Question

我正致力于编制HAR-RV波动率模型，我会对每日，每周和每月数据进行回归，以预测明天的每日波动率。我有6年的每日数据，我想反击。起初，我认为这很简单 - 我使用pandas asfreq将我的每日数据转换为每周和每月，以计算每日，每周和每月pct_change以开始分析。问题是我试图在python中找到一个函数，它允许我为每个每日数据点计算每月和每周pct_change，这样在2015年1月24日我将有一周从2015年1月17日开始（-7天和）从2014年12月25日开始的月份（-30天）和每日数据点1/23/15我将从2015年1月16日（-7天）开始的一周和2014年12月24日开始的月份（ - 30天）等。

然而，通过使用asfreq（'W'）和asfreq（'M'）我每个月获得31个每日数据点（OK）每月1个月数据点（不是OK）和4个每周数据点每个月（不行）。我每个月需要31点，每周31点，每月31点。

关于如何为每个日常时间实现相应的每周和每月pct_change的任何指导？以下是我目前使用的代码：

import pandas as pd
import numpy as np
from zipline.data.loader import load_bars_from_yahoo
start = pd.Timestamp('2009-07-26')
end = pd.Timestamp('2015-01-18')
data = zp.utils.factory.load_from_yahoo(
    stocks=['USO'],
    start=start,
    end=end,
    )
daily = data
weekly = daily.asfreq('W-FRI')
monthly = daily.asfreq('M')`

Answer 1

asfreq方法用于重新索引您的数据。也就是说，它会在不同的时间段内进行分类。

您要做的是计算滚动统计信息。 http://pandas.pydata.org/pandas-docs/stable/computation.html#moving-rolling-statistics-moments

这是一个使用自定义lambda函数和rolling_apply的实现，它似乎可以做你想要的：

from pandas import Series, date_range
import numpy as np

# Generate some synthetic price data
ts = pd.Series(np.random.randn(1000), index=date_range('1/1/2000', periods=1000))
ts = ts.cumsum() + 100
ts.plot()

# Define a function to calculate percent change over an x-day period 
rollingChange = lambda x: 100*(x[-1]-x[0])/x[0]

# Use rolling_apply to calculate 7 and 30 day rolling prcnt_change
week = pd.rolling_apply(ts, 7, rollingChange)
month = pd.rolling_apply(ts, 30, rollingChange)

这是一个nbviewer链接，了解更多详情： http://nbviewer.ipython.org/gist/twowheelmotion/70e8f114b208c194ac8b

Answer 2

假设您已按顺序调整收盘价（'adj_close'）为一列，则可以执行以下操作。

    df['daily_performance'] = df.groupby('Ticker').adj_close.pct_change().fillna(0)
    df['5_day_performance'] = df.groupby('Ticker').adj_close.pct_change(periods=5).fillna(0)
    df['21_day_performance'] = df.groupby('Ticker').adj_close.pct_change(periods=21).fillna(0)

如果您没有包含多只股票的置顶栏中，则可以摆脱“ groupby（'Ticker）。平均每周5天，每月平均21个交易日，因此，上面的5和21

Python动态日期时间段

2 个答案: