大熊猫动量组合(趋势跟踪)定量模拟

Question

我试图构建基于S&P 500指数(矩数据)的趋势跟随动量投资组合策略。

我用Kaufmann的分形效率比滤除了http://etfhq.com/blog/2011/02/07/kaufmans-efficiency-ratio/信号。

我成功地编写了代码，但它非常笨拙，所以我需要更好的代码建议。

策略

1. 从雅虎金融公司获得标普500指数数据
2. 在回溯周期X (1，如果关闭>关闭(N)，0)上计算Kaufmann的效率比
3. 平均计算值为2，从1至12个时间段->月资产分配比率，1-资产分配比率=现金(每年3%)

我有一个困难，平均1: 12的效率比。当然，我知道它可以简单地由for循环实现，这是非常容易的任务，但我失败了。

我需要更简洁和精炼的代码，有人能帮我吗？

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

您可以进一步简化，方法是将与p对应的值存储在DF中，而不是为每个系列单独计算，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() 

由此得到的地块：

meanfractal(a)

​

​

注意:如果速度不是一个主要问题，您可以通过pandas中的内置方法来执行操作，而不是将它们转换为相应的numpy数组值。