如何对多只股票季度收益数据批量执行Durbin-Watson自相关检验

没问题，我来帮你一步步实现这个需求——给每只股票单独做Durbin-Watson自相关检验，输出对应统计值。核心思路是用分组处理来批量完成单只股票的检验，具体步骤如下：

步骤1：准备依赖库 #

先确保你已经安装了pandas和statsmodels，然后导入它们：

import pandas as pd
from statsmodels.stats.stattools import durbin_watson

步骤2：整理数据（保证时间顺序） #

Durbin-Watson是时间序列检验，数据的时间顺序至关重要。我们先把日期列转换成标准格式，再按股票和日期排序：

# 将date列转为datetime格式，方便排序和后续处理
df['date'] = pd.to_datetime(df['date'])
# 按股票索引、日期排序，确保每只股票的收益是按时间先后排列的
df_sorted = df.sort_values(by=[df.index.name, 'date'])

步骤3：分组执行Durbin-Watson检验 #

接下来按股票索引分组，对每个分组的return序列直接应用durbin_watson函数即可——这个函数支持直接处理一维数值序列：

# 分组计算每只股票的DW统计值，保留3位小数
dw_results = df_sorted.groupby(level=0)['return'].apply(durbin_watson).round(3)

完整代码示例 #

结合你的示例数据，把所有步骤整合起来：

import pandas as pd
from statsmodels.stats.stattools import durbin_watson

# 你的示例数据
data = [
    {'date': '3/22/18', 'return': 1},
    {'date': '3/22/18', 'return': 1},
    {'date': '6/22/18', 'return': 3},
    {'date': '6/22/18', 'return': 3},
    {'date': '9/22/18', 'return': 2},
    {'date': '9/22/18', 'return': 2}
]
df = pd.DataFrame(data, index=['s1', 's2','s1','s2','s1','s2'])

# 数据预处理：转换日期格式+排序
df['date'] = pd.to_datetime(df['date'])
df_sorted = df.sort_values(by=[df.index.name, 'date'])

# 逐只股票计算DW统计值
dw_results = df_sorted.groupby(level=0)['return'].apply(durbin_watson).round(3)

print(dw_results)

输出结果 #

运行后会得到完全符合你需求的格式：

s1    0.429
s2    0.429
Name: return, dtype: float64

（注：因为示例中s1和s2的收益序列完全一致，所以DW值相同；实际数据中每只股票的结果会根据自身收益序列变化）

额外说明 #

• 如果你的需求是检验回归残差的自相关（而非直接检验收益序列），只需把apply里的逻辑换成“先对单只股票做回归、提取残差，再传入durbin_watson”即可。
• durbin_watson的axis参数默认是0，处理一维数组时无需修改。

内容的提问来源于stack exchange，提问作者Niccola Tartaglia