给定一些实值经验数据（时间序列），我可以将其转换为直方图，以获得数据的（非参数）经验分布，但直方图是块状和锯齿状的。
相反，我想从scipy或scipy.stats分布函数库中确定最佳拟合的参数分布，这样我就可以人为地生成一个参数分布，它与我的真实的数据的经验分布非常吻合。
例如，如果经验数据是经验AAPL股票收益率的月度收益率，我知道参数Json-SU分布类似于，并且可以模仿股票收益率分布，因为它具有可定制的偏斜。然而，scipy中的JsonSU分布需要校准四个输入参数。我如何从scipy中搜索这个参数分布的最佳参数设置，以拟合我的AAPL回报样本的经验分布？
2条答案
按热度按时间pu3pd22g1#
Q：“我想从
scipy或scipy.stats分布函数库中识别最佳拟合的参数分布，以便人工生成一个参数分布，该分布与我的真实的数据的经验分布密切拟合。"上面来自@SeverinPappadeux的链接可能会有所帮助（K-S测试很好），但它很好地服务于一对已经完成的分布的 * 分析比较 *，而不是实际建设性生成的过程。
所以让我们明确一下目标：
scipy/scipy.stats生成器？或
如果前者是你的愿望
然后
我们遇到了一个矛盾，寻求一个参数化的（脚本化的）分布生成器引擎，它将（在某种意义上的“最佳”）匹配一个主要不可脚本化的经验分布
好吧，因为一个人可能仍然希望这样做，
然后
您将确实以某种痛苦的ParameterSPACE搜索策略（使用现成的或定制的
scipy/scipy.stats硬编码生成器）结束，该策略将试图找到这些生成器的硬编码参数的ParameterSPACE向量的“最佳”匹配值。这可能会在某种程度上教会你增加维度的罪恶（硬编码生成器的参数越多，参数空间搜索空间就越大，进入**O( n * i^N * f^M * c^P * b^Q)**双重麻烦，具有相应硬编码生成器的N-整数，M-浮点，P-基数和Q-布尔参数，这对你的时间预算来说很不好不是吗）.如果是后者，
然后
我们可以通过适当地定义什么是“匹配”“原始” 的“健康”，来集中注意力于一种更有成效的方式。
第一个候选是生成一个非常随机的（很容易是PRNG产生的）噪声，如果在PriceDOMAIN方向内不是太“强”，可以简单地添加到经验-“原始” 中。
可能会添加更多复杂性，使用相同的技巧，使用叠加，退出，频率特定技巧，离群值添加（如果稍后测试某些低响应策略的稳健性特性/限制等）
无论如何，后一个目标的所有这些方法都有一个可爱的特性，即不会对高维参数空间进行任何大规模的搜索，但通常与
O( n )-scaled一样好--这很酷，不是吗？所以，只有一个人自己的想象力是这里的极限：o）
92vpleto2#
如果你愿意使用R，
JSUparameters是一个R包，它可以满足你的需要;它将估计给定数据集的最佳拟合Json$S_U$分布的参数。该软件包可以从CRAN下载：https://CRAN.R-project.org/package=JSUparameters
您还可以从其GitHub存储库中查看它的使用示例：https://github.com/cjclarke98/JSUparameters
最后，你可以阅读一篇关于pacakge的简短博客文章：https://cjclarke.weebly.com/blog