在 python 中需要帮助计算每项投资在不同日期的不同投资的 IRR

Question

我需要帮助计算不同投资的内部收益率，以及这些投资在不同时间的内部收益率。

所以有一个数据框看起来像这样：

DATE	Investment	Flow
2012-05-12	1	-50
2013-09-04	1	100
2014-05-05	1	300
2013-09-04	2	-700
2015-05-12	2	1000
2012-04-04	3	100
2013-05-12	3	-50
2013-09-04	4	-60

还有一个像这样

DATE	Investment	Stock
2012-09-05	1	400
2014-05-05	1	600
2014-05-05	2	300
2013-09-04	2	800
2012-09-14	3	1000
2013-09-05	4	6000

所以我想创建多个数据框，其中包含每项投资的流程，直到我获得有关股票的信息为止，最后一行包含该日期的股票。因此，例如，我对投资 1 的股票有 2 个观察结果，因此我应该为投资 1 创建 2 个数据框，如下所示：

DATE	Investment	Flow + Stock(last row)
2012-05-12	1	-50
2012-09-05	1	400

DATE	Investment	Flow + Stock(last row)
2012-05-12	1	-50
2013-09-04	1	100
2014-05-05	1	300
2014-05-05	1	600

对于投资 3，假设我只有一个股票观察，应该只有 1 个如下所示的数据框：

DATE	Investment	Flow + Stock(last row)
2012-04-04	3	100
2012-09-14	3	1000

考虑到我有很多数据，手动创建每个数据框很麻烦，而且我希望这段代码在我有新信息时更新 IRR。我想这样做是因为我想查看每个日期的 IRR 演变，我有每项投资的股票信息。有点像投资内部收益率的时间序列。我将使用创建的数据帧计算 IRR。

我尝试对每项投资的股票信息的日期进行排名，但遇到循环问题。

非常感谢

编辑：根据 Henry Ecker 的要求，这是合并数据库的示例。

         DATE_x       Investment         Flow     DATE_y         Stock
355  2018-08-29            1            1371300 2020-09-30    2904678,03
3076 2016-03-31            2           -4535569 2015-06-30             0
1564 2017-11-28            3            1142227 2014-09-30   10378007,31
3666 2018-02-22            2            1622857 2020-03-31  122203846,09
1394 2017-05-16            3            3116642 2017-12-31             0
472  2013-11-09            3           -4364500 2015-12-31   45789217,93
446  2021-02-23            1             325117 2020-03-31   13176648,97
1641 2018-01-31            3             623695 2015-09-30             0
1297 2017-03-21            3            1146193 2015-09-30    32103654,6
2080 2020-09-15            3             461123 2017-09-30   47763628,79

Answer 1

解决此问题的一种方法是加入流和观察以获得关联，然后按观察日期和投资 ID 分组以获得我们感兴趣的每个组。

函数process_df用于仅过滤掉观察日期(DATE_y)之前的天数。

从第一行中获取值 Investment、Observation Date (DATE_y) 和 Stock value，因为它们在组中都是相同的，并将其附加到 table 的末尾。然后清理所有内容，删除额外的列（Stock 和 DATE_y），重置索引，并重命名列以反映您想要的输出。

import pandas as pd

flows = pd.DataFrame({'DATE': {0: '2012-05-12', 1: '2013-09-04',
                               2: '2014-05-05', 3: '2013-09-04',
                               4: '2015-05-12', 5: '2012-04-04',
                               6: '2013-05-12', 7: '2013-09-04',
                               8: '2020-05-12', 9: '2016-07-12'},
                      'Investment': {0: 1, 1: 1, 2: 1, 3: 2,
                                     4: 2, 5: 3, 6: 3, 7: 4,
                                     8: 5, 9: 7},
                      'Flow': {0: -50, 1: 100, 2: 300, 3: -700,
                               4: 1000, 5: 100, 6: -50, 7: -60,
                               8: 100, 9: 800}})
flows['DATE'] = flows['DATE'].astype('datetime64[ns]')

