Pandas регрессия качения: альтернативы циклу

Мне удалось использовать класс pandas 'MovingOLS (источник здесь) в устаревшем модуле stats/ols. К сожалению, он был полностью испорчен pandas 0.20.

Вопрос о том, как эффективно запускать регрессию OLS регенерации, задавался несколько раз (здесь), но сформулирован немного широко и оставлен без отличный ответ, на мой взгляд.

Вот мои вопросы:

• Как лучше всего имитировать базовую структуру pandas 'MovingOLS? Самой привлекательной особенностью этого класса была возможность просмотра нескольких методов/атрибутов в виде отдельных временных рядов - т.е. коэффициенты, r-квадрат, t-статистика и т.д., не требуя повторной регрессии. Например, вы можете создать что-то вроде model = pd.MovingOLS(y, x), а затем вызвать .t_stat, .rmse, .std_err и тому подобное. В приведенном ниже примере, наоборот, я не вижу возможности заставить вас вычислять каждую статистику отдельно. Есть ли метод, который не предусматривает создание скользящих/катящихся "блоков" (шагов) и выполнение регрессий/использование линейной алгебры для получения параметров модели для каждого?

• В более широком смысле, что происходит под капотом в pandas, что делает rolling.apply неспособным выполнять более сложные функции? * Когда вы создаете объект .rolling, в условиях неспециалиста, что происходит внутри - Это принципиально отличается от цикла по каждому окну и создания более массивного массива, как я делаю ниже?

* А именно, func передано .apply:

Необходимо создать одно значение из входных данных ndarray * args и ** kwargs передаются функции

Здесь, где я сейчас нахожусь с некоторыми образцами данных, регрессирует процентные изменения в торговом взвешенном долларе по спредам по процентной ставке и цене на медь. (Это не имеет смысла, просто выбрал их случайным образом.) Я взял это из реализации на основе классов и попытался разбить его на более простой script.

from datetime import date
from pandas_datareader.data import DataReader
import statsmodels.formula.api as smf

syms = {'TWEXBMTH' : 'usd', 
        'T10Y2YM' : 'term_spread', 
        'PCOPPUSDM' : 'copper'
       }

start = date(2000, 1, 1)
data = (DataReader(syms.keys(), 'fred', start)
        .pct_change()
        .dropna())
data = data.rename(columns = syms)
data = data.assign(intercept = 1.) # required by statsmodels OLS

def sliding_windows(x, window):
    """Create rolling/sliding windows of length ~window~.

    Given an array of shape (y, z), it will return "blocks" of shape
    (x - window + 1, window, z)."""

    return np.array([x[i:i + window] for i 
                    in range(0, x.shape[0] - window + 1)])

data.head(3)
Out[33]: 
                 usd  term_spread    copper  intercept
DATE                                                  
2000-02-01  0.012573    -1.409091 -0.019972        1.0
2000-03-01 -0.000079     2.000000 -0.037202        1.0
2000-04-01  0.005642     0.518519 -0.033275        1.0

window = 36
wins = sliding_windows(data.values, window=window)
y, x = wins[:, :, 0], wins[:, :, 1:]

coefs = []

for endog, exog in zip(y, x):
    model = smf.OLS(endog, exog).fit()
        # The full set of model attributes gets lost with each loop
    coefs.append(model.params)

df = pd.DataFrame(coefs, columns=data.iloc[:, 1:].columns,
                  index=data.index[window - 1:])

df.head(3) # rolling 36m coefficients
Out[70]: 
            term_spread    copper  intercept
DATE                                        
2003-01-01    -0.000122 -0.018426   0.001937
2003-02-01     0.000391 -0.015740   0.001597
2003-03-01     0.000655 -0.016811   0.001546