Skip to main content
 首页 » 编程设计

python之使用 Pandas 的盈亏

2025年04月02日13yxwkf

我有一个包含如下数据的数据框:

                       open   close  signal 
date_time                                                           
2011-01-03 01:04:00  1.5560  1.5556    0.0 
2011-01-03 01:05:00  1.5557  1.5556    0.0 
2011-01-03 01:06:00  1.5557  1.5556    1.0 
2011-01-03 01:07:00  1.5556  1.5545    1.0 
2011-01-03 01:08:00  1.5546  1.5548    1.0 
2011-01-03 01:09:00  1.5549  1.5547    0.0 
2011-01-03 01:10:00  1.5548  1.5549    0.0 
2011-01-03 01:11:00  1.5549  1.5551    1.0 
2011-01-03 01:12:00  1.5550  1.5552    1.0 
2011-01-03 01:13:00  1.5553  1.5553    0.0 
2011-01-03 01:14:00  1.5552  1.5553    0.0 

这是用 Python 表示金融时间序列的一种相当标准的方法。

现在,我想使用信号栏进行交易。当 signal == 1 时买入,当它回到 0 时卖出。该信号在当前分钟结束时已知,因此当我们说“买入”时,它实际上意味着“在下一分钟开盘时买入”。

假设我们投资组合的初始值为 1.0。我想要一个输出的时间序列:

                       pnl 
date_time                                                           
2011-01-03 01:04:00    1.0 
2011-01-03 01:05:00    1.0 
2011-01-03 01:06:00    1.0 
2011-01-03 01:07:00    0.999292877 # Buy: pnl = (1.0 * 1.5545 / 1.5556) 
2011-01-03 01:08:00    0.999485729 # Hold: pnl = (1.0 * 1.5548 / 1.5556) 
2011-01-03 01:09:00    0.999421445 # Hold: pnl = (1.0 * 1.5547 / 1.5556) 
2011-01-03 01:10:00    0.999485729 # Sell: pnl = (1.0 * 1.5548 / 1.5556) 
2011-01-03 01:11:00    0.999485729 # Wait 
2011-01-03 01:12:00    0.999614280 # Buy: pnl = (0.999485729 * 1.5552 / 1.5550) 
2011-01-03 01:13:00    0.999678556 # Hold: pnl = (0.999485729 * 1.5553 / 1.5550) 
2011-01-03 01:14:00    0.999614280 # Sell: pnl = (0.999485729 * 1.5552 / 1.5550) 
2011-01-03 01:15:00    0.999614280 # Wait 

知道如何在不循环遍历数据帧的情况下用 pandas 做到这一点吗?

请您参考如下方法:

我不太了解买入/卖出暂停(也许您的卖出时间有误?),但这应该能让您接近这个想法。关键是计算一个数组“单位”,指示您是否持有股票。然后其余的应该工作正常。每天您要么更改值(value)(0.99 或 1.01,例如基于股票收盘价),要么持有值(value) (1.0)。然后 cumprod() 函数会累积这些更改。由于您是在开盘时买入,因此您需要增加一些复杂性。如果您需要在那个时候做一些特别的事情,您可以创建一个像 signal[1:0]-signal[0:-1] 这样的“购买”数组。

#!/usr/bin/env python 
import pandas as pd 
import numpy as np 
df=pd.DataFrame([[ 1.5560,  1.5556,    0.0], 
                [ 1.5557,  1.5556,    0.0], 
                [ 1.5557,  1.5556,    1.0], 
                [ 1.5556,  1.5545,    1.0], 
                [ 1.5546,  1.5548,    1.0], 
                [ 1.5549,  1.5547,    0.0], 
                [ 1.5548,  1.5549,    0.0], 
                [ 1.5549,  1.5551,    1.0], 
                [ 1.5550,  1.5552,    1.0], 
                [ 1.5553,  1.5553,    0.0], 
                 [ 1.5552,  1.5553,    0.0]], columns=['open','close','signal']) 
 
#You will need to adjust units based on your exact buy/sell times.  Assuming here that 
#units are signal delayed by 1 time slot. 
units=np.insert(df['signal'].values,0,[0])[0:-1] 
#change is relative change in price from day before.  Insert 1.0 in first day to represent start 
change_close=np.insert(df['close'].values[1:]/df['close'].values[0:-1],0,[1]) 
#hold is 1,0 flag whether you are holding stock 
hold=(units>0) 
#relative change in value is either change_close or 1.0 (no change) 
change_value=hold*change_close + ~hold*1.0 
#cumulative product of changes gives current value 
pnl=change_value.cumprod() 
#insert back into dataframe as new column 
df['pnl']=pnl 
df 
 
open   close  signal       pnl 
0   1.5560  1.5556     0.0  1.000000 
1   1.5557  1.5556     0.0  1.000000 
2   1.5557  1.5556     1.0  1.000000 
3   1.5556  1.5545     1.0  0.999293 
4   1.5546  1.5548     1.0  0.999486 
5   1.5549  1.5547     0.0  0.999421 
6   1.5548  1.5549     0.0  0.999421 
7   1.5549  1.5551     1.0  0.999421 
8   1.5550  1.5552     1.0  0.999486 
9   1.5553  1.5553     0.0  0.999550 
10  1.5552  1.5553     0.0  0.999550 

也许如果您发布了执行您想要的操作的循环代码,那么其他人可能更容易进行矢量化。