Uitbreidende vensterfuncties met pandas

Tijdreeksgegevens manipuleren in Python

Stefan Jansen

Founder & Lead Data Scientist at Applied Artificial Intelligence

Expanding windows in pandas

Van rolling naar expanding windows
Ken getallen tot en met de huidige datum
Nieuwe tijdreeks omvat alle historische waarden
Handig voor running rendement, min/max
Twee opties met pandas:
- .expanding() - net als .rolling()
- .cumsum(), .cumprod(), cummin()/max()

Het basisidee

df = pd.DataFrame({'data': range(5)})

df['expanding sum'] = df.data.expanding().sum()

df['cumulative sum'] = df.data.cumsum()

df

   data  expanding sum  cumulative sum
0     0            0.0               0
1     1            1.0               1
2     2            3.0               3
3     3            6.0               6
4     4           10.0              10

Data voor de S&P 500 ophalen

data = pd.read_csv('sp500.csv', parse_dates=['date'], index_col='date')

DatetimeIndex: 2519 entries, 2007-05-24 to 2017-05-24
Data columns (total 1 columns):
SP500    2519 non-null float64

ch3_2_v2 - Gegevens ophalen voor de S&P 500.013.png

Hoe bereken je een running rendement

Enkelperiodereturn r_t: huidige prijs / vorige prijs − 1:

$$r_t = \frac{P_t}{P_{t-1}} - 1$$
- Meerdere periodes: product van (1 + r_t) voor alle periodes, min 1:
$$R_T = (1 + r_1)(1 + r_2)...(1 + r_T) - 1$$
- Periodereturn: .pct_change()
- Basisbewerkingen: .add(), .sub(), .mul(), .div()
- Cumulatief product: .cumprod()

Running rendement in de praktijk

pr = data.SP500.pct_change() # periodereturn

pr_plus_one = pr.add(1)

cumulative_return = pr_plus_one.cumprod().sub(1)

cumulative_return.mul(100).plot()

ch3_2_v2 - Running rendement in de praktijk.021.png

Running min en max bepalen

data['running_min'] = data.SP500.expanding().min()

data['running_max'] = data.SP500.expanding().max()

data.plot()

ch3_2_v2 - Uitbreidende vensterfuncties met Pandas.023.png

Rollend jaarrendement

def multi_period_return(period_returns):
    return np.prod(period_returns + 1) - 1

pr = data.SP500.pct_change() # periodereturn

r = pr.rolling('360D').apply(multi_period_return)

data['Rolling 1yr Return'] = r.mul(100)

data.plot(subplots=True)

Rollend jaarrendement

data['Rolling 1yr Return'] = r.mul(100)

data.plot(subplots=True)

ch3_2_v2 - Uitbreidende vensterfuncties met Pandas.027.png

Laten we oefenen!

Tijdreeksgegevens manipuleren in Python