用扩张风计算大Pandas的主成分分析

Question

我有以下市场数据框架：

                DP       PE        BM       CAPE
date
1990-01-31  0.0345  13.7235  0.503474   6.460694
1990-02-01  0.0346  13.6861  0.504719   6.396440
1990-02-02  0.0343  13.7707  0.501329   6.440094
1990-02-05  0.0342  13.7676  0.500350   6.460417
1990-02-06  0.0344  13.6814  0.503550   6.419991
...            ...      ...       ...        ...
2015-04-28  0.0201  18.7347  0.346717  26.741581
2015-04-29  0.0202  18.6630  0.348080  26.637641
2015-04-30  0.0205  18.4793  0.351642  26.363959
2015-05-01  0.0204  18.6794  0.347814  26.620701
2015-05-04  0.0203  18.7261  0.346813  26.695087

对于这个时间序列中的每一天，我都想用一个向后看的扩展窗口来计算最大的PCA组件。下面的代码给出了上面的测向：

^{pr2}$

我自己也尝试过几种不同的方法，但是似乎没有一种方法允许我访问PCA的特征值和向量，这样我就可以做this post所说的通过保持符号一致来消除噪声。这是我当前PCA值的图形，符号切换是一个非常大的问题：

我的错误PCA计算代码：

window = 252*5
# Initialize an empty df of appropriate size for the output
df_pca = pd.DataFrame( np.zeros((df.shape[0] - window + 1, df.shape[1])) )
# Define PCA fit-transform function
# Note: Instead of attempting to return the result,
#       it is written into the previously created output array.
def rolling_pca(window_data):
    pca = PCA()
    transf = pca.fit_transform(df.iloc[window_data])
    df_pca.iloc[int(window_data[0])] = transf[0,:]
    return True

# Create a df containing row indices for the workaround
df_idx = pd.DataFrame(np.arange(df.shape[0]))

# Use `rolling` to apply the PCA function
_ = df_idx.rolling(window).apply(rolling_pca)
df = df.reset_index()
df = df.join(pd.DataFrame(df_pca[0]))
df.rename(columns={0: 'PCAprice'}, inplace=True)
df['PCAprice'] = df['PCAprice'].shift(window)