Expanderande fönsterfunktioner med pandas

Manipulera tidsseriedata i Python

Stefan Jansen

Founder & Lead Data Scientist at Applied Artificial Intelligence

Expanderande fönster i pandas

Från rullande till expanderande fönster
Beräkna mätvärden för perioder fram till aktuellt datum
Ny tidsserie speglar alla historiska värden
Användbart för löpande avkastning, löpande min/max
Två alternativ i pandas:
- .expanding() – precis som .rolling()
- .cumsum(), .cumprod(), cummin()/max()

Grundidén

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

Hämta data för S&P 500

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 - Expanding Window Functions with Pandas.013.png

Beräkna löpande avkastning

Enkelperiodavkastning $r_t$: aktuellt pris dividerat med föregående pris minus 1:

$$r_t = \frac{P_t}{P_{t-1}} - 1$$
- Fleperiodsavkastning: produkten av $(1 + r_t)$ för alla perioder minus 1:
$$R_T = (1 + r_1)(1 + r_2)...(1 + r_T) - 1$$
- För periodsavkastning: .pct_change()
- För grundläggande matematik: .add(), .sub(), .mul(), .div()
- För kumulativ produkt: .cumprod()

Löpande avkastning i praktiken

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 - Expanding Window Functions with Pandas.021.png

Beräkna löpande min & max

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

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

data.plot()

ch3_2_v2 - Expanding Window Functions with Pandas.023.png

Rullande årsavkastning

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)

Rullande årsavkastning

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

data.plot(subplots=True)

ch3_2_v2 - Expanding Window Functions with Pandas.027.png

Nu kör vi en övning!

Manipulera tidsseriedata i Python