Python实现滚动回归模型(RollingOLS算法)项目实战

说明：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