如何計算熊貓滾動窗口的累積積？

Question

我有一個數據幀， df每日股票收益為這樣的：

Date         Stock A    Stock B     Stock C
2018-12-26  -0.018207   0.083554   -0.006546
2018-12-27   0.004223   0.000698    0.003806
2018-12-28   0.024847  -0.008717    0.028399
2018-12-31   0.000000   0.010904    0.000000
2019-01-02   0.036554   0.002436    0.035557
2019-01-03   0.043541  -0.028462    0.006065
2019-01-04  -0.036207   0.070025    0.003025
2019-01-07  -0.005367   0.046411   -0.001546
2019-01-08   0.002878   0.014678    0.003631
2019-01-09   0.004663   0.014151    0.017179
2019-01-10   0.009282   0.026047    0.002062
2019-01-11   0.021224  -0.006649   -0.001578
2019-01-14   0.022168  -0.015211    0.008713
2019-01-15  -0.009827   0.020080   -0.004424
2019-01-16   0.021561  -0.016657    0.003583
2019-01-17   0.005025   0.011703    0.010149
2019-01-18   0.013333   0.012785    0.007824
2019-01-21   0.003289   0.000000   -0.000905
2019-01-22  -0.023934  -0.030658   -0.009447
2019-01-23   0.031911  -0.039690    0.015299
2019-01-24   0.030273   0.020665    0.011589
2019-01-25   0.000000   0.040810    0.000000
2019-01-28   0.018325   0.006991   -0.022861
2019-01-29  -0.021098  -0.044974    0.002043
2019-01-30  -0.002536   0.019595    0.014189
2019-01-31   0.000000   0.040298    0.004103
2019-02-01   0.014935  -0.011025    0.004795
2019-02-04   0.010332   0.022597    0.007439
2019-02-05   0.022002   0.012669   -0.002820
2019-02-06  -0.023651  -0.006110   -0.037381

如何計算每個股票在滾動窗口中的累積收益？

例如，如果滾動窗口為5天：

• Stock A的累積收益系列中的第一個元素應為(1 + df.loc["2018-12-26":"2019-01-02", "Stock A"]).cumprod() - 1到(1 + -0.018207)*(1 + 0.004223)*(1 + 0.024847)*(1 + 0.000000)*(1 + 0.036554) - 1或0.047372 。
• 第二個元素應該是(1 + df.loc["2018-12-27":"2019-01-03", "Stock A"]).cumprod() - 1 ，其計算結果為(1 + 0.004223)*(1 + 0.024847)*(1 + 0.000000)*(1 + 0.036554)*(1 + 0.043541) - 1或0.113245 。
• 等等...

Date索引中的間隙（例如周末）無關緊要，滾動窗口應僅考慮索引中包含的日期。

Answer 1

由於某些原因， pandas rolling對象沒有prod方法，但是您可以將NumPy prod應用於它們。 另外，您需要在DataFrame加1 ，然后再減去它，所以最簡單的DataFrame方法是

import numpy as np
...
cumulative_returns_df = (df+1).rolling(5).apply(np.prod)-1

可以說，對數轉換，計算滾動總和然后反轉轉換具有更高的計算效率和數值穩定性：

cumulative_returns_df = np.exp(np.log(df+1).rolling(5).sum())-1

Answer 2

您的問題定義不明確，但假設參考日期為第一行索引2019-01-30 ，則可以使用df.pct_change(30) 。