第八讲Matlab在金融工程中的应用.ppt

corrcoef ( ingredients ) ans = 1.0000 0.2286 -0.8241 -0.2454 0.2286 1.0000 -0.1392 -0.9730 -0.8241 -0.1392 1.0000 0.0295 -0.2454 -0.9730 0.0295 1.0000 例3 用Matlab自带数据进行主成分分析。Matlab中自带了数据文件 hald ，可以直接调用进行主成分分析。hald 数据考虑影响温度的 4 个因素，温度保存在 heat 变量中，4 个因素的观察值保存在 ingredients 中。由于 4 个因素之间存在相关性，无法直接回归，为解决这个问题，首先进行主成分分析，生成四个主成分变量，主成分之间互不相关，而且和观察值的信息是同样的。 第一步：载入数据，考察变量之间的相关性。 load hald %载入Matlab自带的数据文件 考察相关性 发现自变量 2 与变量 3 之间的高度相关，所以需要剔除相关性。 第二步：主成分分析。 [pc,score,latent,tsquare] = princomp(ingredients) 主成分系数 pc = 0.0678 0.6460 -0.5673 0.5062 0.6785 0.0200 0.5440 0.4933 -0.0290 -0.7553 -0.4036 0.5156 -0.7309 0.1085 0.4684 0.4844 主成分的方差贡献率 score = -36.8218 6.8709 4.5909 0.3967 -29.6073 -4.6109 2.2476 -0.3958 12.9818 4.2049 -0.9022 -1.1261 -23.7147 6.6341 -1.8547 -0.3786 0.5532 4.4617 6.0874 0.1424 10.8125 3.6466 -0.9130 -0.1350 32.5882 -8.9798 1.6063 0.0818 -22.6064 -10.7259 -3.2365 0.3243 9.2626 -8.9854 0.0169 -0.5437 3.2840 14.1573 -7.0465 0.3405 -9.2200 -12.3861 -3.4283 0.4352 25.5849 2.7817 0.3867 0.4468 26.9032 2.9310 2.4455 0.4116 协方差的特征值 latent = 517.7969 67.4964 12.4054 0.2372 tsquare = 5.6803 3.0758 6.0002 2.6198 3.3681 0.5668 3.4818 3.9794 2.6086 7.4818 4.1830 2.2327 2.7216 由此可以得到4个主成分如下： 从特征值可以看出前面两个主成分可以很好的解释98%的方差： (517.796 9+67.496 4)/(517.7969+67.4964+12.4054+0.2372) =98% covx=cov(ingredients); [pc,latent,explain]=pcacov(covx) 采用 pcacov 函数计算主成分的结果同 princomp 函数的结果是一样的。 load hald 然后计算观察变量 ingredients 协方差。 new = ingredients * pc 在确定主成分后对主成分进行回归。 将生成的 4 个主成分，保存在变量 new 中，变量 new 中的每列就是一个主成分。? regress(heat,new(:,1:2)) ans = 2.1843 1.0894 验证主成分之间的相关性： corrcoef(new) ans = 1.0000 0.0000 0.0000 0.0000 0.00