。我们也有每个x的实际差异，来自我们的观察数据。我们现在可以将密度之间的实际差异（每个x）平方（或取绝对值），并将其与我们从 "数据 "生成的模拟结果进行比较。通过观察实际差异落在模拟差异的哪个四分位数，可以估计出p值。如果实际数据远远超出了原假设下的分布范围，那么我们将拒绝分布相同的假设。

密度比较置换检验 - R 代码

我们来执行刚刚描述的操作。两个参数 boot 和grid 是您想要的模拟数量以及您在计算 x 时想要使用的网格点数 

. 因此 ngrid=100 。

1.  
    
2.  
   # 我们需要两组的索引，2018年和其他的。
3.  
   id <- substr
4.  
   tmnd <- i1 == 2018
5.  
   sme

我们可以看到 p 值与我们使用 Kolmogorov-Smirnov 检验得到的值差别不大。这是它的样子：

等密度检验：p 值 = 0.326

---

最受欢迎的见解

1.Matlab马尔可夫链蒙特卡罗法（MCMC）估计随机波动率（SV，Stochastic Volatility） 模型

2.基于R语言的疾病制图中自适应核密度估计的阈值选择方法

3.WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较

4.R语言回归中的hosmer-lemeshow拟合优度检验

5.matlab实现MCMC的马尔可夫切换ARMA – GARCH模型估计

6.R语言区间数据回归分析

7.R语言WALD检验 VS 似然比检验

8.python用线性回归预测股票价格

9.R语言如何在生存分析与Cox回归中计算IDI，NRI指标

大佬总结

以上是大佬教程为你收集整理的拓端tecdat|R语言股票收益分布一致性检验KS检验Kolmogorov-Smirnov、置换检验Permutation Test可视化全部内容，希望文章能够帮你解决拓端tecdat|R语言股票收益分布一致性检验KS检验Kolmogorov-Smirnov、置换检验Permutation Test可视化所遇到的程序开发问题。

如果觉得大佬教程网站内容还不错，欢迎将大佬教程推荐给程序员好友。

本图文内容来源于网友网络收集整理提供，作为学习参考使用，版权属于原作者。
如您有任何意见或建议可联系处理。小编QQ：384754419，请注明来意。