如何针对不同规模的股票分组执行线性回归——解决Table B分组与Table A回归时的维度不匹配问题

我明白你的问题了——核心就是没把两个表的日期对齐，导致每个B组的行比A多，X和y长度不匹配。其实只要先把B里每个股票组的周数据和CCPM组的周数据按日期精准匹配，只保留两者都有的日期记录，再做回归就没问题了。下面给你一套具体的解决步骤和代码示例，用Python的pandas和statsmodels来实现：

第一步：数据预处理与对齐 #

首先要确保两个表的dt列是统一的日期格式，然后把CCPM组的周涨跌幅数据单独提取出来，再和Table B做内连接——这样每个B的股票组只会保留和CCPM组有相同周日期的行，保证X（CCPM的涨跌幅）和y（B组的涨跌幅）的长度完全一致。

import pandas as pd
import statsmodels.api as sm

# 确保日期列是datetime类型（如果原始数据不是的话）
table_a['dt'] = pd.to_datetime(table_a['dt'])
table_b['dt'] = pd.to_datetime(table_b['dt'])

# 提取CCPM组的X数据（假设Table A只有CCPM组，若不是则加过滤条件：table_a[table_a['bbgid'] == 'CCPM']）
ccpm_x = table_a[['dt', 'weekly_pct_change']].rename(columns={'weekly_pct_change': 'ccpm_pct'})

# 内连接Table B和CCPM的日期数据，只保留双方都有的周数据
merged_data = pd.merge(table_b, ccpm_x, on='dt', how='inner')

第二步：分组回归提取斜率 #

接下来定义一个回归函数，对每个股票组（按bbgid分组）执行线性回归，提取斜率。同时加入样本量判断，避免因样本太少导致的回归错误。

def calculate_slope(group):
    # 准备X和y：X是CCPM的涨跌幅，y是当前股票组的涨跌幅
    X = sm.add_constant(group['ccpm_pct'])  # 添加截距项，若不需要可删除
    y = group['weekly_pct_change']
    
    # 至少需要2个样本才能做线性回归
    if len(X) < 2:
        return pd.Series({'bbgid': group['bbgid'].iloc[0], 'slope': float('nan')})
    
    # 拟合OLS回归模型
    model = sm.OLS(y, X).fit()
    
    # 返回股票ID和对应的斜率（ccpm_pct的系数就是我们要的相对走势斜率）
    return pd.Series({
        'bbgid': group['bbgid'].iloc[0],
        'slope': model.params['ccpm_pct'],
        'r_squared': model.rsquared  # 可选：加入R²值评估拟合效果
    })

# 按bbgid分组执行回归，得到每个股票组的斜率结果
slope_results = merged_data.groupby('bbgid').apply(calculate_slope).reset_index(drop=True)

关键注意点 #

• 如果你的Table A已经只包含CCPM组，那可以跳过table_a[table_a['bbgid'] == 'CCPM']的过滤步骤。
• 内连接会自动剔除B组中与CCPM组没有重叠日期的行，确保X和y长度一致，解决「X和y必须尺寸相同」的错误。
• 函数里的样本量判断是为了避免某些股票组重叠日期太少（比如只有1周）导致回归失败，这类组会返回NaN，你可以后续用slope_results.dropna()过滤掉。
• 如果你不需要回归截距，直接把sm.add_constant去掉，用X = group['ccpm_pct']即可，但通常建议保留截距项以保证回归的合理性。

内容的提问来源于stack exchange，提问作者Miguel 2488