两只股票协整检验代码示例

下面是两只股票协整检验的 Python 代码示例：

import pandas as pd
from statsmodels.tsa.stattools import coint

# 读取两只股票的收盘价数据
stock1 = pd.read_csv('stock1.csv', index_col=0)
stock2 = pd.read_csv('stock2.csv', index_col=0)

# 进行协整检验
result = coint(stock1['close'], stock2['close'])

# 打印协整检验结果
print('t-statistic: ', result[0])
print('p-value: ', result[1])
print('critial values: ', result[2])

上述代码中，我们首先使用 Pandas 库读取了两只股票的收盘价数据，分别存储在 `stock1` 和 `stock2` 变量中。然后，我们使用 `coint()` 函数进行协整检验，并将结果存储在 `result` 变量中。最后，我们打印了协整检验的 t 统计量、p 值和临界值。

需要注意的是，这里使用的 `coint()` 函数是来自于 `statsmodels.tsa.stattools` 模块，它可以计算两个时间序列之间的协整关系。

相关问题

在进行配对交易前，对两只股票的对数价格进行协整检验 代码示例

下面是对两只股票的对数价格进行协整检验的 Python 代码示例：

import pandas as pd
from statsmodels.tsa.stattools import coint

# 读取两只股票的价格数据
stock1 = pd.read_csv('stock1.csv', index_col=0)
stock2 = pd.read_csv('stock2.csv', index_col=0)

# 对两只股票的价格取对数，计算价格比率
price_ratio = pd.Series(stock1['close'].apply(np.log) - stock2['close'].apply(np.log))

# 进行协整检验
result = coint(stock1['close'], stock2['close'])

# 打印协整检验结果
print('t-statistic: ', result[0])
print('p-value: ', result[1])
print('critial values: ', result[2])

上述代码中，我们首先使用 Pandas 库读取了两只股票的价格数据，分别存储在 `stock1` 和 `stock2` 变量中。然后，我们对两只股票的价格取对数，计算价格比率，并将结果存储在 `price_ratio` 变量中。最后，我们使用 `coint()` 函数进行协整检验，并将结果存储在 `result` 变量中。最后，我们打印了协整检验的 t 统计量、p 值和临界值。

需要注意的是，这里对价格取对数是为了将价格转换为对数收益率，从而使其更适合用于协整检验。另外，这里使用的 `coint()` 函数与前面的示例代码相同，仅是传入了两只股票的对数价格。

在进行配对交易前，用OLS回归对两只股票的对数价格进行协整检验 代码示例

下面是对两只股票的对数价格进行协整检验的 Python 代码示例，使用了OLS回归：

import pandas as pd
import statsmodels.api as sm

# 读取两只股票的价格数据
stock1 = pd.read_csv('stock1.csv', index_col=0)
stock2 = pd.read_csv('stock2.csv', index_col=0)

# 对两只股票的价格取对数，计算价格比率
price_ratio = pd.Series(stock1['close'].apply(np.log) - stock2['close'].apply(np.log))

# 拟合OLS回归模型
model = sm.OLS(stock1['close'], sm.add_constant(stock2['close'])).fit()

# 打印协整检验结果
print(model.summary())

上述代码中，我们首先使用 Pandas 库读取了两只股票的价格数据，分别存储在 `stock1` 和 `stock2` 变量中。然后，我们对两只股票的价格取对数，计算价格比率，并将结果存储在 `price_ratio` 变量中。接着，我们使用 `sm.OLS()` 函数拟合OLS回归模型，并将结果存储在 `model` 变量中。最后，我们打印了协整检验的OLS回归结果。

需要注意的是，这里使用的 `sm.OLS()` 函数是来自于 `statsmodels.api` 模块，它可以拟合OLS回归模型。此外，由于我们拟合的是股票价格之间的关系，所以在拟合回归模型时，我们使用了 `stock1['close']` 作为因变量，`sm.add_constant(stock2['close'])` 作为自变量。最后，我们打印的OLS回归结果中，我们需要关注的是截距项和自变量的系数，以及 p 值。如果截距项和自变量的系数都显著不为零，并且 p 值小于设定的显著性水平，则说明两只股票之间存在协整关系。