python - Pandas 上的动量投资组合(趋势跟踪)量化模拟

Question

我正在尝试基于 S&P500 指数(月度数据)构建趋势跟踪动量投资组合策略

我使用考夫曼的分形效率比来滤除洗盘信号(http://etfhq.com/blog/2011/02/07/kaufmans-efficiency-ratio/)

我成功地编码了，但是非常笨拙，所以我需要更好的代码的建议。

策略

1. 从雅虎财经获取标准普尔 500 指数数据
2. 计算回溯期 X 上考夫曼的效率比(1 , if close > close(n), 0)
3. 计算2的平均值，从1到12个时间段--->每月 Assets 配置比例，1- Assets 配置比例=现金(每年3%)

我很难平均 1 比 12 的效率比。我当然知道它可以简单地通过for循环实现，并且这是非常容易的任务，但我失败了。

我需要更简洁和精致的代码，有人可以帮助我吗？

a['meanfractal'] 在下面的代码中困扰着我..

import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import pandas_datareader.data as web

def price(stock, start):
    price = web.DataReader(name=stock, data_source='yahoo', start=start)['Adj Close']
    return price.div(price.iat[0]).resample('M').last().to_frame('price')

a = price('SPY','2000-01-01')

def fractal(a,p):
    a['direction'] = np.where(a['price'].diff(p)>0,1,0)
    a['abs'] = a['price'].diff(p).abs()
    a['volatility'] = a.price.diff().abs().rolling(p).sum()
    a['fractal'] = a['abs'].values/a['volatility'].values*a['direction'].values
    return a['fractal']

def meanfractal(a):
    a['meanfractal']= (fractal(a,1).values+fractal(a,2).values+fractal(a,3).values+fractal(a,4).values+fractal(a,5).values+fractal(a,6).values+fractal(a,7).values+fractal(a,8).values+fractal(a,9).values+fractal(a,10).values+fractal(a,11).values+fractal(a,12).values)/12
    a['portfolio1'] = (a.price/a.price.shift(1).values*a.meanfractal.shift(1).values+(1-a.meanfractal.shift(1).values)*1.03**(1/12)).cumprod()
    a['portfolio2'] = ((a.price/a.price.shift(1).values*a.meanfractal.shift(1).values+1.03**(1/12))/(1+a.meanfractal.shift(1))).cumprod()
    a=a.dropna()
    a=a.div(a.ix[0])
    return a[['price','portfolio1','portfolio2']].plot()        

print(a)
plt.show()

Answer 1

您可以通过将与 p 对应的值存储在 DF 中来进一步简化，而不是分别计算每个系列，如下所示:

def fractal(a, p):
    df = pd.DataFrame()
    for count in range(1,p+1):
        a['direction'] = np.where(a['price'].diff(count)>0,1,0)
        a['abs'] = a['price'].diff(count).abs()
        a['volatility'] = a.price.diff().abs().rolling(count).sum()
        a['fractal'] = a['abs']/a['volatility']*a['direction']
        df = pd.concat([df, a['fractal']], axis=1)
    return df

然后，您可以将重复操作分配给一个变量，从而减少重新计算时间。

def meanfractal(a, l=12):
    a['meanfractal']= pd.DataFrame(fractal(a, l)).sum(1,skipna=False)/l
    mean_shift = a['meanfractal'].shift(1)
    price_shift = a['price'].shift(1)
    factor = 1.03**(1/l)
    a['portfolio1'] = (a['price']/price_shift*mean_shift+(1-mean_shift)*factor).cumprod()
    a['portfolio2'] = ((a['price']/price_shift*mean_shift+factor)/(1+mean_shift)).cumprod()
    a.dropna(inplace=True)
    a = a.div(a.ix[0])
    return a[['price','portfolio1','portfolio2']].plot() 

获得的结果图:

meanfractal(a)

注意:如果速度不是主要考虑因素，您可以通过 pandas 中的内置方法执行操作，而不是将它们转换为相应的 numpy 数组值。