pandas 上的动量投资组合（趋势跟踪）量化模拟

Question

我正在尝试根据 S&P500 指数（月度数据）构建趋势跟随动量投资组合策略

我使用 Kaufmann 的分形效率比来过滤掉洗盘信号 (http://etfhq.com/blog/2011/02/07/kaufmans-efficiency-ratio/)

我编码成功了，但是它很笨拙，所以我需要更好的代码的建议。

策略

从雅虎财经获取标准普尔500指数数据
计算考夫曼在回溯期 X 上的效率比（1 ，如果 close > close(n)，0）
平均计算值2，从1到12个时间段--->每月资产配置比例，1-资产配置比例=现金（每年3%）

我很难平均 1 到 12 的效率比。我当然知道可以简单的用for循环实现，很简单，但是我失败了

我需要更简洁精炼的代码，有人能帮帮我吗？

a['meanfractal'] 困扰我的是下面的代码..

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import pandas_datareader.data as web

def price(stock, start):
    price = web.DataReader(name=stock, data_source='yahoo', start=start)['Adj Close']
    return price.div(price.iat[0]).resample('M').last().to_frame('price')

a = price('SPY','2000-01-01')

def fractal(a,p):
    a['direction'] = np.where(a['price'].diff(p)>0,1,0)
    a['abs'] = a['price'].diff(p).abs()
    a['volatility'] = a.price.diff().abs().rolling(p).sum()
    a['fractal'] = a['abs'].values/a['volatility'].values*a['direction'].values
    return a['fractal']

def meanfractal(a):
    a['meanfractal']= (fractal(a,1).values+fractal(a,2).values+fractal(a,3).values+fractal(a,4).values+fractal(a,5).values+fractal(a,6).values+fractal(a,7).values+fractal(a,8).values+fractal(a,9).values+fractal(a,10).values+fractal(a,11).values+fractal(a,12).values)/12
    a['portfolio1'] = (a.price/a.price.shift(1).values*a.meanfractal.shift(1).values+(1-a.meanfractal.shift(1).values)*1.03**(1/12)).cumprod()
    a['portfolio2'] = ((a.price/a.price.shift(1).values*a.meanfractal.shift(1).values+1.03**(1/12))/(1+a.meanfractal.shift(1))).cumprod()
    a=a.dropna()
    a=a.div(a.ix[0])
    return a[['price','portfolio1','portfolio2']].plot()        

print(a)
plt.show()

Answer 1

您可以通过将对应于 p 的值存储在 DF 中而不是分别计算每个系列来进一步简化，如图所示：

def fractal(a, p):
    df = pd.DataFrame()
    for count in range(1,p+1):
        a['direction'] = np.where(a['price'].diff(count)>0,1,0)
        a['abs'] = a['price'].diff(count).abs()
        a['volatility'] = a.price.diff().abs().rolling(count).sum()
        a['fractal'] = a['abs']/a['volatility']*a['direction']
        df = pd.concat([df, a['fractal']], axis=1)
    return df

然后，您可以将重复的操作分配给一个变量，从而减少重新计算的时间。

def meanfractal(a, l=12):
    a['meanfractal']= pd.DataFrame(fractal(a, l)).sum(1,skipna=False)/l
    mean_shift = a['meanfractal'].shift(1)
    price_shift = a['price'].shift(1)
    factor = 1.03**(1/l)
    a['portfolio1'] = (a['price']/price_shift*mean_shift+(1-mean_shift)*factor).cumprod()
    a['portfolio2'] = ((a['price']/price_shift*mean_shift+factor)/(1+mean_shift)).cumprod()
    a.dropna(inplace=True)
    a = a.div(a.ix[0])
    return a[['price','portfolio1','portfolio2']].plot()

获得的结果图：

meanfractal(a)

注意：如果速度不是主要问题，您可以通过 pandas 中存在的内置方法执行操作，而不是将它们转换为相应的 numpy 数组值。

pandas 上的动量投资组合（趋势跟踪）量化模拟

Momentum portfolio(trend following) quant simulation on pandas

python

pandas

quantitative-finance

momentum