![](/img/trans.png)
[英]Why is TA-Lib in Python returning nan when computing the ATR?
[英]Why I got NaN when computing volatility?
我正在嘗試按照本文中的方程式計算功率時間序列數據的歷史波動率。
數據的統計描述如下:
count 9855.000000
mean 291.135088
std 187.503344
min 0.000000
25% 112.408512
50% 332.370871
75% 449.527323
max 601.370058
這是我的實現:
# Computing Volatility
window_size=27
VOLATILITY = pd.DataFrame()
VOLATILITY['PV']= data
#'intra-hour
# Compute the logarithmic value
VOLATILITY['Log_IA'] = np.log(VOLATILITY['PV'] / VOLATILITY['PV'].shift(1))
# Compute Volatility using the pandas rolling standard deviation function
VOLATILITY['intra-hour'] = VOLATILITY['Log_IA'].rolling(window=window_size).std() * np.sqrt(window_size)# *100
我的數據有 1 年的半小時觀察,每天 27 步
這是我在選定的 1 天得到的 output 的示例,其中存在 NaN 問題
Timestamp PV Log_IA intra-hour
2019-03-01 06:00:00 0.000000 NaN NaN
2019-03-01 06:30:00 2.946333 inf NaN
2019-03-01 07:00:00 20.963667 1.962229 NaN
2019-03-01 07:30:00 38.284333 0.602250 NaN
2019-03-01 08:00:00 38.224667 -0.001560 NaN
2019-03-01 08:30:00 54.486667 0.354475 NaN
2019-03-01 09:00:00 54.608333 0.002230 NaN
2019-03-01 09:30:00 55.290667 0.012418 NaN
2019-03-01 10:00:00 54.317333 -0.017761 NaN
2019-03-01 10:30:00 54.680333 0.006661 NaN
2019-03-01 11:00:00 42.142333 -0.260451 NaN
2019-03-01 11:30:00 44.569000 0.055986 NaN
2019-03-01 12:00:00 36.988333 -0.186436 NaN
2019-03-01 12:30:00 35.802000 -0.032599 NaN
2019-03-01 13:00:00 29.006667 -0.210478 NaN
2019-03-01 13:30:00 43.254333 0.399572 NaN
2019-03-01 14:00:00 45.246333 0.045024 NaN
2019-03-01 14:30:00 29.768333 -0.418676 NaN
2019-03-01 15:00:00 37.510667 0.231180 NaN
2019-03-01 15:30:00 31.937000 -0.160860 NaN
2019-03-01 16:00:00 39.990333 0.224873 NaN
2019-03-01 16:30:00 32.263000 -0.214717 NaN
2019-03-01 17:00:00 40.707333 0.232487 NaN
2019-03-01 17:30:00 14.551333 -1.028726 NaN
2019-03-01 18:00:00 10.294333 -0.346089 NaN
2019-03-01 18:30:00 2.552667 -1.394455 NaN
2019-03-01 19:00:00 0.036333 -4.252158 NaN
那么,為什么我會因為波動性而得到 NaN?
我的實施有問題嗎?
您的實現是這樣的,無論PV
的值如何,您總是會為Log_IA
的第零個值獲得NaN
。 這是轉變的結果,可以通過運行以下代碼段來確認:
import numpy as np
import pandas as pd
VOLATILITY = pd.DataFrame()
VOLATILITY['PV'] = (1.0, 2.0, 3.0)
VOLATILITY['Log_IA'] = np.log(VOLATILITY['PV'] / VOLATILITY['PV'].shift(1))
你會看到VOLATILITY
是:
PV Log_IA
0 1.0 NaN
1 2.0 0.693147
2 3.0 0.405465
Log_IA
的第零個值是NaN
,因為您正在划分
PV
的前一個值,即索引 -1 處的PV
值。 這就是shift()
所做的,但是索引 -1 沒有值,所以你得到一個NaN
。 您可以使用fill_value
參數設置一個值來代替任何不存在的值: shift(1, fill_value=123)
。 當前一個索引的PV
值為 0 時,您還將獲得Log_IA
的任何值的inf
。
那么,為什么你會得到所有intra-hour
值的NaN
呢? 您采用VOLATILITY['Log_IA'].rolling(window=window_size)
的滾動標准偏差,它在索引 0 處包含inf
,對於包含inf
的序列,標准偏差是未定義的。 所以滾動標准偏差是NaN
,任何使用NaN
的算術運算都會導致NaN
。
現在,你也有一個問題在你的代碼中。 對於小於或等於 0 的值,對數未定義,但這不是導致您的
NaN
的原因。
https://www.varsitytutors.com/hotmath/hotmath_help/topics/logarithmic-functions.html
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.