问题描述
受到 Boyd et. Al. 2017 的启发,我正在尝试创建一个因子模型来降低协方差矩阵 Sigma 的维数。想法是将协方差矩阵拆分为因子载荷 (F)、因子协方差 (Sigma super f) 和特殊风险(对角矩阵 D)。
在 Abhyankar Ameya 之后,我可以如下设置我的每周历史回报的 PCA
from sklearn.decomposition import PCA
from sklearn.preprocessing import scale
historical_returns = pd.read_csv(...)
X = historical_returns.values
X = scale(X)
pca = PCA(n_components=5)
pca.fit(X)
factor_loadings = pd.DataFrame(pca.components_)
我相信 factor_loadings
是上面的 F。如何计算维度减少后的因子协方差和特质风险?比例函数会搞砸吗?
解决方法
暂无找到可以解决该程序问题的有效方法,小编努力寻找整理中!
如果你已经找到好的解决方法,欢迎将解决方案带上本链接一起发送给小编。
小编邮箱:dio#foxmail.com (将#修改为@)