observations = pd.DataFrame({'DATE': {0: '2012-09-05', 1: '2014-05-05',
                                      2: '2014-05-05', 3: '2013-09-04',
                                      4: '2012-09-14', 5: '2013-09-05',
                                      6: '2014-05-14', 7: '2015-12-14'},
                             'Investment': {0: 1, 1: 1, 2: 2,
                                            3: 2, 4: 3, 5: 4,
                                            6: 5, 7: 6},
                             'Stock': {0: 400, 1: 600, 2: 300,
                                       3: 800, 4: 1000, 5: 6000,
                                       6: 0, 7: 15}})
observations['DATE'] = observations['DATE'].astype('datetime64[ns]')


def process_df(df):
    out = df[df['DATE_x'] <= df['DATE_y']]  # Filter Out Out of Bound Dates
    if out.empty:
        # Handle Case Where Observation but No flows
        return df[['DATE_y', 'Investment', 'Stock']] \
            .reset_index(drop=True) \
            .rename(columns={'DATE_y': 'DATE', 'Stock': 'Flow + Stock(last row)'})
    return out.drop(['DATE_y', 'Stock'], axis=1) \
        .append(out[['Investment', 'DATE_y', 'Stock']]
                .iloc[0]
                .rename({'DATE_y': 'DATE_x', 'Stock': 'Flow'})) \
        .reset_index(drop=True) \
        .rename(columns={'DATE_x': 'DATE', 'Flow': 'Flow + Stock(last row)'})


merged = pd.merge(flows, observations, on='Investment', how='right')

dfs = [process_df(group) for _, group in merged.groupby(['Investment', 'DATE_y'])]

# For Display
for i, new_df in enumerate(dfs):
    print(f'DataFrame {i+1}')
    print(new_df)
    print()

dfs 是一个包含各个 DataFrame 的列表。

输出：

DataFrame 1
        DATE  Investment  Flow + Stock(last row)
0 2012-05-12           1                   -50.0
1 2012-09-05           1                   400.0

DataFrame 2
        DATE  Investment  Flow + Stock(last row)
0 2012-05-12           1                   -50.0
1 2013-09-04           1                   100.0
2 2014-05-05           1                   300.0
3 2014-05-05           1                   600.0

DataFrame 3
        DATE  Investment  Flow + Stock(last row)
0 2013-09-04           2                  -700.0
1 2013-09-04           2                   800.0

DataFrame 4
        DATE  Investment  Flow + Stock(last row)
0 2013-09-04           2                  -700.0
1 2014-05-05           2                   300.0

DataFrame 5
        DATE  Investment  Flow + Stock(last row)
0 2012-04-04           3                   100.0
1 2012-09-14           3                  1000.0

DataFrame 6
        DATE  Investment  Flow + Stock(last row)
0 2013-09-04           4                   -60.0
1 2013-09-05           4                  6000.0

DataFrame 7
        DATE  Investment  Flow + Stock(last row)
0 2014-05-14           5                       0

DataFrame 8
        DATE  Investment  Flow + Stock(last row)
0 2015-12-14           6                      15

编辑笔记：

我最初的实现做出了一个错误的假设，即所有观察结果都至少有一个流。我猜测您希望如何接收没有流量关联的观察信息，并选择 return 一个 DataFrame，它的最后一行仍然包含库存信息但没有流量。如果您更喜欢空的 DataFrame，请直接 return out。

    if out.empty:
        # Handle Case Where Observation but No flows
        return out

我在示例数据中添加了 3 个额外的测试用例。
1. 有流量，但发生在观察之后
2. 给定投资 ID 没有流量
3. 有流量没有观察。
  - 鉴于您生成的数据帧是基于观察结果的，我选择使用 'right' 连接排除在观察结果中不匹配的流。

在 python 中需要帮助计算每项投资在不同日期的不同投资的 IRR

Need help calculating IRR for different investments at different dates for each investment, in python

python

loops

date

pandas

irr