用 pandas 扩展窗口函数

Python 中的时间序列数据处理

Stefan Jansen

Founder & Lead Data Scientist at Applied Artificial Intelligence

pandas 中的扩展窗口

从滚动窗口到扩展窗口
计算至当前日期的区间指标
新时间序列反映全部历史值
适用于运行收益率、运行最小/最大值
pandas 提供两种方式：
- .expanding() —— 与 .rolling() 类似
- .cumsum()、.cumprod()、cummin()/max()

基本思路

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

获取标普 500 数据

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 - 使用 Pandas 的扩展窗口函数.013.png

如何计算运行收益

单期收益 r_t：本期价格/上期价格减 1：

$$r_t = \frac{P_t}{P_{t-1}} - 1$$
- 多期收益：各期 (1 + r_t) 的乘积减 1：
$$R_T = (1 + r_1)(1 + r_2)...(1 + r_T) - 1$$
- 计算单期收益：.pct_change()
- 基本运算：.add()、.sub()、.mul()、.div()
- 累乘：.cumprod()

运行收益示例

pr = data.SP500.pct_change() # period return

pr_plus_one = pr.add(1)

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

cumulative_return.mul(100).plot()

ch3_2_v2 - 使用 Pandas 的扩展窗口函数.021.png

获取运行最小值与最大值

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

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

data.plot()

ch3_2_v2 - 使用 Pandas 的扩展窗口函数.023.png

滚动年化收益率

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

pr = data.SP500.pct_change() # period return

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

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

data.plot(subplots=True)

滚动年化收益率

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

data.plot(subplots=True)

ch3_2_v2 - 使用 Pandas 的扩展窗口函数.027.png

Vamos praticar!

Python 中的时间序列数据处理