python - pandas - 计算具有循环依赖性的两个系列的更有效方法

Question

我有一个代表股票 yield 的 DataFrame。拆分调整收盘价，我有以下方法:

def returns(ticker, start=None, end=None):
    p = historical_prices(ticker, start, end, data='d', convert=True)
    d = historical_prices(ticker, start, end, data='v', convert=True)

    p['Dividends'] = d['Dividends']
    p['Dividends'].fillna(value=0, inplace=True)
    p['DivFactor'] = 1.
    p['SAClose'] = p['Close']

    records, fields = p.shape
    for t in range(1, records):
        p['SAClose'][t] = p['Adj Close'][t] / p['DivFactor'][t-1] + \
                          p['Dividends'][t-1]
        p['DivFactor'][t] = p['DivFactor'][t-1] * \
                            (1 - p['Dividends'][t-1] / p['SAClose'][t])

    p['Lagged SAClose'] = p['SAClose'].shift(periods=-1)
    p['Cash Return'] = p['Dividends'] / p['Lagged SAClose']
    p['Price Return'] = p['SAClose'] / p['Lagged SAClose'] - 1
    return p.sort_index()

请注意 SAClose(即拆分调整收盘价)如何取决于滞后的 DivFactor 值。反过来，DivFactor 取决于滞后的 DivFactor 值以及当前的 SAClose 值。

上面的方法可行，但在循环部分它非常慢。有没有更有效的方法让我在 Pandas 中做到这一点？鉴于“循环”依赖性(考虑到滞后并不是真正的循环)，我不确定如何进行常规系列数学运算或使用正常的移位操作(例如，就像我对 Cash Return 所做的那样)。

Answer 1

您可以尝试在一次拍摄中创建一个累积调整因子系列，然后您不需要循环:

(p['Dividends'].fillna(1.) + 1.).cumprod()