obliczania zysków ze dataframe z danymi finansowymi

Question

Mam dataframe z miesięcznych danych finansowych:

In [89]: vfiax_monthly.head() 
Out[89]: 
      year month day  d open close high low volume aclose 
2003-01-31 2003  1 31 731246 64.95 64.95 64.95 64.95  0 64.95 
2003-02-28 2003  2 28 731274 63.98 63.98 63.98 63.98  0 63.98 
2003-03-31 2003  3 31 731305 64.59 64.59 64.59 64.59  0 64.59 
2003-04-30 2003  4 30 731335 69.93 69.93 69.93 69.93  0 69.93 
2003-05-30 2003  5 30 731365 73.61 73.61 73.61 73.61  0 73.61 

Próbuję obliczyć zyski tak:

In [90]: returns = (vfiax_monthly.open[1:] - vfiax_monthly.open[:-1])/vfiax_monthly.open[1:] 

Ale Dostaję tylko zera:

In [91]: returns.head() 
Out[91]: 
2003-01-31 NaN 
2003-02-28  0 
2003-03-31  0 
2003-04-30  0 
2003-05-30  0 
Freq: BM, Name: open 

Myślę, że to dlatego, że operacje arytmetyczne są wyrównane do indeksu i że sprawia, że ​​[1:] i [:-1] są bezużyteczne.

Moje obejście jest:

In [103]: returns = (vfiax_monthly.open[1:].values - vfiax_monthly.open[:-1].values)/vfiax_monthly.open[1:].values 

In [104]: returns = pd.Series(returns, index=vfiax_monthly.index[1:]) 

In [105]: returns.head() 
Out[105]: 
2003-02-28 -0.015161 
2003-03-31 0.009444 
2003-04-30 0.076362 
2003-05-30 0.049993 
2003-06-30 0.012477 
Freq: BM 

Czy istnieje lepszy sposób, aby obliczyć zyski? Nie podoba mi się konwersja do tablicy, a potem powrót do Serii.

Answer 1

Zamiast krojenie, użyj .shift aby przesunąć wskaźnik wartości w DataFrame/Series. Na przykład:

returns = (vfiax_monthly.open - vfiax_monthly.open.shift(1))/vfiax_monthly.open 

To co pct_change robi pod maską. Można również użyć go do innych funkcji, np .:

(3*vfiax_monthly.open + 2*vfiax_monthly.open.shift(1))/5 

Można też chcą patrząc w rolling i window funkcji dla innych typów analizy danych finansowych.

Answer 2

Najprostszym sposobem na to jest użycie metody DataFrame.pct_change().

Oto krótki przykład

In[1]: aapl = get_data_yahoo('aapl', start='11/1/2012', end='11/13/2012') 

In[2]: appl 
Out[2]: 
      Open High  Low Close Volume Adj Close 
Date               
2012-11-01 598.22 603.00 594.17 596.54 12903500  593.83 
2012-11-02 595.89 596.95 574.75 576.80 21406200  574.18 
2012-11-05 583.52 587.77 577.60 584.62 18897700  581.96 
2012-11-06 590.23 590.74 580.09 582.85 13389900  580.20 
2012-11-07 573.84 574.54 555.75 558.00 28344600  558.00 
2012-11-08 560.63 562.23 535.29 537.75 37719500  537.75 
2012-11-09 540.42 554.88 533.72 547.06 33211200  547.06 
2012-11-12 554.15 554.50 538.65 542.83 18421500  542.83 
2012-11-13 538.91 550.48 536.36 542.90 19033900  542.90 

In[3]: aapl.pct_change() 
Out[3]: 
       Open  High  Low  Close Volume Adj Close 
Date                 
2012-11-01  NaN  NaN  NaN  NaN  NaN  NaN 
2012-11-02 -0.003895 -0.010033 -0.032684 -0.033091 0.658945 -0.033090 
2012-11-05 -0.020759 -0.015378 0.004959 0.013558 -0.117186 0.013550 
2012-11-06 0.011499 0.005053 0.004311 -0.003028 -0.291453 -0.003024 
2012-11-07 -0.027769 -0.027423 -0.041959 -0.042635 1.116864 -0.038263 
2012-11-08 -0.023020 -0.021426 -0.036815 -0.036290 0.330747 -0.036290 
2012-11-09 -0.036049 -0.013073 -0.002933 0.017313 -0.119522 0.017313 
2012-11-12 0.025406 -0.000685 0.009237 -0.007732 -0.445323 -0.007732 
2012-11-13 -0.027502 -0.007250 -0.004251 0.000129 0.033244 0.000129 

Answer 3

Najlepszym sposobem na obliczenie przyszłych retunów bez ryzyka błędu jest skorzystanie z wbudowanej funkcji pd.DataFrame.pct_change(). W twoim przypadku wszystko, czego potrzebujesz, to ta funkcja, ponieważ masz miesięczne dane i szukasz miesięcznego zwrotu.

Jeśli, na przykład, chciałeś spojrzeć na 6-sto minutowy powrót, wystarczy ustawić parametr df.pct_change(periods = 6), który da ci 6-miesięczny procentowy zwrot.

Ponieważ masz stosunkowo mały zestaw danych, najprostszym sposobem jest ponowne próbkowanie parametrów, które trzeba obliczyć, a następnie ponownie użyć funkcji pct_change().