大熊猫动量组合（趋势跟踪）量化模拟

Question

我正在尝试构建基于S＆amp; P500指数的趋势跟踪动量投资组合策略（momthly数据） 我用Kaufmann的分形效率比来滤除洗盘信号 （http://etfhq.com/blog/2011/02/07/kaufmans-efficiency-ratio/） 我成功编写了代码，但它非常笨拙，所以我需要更好的代码建议。 战略 从雅虎财经获取S＆amp; P 500指数的数据 在回顾期X计算Kaufmann效率比（1，如果接近> close（n），0） 平均值计算值为2，从1到12时间段---＆gt;每月资产配置比率，1资产配置比率=现金（每年3％） 我在平均1到12的效率比方面遇到了困难。当然我知道它可以简单地通过for循环实现，这是非常容易的任务，但我失败了。 我需要更简洁和精致的代码，任何人都可以帮助我吗？ 一个[＆＃39; meanfractal＆＃39;]在下面的代码中困扰我。 谢谢 将pandas导入为pd 将matplotlib.pyplot导入为plt 导入numpy为np 将pandas_datareader.data导入为web def price（stock，start）：     price = web.DataReader（name = stock，data_source =＆＃39; yahoo＆＃39;，start = start）[＆＃39; Adj Close＆＃39;]     return price.div（price.iat [0]）。resample（＆＃39; M＆＃39;）。last（）。to_frame（＆＃39; price＆＃39;） a =价格（＆＃39; SPY＆＃39;，＆＃39; 2000-01-01＆＃39;） def fractal（a，p）：     a [＆＃39;]＆＃39;] = np.where（[＆＃39;价格＆＃39;]。差异（p）＆gt; 0,1,0）     a [＆＃39; abs＆＃39;] = a [＆＃39;价格＆＃39;]。diff（p）.abs（）     a [＆＃39; volatility＆＃39;] = a.price.diff（）。abs（）。rolling（p）.sum（）     a [＆＃39;分形＆＃39;] = a [＆＃39; abs＆＃39;]。值/ a [＆＃39;波动率＆＃39;]。值* a [＆＃39;方向＆＃39; ] .values     返回[＆＃39;分形＆＃39;] def meanfractal（a）：     a [＆＃39; meanfractal＆＃39;] =（分形（a，1）.values +分形（a，2）.values + fractal（a，3）.values + fractal（a，4）.values + fractal （一，5）.values +分形（一，6）.values +分形（一，7）.values +分形（一，8）.values +分形（一，9）.values +分形（一，10） .values +分形（一，11）.values +分形（A，12）.values）/ 12     a [＆＃39; portfolio1＆＃39;] =（a.price / a.price.shift（1）.values * a.meanfractal.shift（1）.values +（1-a.meanfractal.shift（1）。值）* 1.03 **（1/12））。cumprod（）     a [＆＃39; portfolio2＆＃39;] =（（a.price / a.price.shift（1）.values * a.meanfractal.shift（1）.values + 1.03 **（1/12））/ （1 + a.meanfractal.shift（1）））。cumprod（）     一个= a.dropna（）     一个= a.div（a.ix [0]）     返回[[＆＃39;价格＆＃39;，＆＃39; portfolio1＆＃39;，＆＃39; portfolio2＆＃39;]]。plot（） 打印（一） plt.show（）

Answer 1

您可以通过在p中存储与DF相对应的值来进一步简化，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：

meanfractal(a)

注意：如果速度不是主要问题，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。