python - PANDAS 中的滚动产品超过 30 天的时间窗口

Question

我正在尝试为金融事件分析准备数据，并希望计算买入并持有异常返回 (BHAR)。对于测试数据集，我有三个事件(由 event_id 表示)，对于每个事件，我有 272 行，从 t-252 天到 t+20 天(由变量 表示)时间)。对于每一天，我还有股票的返回数据 (ret) 以及预期返回 (Exp_Ret)，这是使用市场模型计算得出的。以下是数据示例:

index   event_id    time    ret       vwretd    Exp_Ret
0       0           -252    0.02905   0.02498   nan
1       0           -251    0.01146   -0.00191  nan
2       0           -250    0.01553   0.00562   nan
...
250     0           -2      -0.00378  0.00028   -0.00027
251     0           -1      0.01329   0.00426   0.00479
252     0            0      -0.01723  -0.00875  -0.01173
271     0            19     0.01335   0.01150   0.01398
272     0            20     0.00722   -0.00579  -0.00797
273     1           -252    0.01687   0.00928   nan
274     1           -251    -0.00615  -0.01103  nan

这就是问题所在。我想计算每天的以下BHAR公式:

所以，以上面的公式为例，如果我要计算10天买入并持有的异常 yield ，我就需要计算(1+ret_t=0)x(1+ret_t=1 )...x(1+ret_t=10)，然后对预期返回进行同样的操作，(1+Exp_Ret_t=0)x(1+Exp_Ret_t=1)...x(1+Exp_Ret_t=10)，然后从前者中减去后者。

我使用 rolling_apply 取得了一些进展，但它并没有解决我的所有问题:

df['part1'] = pd.rolling_apply(df['ret'], 10, lambda x : (1+x).prod())

这似乎正确地实现了 BHAR 方程的左侧，因为它将添加正确的乘积——尽管它将输入向下两行的值(可以通过移位来解决)。但一个问题是，数据框中存在三个不同的“组”(3 个事件)，如果窗口向前推进超过 30 天，它可能会开始使用下一个事件的产品。我尝试使用 rolling_apply 实现 groupby 但不断收到错误:TypeError: 'Series' 对象是可变的，因此无法对它们进行哈希处理

df.groupby('event_id').apply(pd.rolling_apply(df['ret'], 10, lambda x : (1+x).prod()))

我确信我在这里缺少一些基本的东西，所以任何帮助将不胜感激。我可能只需要从不同的角度来看待它。这里有一个想法:最后，我最感兴趣的是获得从 time=0 开始的 30 天和 60 天买入并持有的异常 yield 。那么，也许更容易选择 time=0 时的每个事件，然后计算 future 30 天的乘积？我不确定如何才能最好地解决这个问题。

预先感谢您提供任何见解。

Answer 1

# Create sample data.
np.random.seed(0)
VOL = .3
df = pd.DataFrame({'event_id': [0] * 273 + [1] * 273 + [2] * 273, 
                   'time': range(-252, 21) * 3, 
                   'ret': np.random.randn(273 * 3) * VOL / 252 ** .5, 
                   'Exp_Ret': np.random.randn(273 * 3) * VOL / 252 ** .5})

# Pivot on time and event_id.
df = df.set_index(['time', 'event_id']).unstack('event_id')

# Calculated return difference from t=0.
df_diff = df.ix[df.index >= 0, 'ret'] - df.loc[df.index >= 0, 'Exp_Ret']

# Calculate cumulative abnormal returns.
cum_returns = (1 + df_diff).cumprod() - 1

# Get 10 day abnormal returns.
>>> cum_returns.loc[10]
event_id
0   -0.014167
1   -0.172599
2   -0.032647
Name: 10, dtype: float64