优化R代码-S&；的采样返回；P500系列

我试图了解“获胜百分比”如何影响交易策略的回报

我下载标准普尔的价格并计算每日回报。然后，我随机选择这些回报的x%，并说我正确地预测了它的方向，所以回报是正的。对于剩余的1-x%，我说我错了，回报率为负。我重复这个过程1000次，然后收集年化几何回报

I以0.01增量间隔将x从0.5变化到0.6

这是我的密码：

library(quantmod)
library(multicore)

getSymbols("^GSPC", from = "1950-1-1")
ret <- ROC(GSPC)[-1,4]

set.seed(123)

winpct <- seq(0.5, 0.6, 0.01)
ret <- coredata(ret)

system.time(res <- simplify2array(mclapply(winpct, function(x) replicate(1000, drawsample(ret, x)))))

drawsample <- function(ret, winpct){
  len = length(ret)
  ret = abs(ret)

  win = sample(1:len, round(winpct * len))
  a = c(ret[win], -ret[-win])
  return(prod(1 + a) ^ (252 / length(a)) - 1)
}

---

我可以做进一步的优化来加快速度吗？

我做了以下两个调整：

1/使用

exp（sum（a））

而不是

prod（1+a）

。我认为您无论如何都希望这样，因为您已经用

ROC（GSPC）[-1,6]

创建了一个日志返回系列。根据rbenchmark

2/从

c（-1，-1）

中抽取

ret

序列长度的样本，然后与ret序列相乘，以获得带符号的返回序列。这又给了我30%

请注意，在我的代码中，我将您的

a

命名为

bin

drawsample2 <- function(ret, winpct){
  len = length(ret)
  win = sample(c(-1,1), len, replace=TRUE, prob = c((1-winpct), winpct))
  ret <- abs(ret)
  bin <- ret*win
  return(exp(sum(bin))^(252/length(ret)) - 1)
}

在我的MBP中，以下是基准：

> bb

  elapsed relative
2  17.254    1.000
1  27.734    1.607

这里有一个函数的调整，对于较大的对象更快。我删除了对

mclappy

的调用，以避免多核处理所需的网络开销，从而隔离函数的性能

drawsample_r <- function(ret, winpct){
  len = length(ret)
  win = sample(c(-1,1), len, replace=TRUE, prob = c((1-winpct), winpct))
  ret <- abs(ret)
  bin <- ret*win
  return(exp(sum(bin))^(252/length(ret)) - 1)
}
drawsample_j <- function(ret, winpct){
  len <- length(ret)
  win <- c(-1L,1L)[sample.int(2L,len,TRUE,c(1-winpct,winpct))]
  exp(sum(abs(ret)*win))^(252L/len)-1L
}
library(rbenchmark)
set.seed(123)
ret <- rnorm(1e6)/100  # 1 million observations
winpct <- seq(0.5, 0.6, 0.01)
benchmark(sapply(winpct, drawsample_r, ret=ret),
          sapply(winpct, drawsample_j, ret=ret),
  replications=10, order='elapsed')[,1:5]
#                                    test replications elapsed relative user.self
# 2 sapply(winpct, drawsample_j, ret=ret)           10   6.963    1.000     6.956
# 1 sapply(winpct, drawsample_r, ret=ret)           10  10.852    1.559    10.689

---

drawsample\u r+1。这是一个非常好的调整。一般来说，显式使用整数会加快速度吗？@ricardo：是的，对于RAM速度成为瓶颈的大向量，整数比双倍快得多。在这种情况下，它们在创建
win
时帮助最大；我怀疑在最后一行中转换为整数会有多大影响。
> bb

  elapsed relative
2  17.254    1.000
1  27.734    1.607

drawsample_r <- function(ret, winpct){
  len = length(ret)
  win = sample(c(-1,1), len, replace=TRUE, prob = c((1-winpct), winpct))
  ret <- abs(ret)
  bin <- ret*win
  return(exp(sum(bin))^(252/length(ret)) - 1)
}
drawsample_j <- function(ret, winpct){
  len <- length(ret)
  win <- c(-1L,1L)[sample.int(2L,len,TRUE,c(1-winpct,winpct))]
  exp(sum(abs(ret)*win))^(252L/len)-1L
}
library(rbenchmark)
set.seed(123)
ret <- rnorm(1e6)/100  # 1 million observations
winpct <- seq(0.5, 0.6, 0.01)
benchmark(sapply(winpct, drawsample_r, ret=ret),
          sapply(winpct, drawsample_j, ret=ret),
  replications=10, order='elapsed')[,1:5]
#                                    test replications elapsed relative user.self
# 2 sapply(winpct, drawsample_j, ret=ret)           10   6.963    1.000     6.956
# 1 sapply(winpct, drawsample_r, ret=ret)           10  10.852    1.559    10.689