我需要建模并估计从资产类别方差 - 协方差矩阵返回,所以我一直在寻找在股票收益例子在第6章给出的https://github.com/CamDavidsonPilon/Probabilistic-Programming-and-Bayesian-Methods-for-HackersPyMC - 协方差威沙特分布估计
这是我简单的实现方式,其中我从使用已知均值和方差 - 协方差矩阵的多变量正态分布开始。然后我尝试使用非信息性的priror来估计它。
估计值与已知的先前不同,所以我不确定我的实现是否正确。如果有人能指出我做错了什么,我将不胜感激。
import numpy as np
import pandas as pd
import pymc as pm
p=3
mu=[.03,.05,-.02]
cov_matrix= [[.025,0.0075, 0.00175],[0.0075,.007,0.00135],[0.00175,0.00135,.00043]]
n_obs=10000
x=np.random.multivariate_normal(mu,cov_matrix,n_obs)
prior_mu=np.ones(p)
prior_sigma = np.eye(p)
post_mu = pm.Normal("returns",prior_mu,1,size=p)
post_cov_matrix_inv = pm.Wishart("cov_matrix_inv",n_obs,np.linalg.inv(cov_matrix))
obs = pm.MvNormal("observed returns", post_mu, post_cov_matrix_inv, observed = True, value = x)
model = pm.Model([obs, post_mu, post_cov_matrix_inv])
mcmc = pm.MCMC()
mcmc.sample(5000, 2000, 3)
mu_samples = mcmc.trace("returns")[:]
mu_samples.mean(axis=0)
cov_inv_samples = mcmc.trace("cov_matrix_inv")[:]
mean_covariance_matrix = np.linalg.inv(cov_inv_samples.mean(axis=0))
感谢您的评论!我已经按照您的建议实施了这些更改,并且确实有所帮助。在回顾了关于这个主题的更多文献之后,一个关键的改进是由Wishart分布产生的协方差矩阵需要通过观察数量来缩小。我已经在这篇文章中发布了对上述内容的改进 - http://stackoverflow.com/questions/21711150/pymc-variance-covariance-matrix-estimation – akhil