将每日回报转换为 2 天或 5 天回报

Question

这个问题问的是价格，但不是我所知的回报（至少不是在 Python 中）。我想将给定的每日回报转换为其他频率，例如 2 天或 5 天回报。

这就是我所拥有的：

data = {'date': ['1/1/2022','1/1/2022', '1/2/2022','1/2/2022'], 'ticker': ['A', 'B','A', 'B'], '1dReturn': [0.11, 0.21,0.31, 0.41]}
df = pd.DataFrame(data)

这是我想得到的任何给定的 n 天回报，下面是 2 天：

data = {'date': ['1/1/2022','1/1/2022', '1/2/2022','1/2/2022'], 'ticker': ['A', 'B','A', 'B'], '1dReturn': [0.11, 0.21,0.31, 0.41], '2dReturn': [np.NaN, np.NaN,(1+0.11)*(1+0.31)-1, (1+0.21)*(1+0.41)-1]}
df = pd.DataFrame(data)

Answer 1

编辑：转念一想我觉得你可能想要一个

rolling

产品，看第二部分

初读

加1后可以用

cumprod

，然后减1：

df['2dReturn'] = (df.groupby('ticker')['1dReturn']
                    .transform(lambda g: g.add(1).cumprod().sub(1).tail(1-2))
                 )

输出：

        date ticker  1dReturn  2dReturn
0 2022-01-01      A      0.11       NaN
1 2022-01-01      B      0.21       NaN
2 2022-01-02      A      0.31    0.4541
3 2022-01-02      B      0.41    0.7061

如果您不关心 NaN，请使用：

df['2dReturn'] = df['1dReturn'].add(1).groupby(df['ticker']).cumprod().sub(1)

二次解读

这里我们只考虑

n

前几天使用

rolling

和

numpy.prod

.

n = 2
df[f'{n}dReturn'] = (df.groupby('ticker')['1dReturn']
                       .transform(lambda g: g.add(1).rolling(n)
                                             .apply(np.prod, raw=True)
                                             .sub(1)
                                 )
                     )

输出（更大的例子）：

        date ticker  1dReturn  2dReturn  3dReturn  4dReturn  5dReturn
0   1/1/2022      A      0.11       NaN       NaN       NaN       NaN
1   1/1/2022      B      0.21       NaN       NaN       NaN       NaN
2   1/2/2022      A      0.31    0.4541       NaN       NaN       NaN
3   1/2/2022      B      0.41    0.7061       NaN       NaN       NaN
4   1/3/2022      A      0.12    0.4672  0.628592       NaN       NaN
5   1/3/2022      B      0.22    0.7202  1.081442       NaN       NaN
6   1/4/2022      A      0.32    0.4784  0.936704  1.149741       NaN
7   1/4/2022      B      0.42    0.7324  1.442684  1.955648       NaN
8   1/5/2022      A      0.13    0.4916  0.670592  1.188476  1.429208
9   1/5/2022      B      0.23    0.7466  1.130852  2.004501  2.635447
10  1/6/2022      A      0.33    0.5029  0.983828  1.221887  1.910672
11  1/6/2022      B      0.43    0.7589  1.497638  2.047118  3.296437

Answer 2

通常，在处理回报的转换时，您可能会发现使用自然对数回报更容易操作，“本身”是回报的公平近似值。

需要注意的是，回报应该很小，绝对值不大于 5%，否则近似值会远离基线。

如果你能将回报转化为

df['log_returns'] = np.log1p(df['returns'])

然后，您可以简单地对日志回报求和，而不是麻烦地加 1，计算它们，最后减去 1，@mozway 解决方案将变为：

df['2dReturn'] = df['log_returns'].groupby(df['ticker']).sum().sub(1)

干杯。