利用熊猫数据实现随时间跳跃的股票价格月收益率
利用熊猫数据实现随时间跳跃的股票价格月收益率
提问于 2018-09-28 07:43:19
我试着用熊猫数据从股票的日价格中计算每月的股票收益。
数据：
permno date prc
Firm A 1995-01-02 30
Firm A 1995-01-03 30.3
...
Firm B 1996-01-03 10.1到目前为止，我尝试的是：
df = DATA
#date columns are consisted with datestamps
df.loc[:, 'month'] = df.loc[:, 'date'].apply(lambda x : x.strftime('%Y%m'))
# **<code1>** choose first date from that month for each permno
df_ = df.sort_values('date').groupby(['permno', 'month']).first().reset_index()
# **<code2>** caclulate monthly_return by getting pct_change()
df_['monthly_return'] = df_.sort_values('month').groupby('permno').prc.pct_change()不过，我刚发现有些证券有一段时间没有交换。
这导致了两个问题：
- 利用引线为某些证券选择假起点。例如，如果B公司的证券在1997年1月3日没有交易(假设这是第一天其他证券在1997年1月第一次交易)。选择1997年1月4日。因此，导致错误计算这种证券的月收益。
- 一些证券交易时间不超过一个月。假设B公司没有交易到1998.02英镑。~ 2001.12.然后，我们使用“2002.01的月收益率”=(价格2002.01-价格1998.01) /(1998.01)
有什么简单的方法来处理这类数据的周期跳跃吗？
回答 1
Stack Overflow用户
发布于 2018-09-28 08:17:33
我认为最方便的方法是放弃可能产生误导性回报的值。
首先，创建一个以天数为索引的示例数据系列：
periods = 10000
my_index = pd.date_range('2016-07-01', periods=periods, freq='D')
data = np.random.randint(100,1000,periods)
ts = pd.Series(data=data, index=my_index, name='Daily Returns')
print(ts.head())示例系列如下:问题1：
2016-07-01 348
2016-07-02 794
2016-07-03 650
2016-07-04 365
2016-07-05 291
Freq: D, Name: Monthly Returns, dtype: int64在开始时分配一个nan值，
ts.iloc[0]=np.nan然后重新整理系列。‘BMS代表第一个营业日。“回填()”从前瞻偏倚中避开。
ts=ts.resample('BMS').backfill().pct_change().dropna()在结果序列中，没有观测到第一个月和第二个月，因为没有数据来计算回报。
2016-09-01 0.257343
2016-10-03 -0.296997
2016-11-01 0.433544
2016-12-01 -0.552980
2017-01-02 -0.390123
Freq: BMS, Name: Monthly Returns, dtype: float64问题2:插入更多nan并执行相同的操作：
ts.iloc[500:9000]=np.nan
ts=ts.resample('BMS').backfill().pct_change().dropna()它将跳过nan月及其相关的回报。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/52550650
复制相关文章
相似问题
腾讯云开发者
