作者热门文章
- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在运行一个大型 Python 程序来优化投资组合权重,以实现金融领域的 (Markowitz) 投资组合优化。当我分析代码时,90% 的运行时间都花在了计算投资组合返回上,这已经进行了数百万次。我可以做些什么来加速我的代码?我试过:
请参阅下面的示例 - 有什么建议吗?
import numpy as np
def get_pf_returns(weights, asset_returns, horizon=60):
'''
Get portfolio returns: Calculates portfolio return for N simulations,
assuming monthly rebalancing.
Input
-----
weights: Portfolio weight for each asset
asset_returns: Monthly returns for each asset, potentially many simulations
horizon: 60 months (hard-coded)
Returns
-------
Avg. annual portfolio return for each simulation at the end of 5 years
'''
pf = np.ones(asset_returns.shape[1])
for t in np.arange(horizon):
pf *= (1 + asset_returns[t, :, :].dot(weights))
return pf ** (12.0 / horizon) - 1
def get_pf_returns2(weights, asset_returns):
''' Alternative '''
return np.prod(1 + asset_returns.dot(weights), axis=0) ** (12.0 / 60) - 1
# Example
N, T, sims = 12, 60, 1000 # Settings
weights = np.random.rand(N)
weights *= 1 / np.sum(weights) # Sample weights
asset_returns = np.random.randn(T, sims, N) / 100 # Sample returns
# Calculate portfolio risk/return
pf_returns = get_pf_returns(weights, asset_returns)
print np.mean(pf_returns), np.std(pf_returns)
# Timer
%timeit get_pf_returns(weights, asset_returns)
%timeit get_pf_returns2(weights, asset_returns)
编辑
解决方案:Matmul 在我的机器上最快:
def get_pf_returns(weights, asset_returns):
return np.prod(1 + np.matmul(asset_returns, weights), axis=0) ** (12.0 / 60) - 1
最佳答案
在我的环境中,mutmul
(@
) 相对于 einsum
和 dot
具有适度的时间优势:
In [27]: np.allclose(np.einsum('ijk,k',asset_returns,weights),asset_returns@weig
...: hts)
Out[27]: True
In [28]: %timeit asset_returns@weights
100 loops, best of 3: 3.91 ms per loop
In [29]: %timeit np.einsum('ijk,k',asset_returns,weights)
100 loops, best of 3: 4.73 ms per loop
In [30]: %timeit np.dot(asset_returns,weights)
100 loops, best of 3: 6.8 ms per loop
我认为时间受计算总数的限制,而不是编码细节。所有这些都将计算传递给已编译的 numpy 代码。您的原始循环版本相对较快这一事实可能与循环次数较少(仅 60 个)以及更完整的 dot
中的内存管理问题有关。
numba
可能不会替换 dot
代码。
因此,在这里或那里进行调整可能会使您的代码速度提高 2 倍,但不要指望会有数量级的改进。
关于python - 如何加速分析 NumPy 代码 - 矢量化,Numba?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/41148080/
我是一名优秀的程序员,十分优秀!