我有一个代表股票收益的DataFrame
。分拆调整收盘价,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,分割调整关闭)如何依赖于滞后的DivFactor
值。反过来,DivFactor
依赖于滞后的DivFactor
值和当前的SAClose
值。在
上面的方法是可行的,但是在loop部分它非常慢。有没有更有效的方法让我在熊猫身上做到这一点?考虑到“循环”依赖关系(考虑到滞后,实际上不是循环的),我不确定如何进行正则数列运算或使用普通的移位操作(例如,我对Cash Return
所做的那样)。在
您可以尝试一次性创建累积调整系数系列,然后无需循环:
相关问题 更多 >
编程相关推荐