python中的copula（Frank、Clayton和Gumbel|python中的copula：Frank、Clayton和Gumbel copula模型估计与可视化） python中的copula：Frank、Clayton和

原文链接：http://tecdat.cn/?p=23646 你可能会问，为什么是copulas？我们指的是数学上的概念。简单地说，copulas是具有均匀边际的联合分布函数。最重要的是，它们允许你将依赖关系与边际分开研究。有时你对边际的信息比对数据集的联合函数的信息更多，而copulas允许你建立关于依赖关系的 "假设 "情景。copulas可以通过将一个联合分布拟合到均匀分布的边际上而得到，这个边际是通过对你感兴趣的变量的cdf进行量化转换而得到的。
这篇文章是关于Python的（有numpy、scipy、scikit-learn、StatsModels和其他你能在Anaconda找到的好东西），但是R对于统计学来说是非常棒的。我重复一遍，R对统计学来说是非常棒的。如果你是认真从事统计工作的，不管你是否喜欢R，你至少应该看看它，看看有哪些包可以帮助你。很有可能，有人已经建立了你所需要的东西。而且你可以从python中使用R（需要一些设置）。
说了这么多关于R的好处，我们还是要发一篇关于如何在python中使用一个特定的数学工具的文章。因为虽然R很牛，但python确实有令人难以置信的灵活性，可以用来处理其他事务。
这篇文章中即将出现的大部分内容都会用Jupyter Notebooks来构建。
软件我很惊讶，scikit-learn或scipy中没有明确的copula包的实现。
2D数据的Frank、Clayton和Gumbel copula 测试第一个样本（x）是从一个β分布中产生的，（y）是从一个对数正态中产生的。β分布的支持度是有限的，而对数正态的右侧支持度是无穷大的。对数的一个有趣的属性。两个边际都被转换到了单位范围。
【python中的copula（Frank、Clayton和Gumbel|python中的copula：Frank、Clayton和Gumbel copula模型估计与可视化）】我们对样本x和y拟合了三个族（Frank, Clayton, Gumbel）的copulas，然后从拟合的copulas中提取了一些样本，并将采样输出与原始样本绘制在一起，以观察它们之间的比较。

#等同于ppf，但直接从数据中构建 sortedvar=np.sort(var)#绘制for index,family in enumerate(\['Frank', 'clayton', 'gumbel'\]):#获得伪观测值 u,v = copula\_f.generate\_uv(howmany)#画出伪观测值 axs\[index\]\[0\].scatter(u,v,marker='o',alpha=0.7)plt.show()#总样本与伪观测值的对比 sz=300 loc=0.0 #对大多数分布来说是需要的 sc=0.5 y=lognorm.rvs(sc,loc=loc, size=sz)

独立（不相关）数据我们将从β分布中抽取（x）的样本，从对数正态中抽取（y）的样本。这些样本是伪独立的（我们知道，如果你用计算机来抽取样本，就不会有真正的独立，但好在是合理的独立）。

#不相关的数据：一个β值（x）和一个对数正态（y）。 a= 0.45#2. #alpha b=0.25#5. #beta#画出不相关的x和y plt.plot(t, beta.pdf(t,a,b), lw=5, alpha=0.6, label='x:beta')#绘制由不相关的x和y建立的共线性图 title='来自不相关数据的共线性 x: beta, alpha {} beta {}, y: lognormal, mu {}, sigma dPlot(title,x,y,pseudoobs)

python中的copula（Frank、Clayton和Gumbel|python中的copula：Frank、Clayton和Gumbel copula模型估计与可视化）

文章图片

文章图片

相依性（相关）数据自变量将是一个对数正态（y），变量（x）取决于（y），关系如下。初始值为1（独立）。然后，对于每一个点i, 如果

文章图片
, 那么

文章图片
, 其中c是从1的分数列表中统一选择的，否则,

文章图片
.

#相关数据：一个对数正态（y）。#画出相关数据 np.linspace(0, lognorm.ppf(0.99, sc), sz) plt.plot(t, gkxx.pdf(t), lw=5, alpha=0.6,

文章图片

文章图片

拟合copula参数没有内置的方法来计算archimedean copulas的参数，也没有椭圆elliptic copulas的方法。但是可以自己实现。选择将一些参数拟合到一个scipy分布上，然后在一些样本上使用该函数的CDF方法，或者用一个经验CDF工作。这两种方法在笔记本中都有实现。
因此，你必须自己写代码来为archimedean获取参数，将变量转化为统一的边际分布，并对copula进行实际操作。它是相当灵活的。

#用于拟合copula参数的方法 # === Frank参数拟合 """ 对这个函数的优化将给出参数 """ #一阶debye函数的积分值int_debye = lambda t: t/(npexp(t)-1.) debye = lambda alphaquad(int_debye , alpha )\[0\]/alpha diff = (1.-kTau)/4.0-(debye(-alpha)-1.)/alpha#================ #clayton 参数方法 def Clayton(kTau): try: return 2.*kTau/(1.-kTau) #Gumbel参数方法 def Gumbel(kTau): try: return 1./(1.-kTau)#================ #copula生成#得到协方差矩阵P #x1=norm.ppf(x,loc=0,scale=1) #y1=norm.ppf(y,loc=0,scale=1) #return norm.cdf((x1,y1),loc=0,scale=P)#================ #copula绘图fig = pylab.figure() ax = Axes3D(fig)ax.text2D(0.05, 0.95, label, transform=ax.transAxes) ax.set_xlabel('X: {}'.format(xlabel)) ax.set_ylabel('Y: {}'.format(ylabel))#sample是一个来自U,V的索引列表。这样，我们就不会绘制整个copula曲线。 if plot:print "绘制copula {}的样本".format(copulaName) returnable\[copulaName\]=copulapoints if plot: zeFigure=plot3d(U\[样本\],V\[样本\],copulapoints\[样本\], label=copulaName,

生成一些输入数据在这个例子中，我们使用的是与之前相同的分布，探索copula 。如果你想把这段代码改编成你自己的真实数据，。

t = np.linspace(0, lognorm.ppf(0.99, sc), sz)#从一些df中抽取一些样本 X=beta.rvs(a,b,size=sz) Y=lognorm.rvs(sc,size=sz) #通过对样本中的数值应用CDF来实现边缘分布 U=beta.cdf(X,a,b) V=lognorm.cdf(Y,sc)#画出它们直观地检查独立性 plt.scatter(U,V,marker='o',alpha=0.7) plt.show()

文章图片

文章图片

可视化Copulas 没有直接的构造函数用于高斯或t_Copulas_，可以为椭圆_Copulas_(_Elliptic_ _Copulas_)建立一个更通用的函数。

Samples=700 #选择用于抽样的copula指数 np.random.choice(range(len(U)),Samples)Plot(U,V)

文章图片

文章图片

Frechét-H?ffding边界可视化根据定理，我们将copula画在一起，得到了Frechét-H?ffding边界。

#建立边界为copula的区域 plot_trisurf(U\[样本\],V\[样本\],copula\['min'\]\[样本\], c='red') #上限 plot_trisurf(U\[样本\],V\[样本\],copula\['max'\]\[样本\], c='green') #下限

文章图片

文章图片

最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析
3.使用r语言进行时间序列（arima，指数平滑）分析
4.r语言多元copula-garch-模型时间序列预测
5.r语言copulas和金融时间序列案例
6.使用r语言随机波动模型sv处理时间序列中的随机波动
7.r语言时间序列tar阈值自回归模型
8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类
9.python3用arima模型进行时间序列预测