Python 递减范围上的乘积之和
我正在实现一个小型Python应用程序来衡量交易策略的回报。计算回报的函数接受以下输入:Python 递减范围上的乘积之和,python,pandas,math,vectorization,Python,Pandas,Math,Vectorization,我正在实现一个小型Python应用程序来衡量交易策略的回报。计算回报的函数接受以下输入: 包含收盘价的熊猫数据框 代表买入信号的一系列布尔值 熊猫的一系列布尔字母代表卖出信号 代表交易费用占初始资本百分比的浮动 这就是数据的样子: >>> df.head() open high low close volume date 2015-01-02 5.34 5.3
- 包含收盘价的熊猫数据框
- 代表买入信号的一系列布尔值
- 熊猫的一系列布尔字母代表卖出信号
- 代表交易费用占初始资本百分比的浮动
>>> df.head()
open high low close volume
date
2015-01-02 5.34 5.37 5.11 5.21 108469
2015-01-05 5.21 5.26 4.85 4.87 160089
2015-01-06 4.87 4.87 4.55 4.57 316501
2015-01-07 4.63 4.75 4.60 4.67 151117
2015-01-08 4.69 4.89 4.69 4.81 159294
>>>
在不考虑费用的情况下,这是计算比率的公式: 其中,
C
是初始资本,ri
是一次买入/卖出交易的回报
这可以使用矢量化实现轻松实现:
buy_sell = df[(buy==True)|(sell==True)]
prices = buy_sell.close
diffs = prices - prices.shift()
ratios = diffs / prices.shift()
return ((ratios + 1).product(axis=0))
当考虑到费用时,我得出以下公式: 其中
f
是交易费
这可以很容易地使用循环来实现,但是有没有一种方法可以通过矢量化实现来实现呢
我不是一个数学专家,但也许依赖于求和指数的乘积可以防止这种情况发生?我试着在网上查找这处房产,但似乎什么也找不到。也许我没有正确地表述这个问题,因为我缺乏专业术语
如果您对此有任何想法,我们将不胜感激:)
编辑 根据DSM的回答,解决方案是对反转的比率序列执行“累积乘积”。这为我提供了以下解决方案:
def compute_return(df, buy, sell, fees=0.):
# Bunch of verifications operation performed on data
buy_sell = df[(buy==True)|(sell==True)]
prices = buy_sell.close
diffs = prices - prices.shift()
ratios = diffs / prices.shift()
cum_prod = (ratios + 1)[1:][::-1].cumprod()
return ((1 - fees) * (ratios + 1).product(axis=0) - fees * cum_prod.sum())
我不认为这件很糟糕。从一个
比率类似
In [95]: ratios
Out[95]:
date
2015-01-02 NaN
2015-01-05 -0.065259
2015-01-06 -0.061602
2015-01-07 0.021882
2015-01-08 0.029979
Name: close, dtype: float64
我们有(这里我们只关注“新”的第二任期):
及
也就是说,我们所需要做的就是,从一开始到另一开始,按相反的方向取累积积的和
这给了我:
In [109]: manual(ratios)
Out[109]: 3.07017466956023
In [110]: vectorized(ratios)
Out[110]: 3.07017466956023
(我没有太在意我们是否应该使用2或1作为偏移量,或者加入f
因子——这些都是很容易的变化。)你能为这个问题添加一些数据和预期结果吗?这是勾号数据吗?时间成分是什么?如果您将前几行发布为text@sundance为什么时间成分很重要?无论是计算每周回报还是每日回报,都需要添加数据结构的屏幕截图。数据每天都被索引,但就像@RafaelC提到的,时间成分甚至数据本身都不是很重要,更多的是关于向量化这样一个公式的可行性。在这里使用for循环更好。嗯,我明白了。。。我不知道cumprod()
方法,但它似乎很好地解决了我的问题!作为一个Pandas方法,我想它的实现是矢量化的?
def manual(rs):
return sum(np.prod([1+rs.iloc[j] for j in range(i, len(rs))])
for i in range(2, len(rs)))
def vectorized(rs):
rev = 1 + rs.iloc[2:].iloc[::-1]
return rev.cumprod().sum()
In [109]: manual(ratios)
Out[109]: 3.07017466956023
In [110]: vectorized(ratios)
Out[110]: 3.07017466956023