Question

进入一个熊猫数据框，我通过API期权链检索股票的数据。在``到期''列中，您可以看到在此测试用例中，我有三个期权系列分别有到期时间：2019-08-15、2019-09-15和2019-10-15。

我想要实现的是：

每个选项系列（此测试用例中为3个）
查找与“ undPrice”（=标的股票价格）最接近的“执行价”
对于最接近“ undPrice”的“行使价”价格，在“ IV_model”（=隐含波动率）中查找相应的值
针对该到期系列的所有选项组合，在“ desired_outcome”列中填写该值（因此，在此测试用例中，有三个块具有相同的值）
因此，在一系列数据中基本上存在三个查询。

这是一个接近我的实际环境的测试用例的代码：

import pandas as pd
undPrice = 202

df = pd.DataFrame(columns=['expiration', 'strike', 'undPrice', 'IV_model', 'desired_outcome'])
df['expiration'] = ['2019-08-15', '2019-08-15', '2019-08-15', '2019-08-15', '2019-08-15', '2019-08-15', '2019-08-15', '2019-08-15', '2019-09-15', '2019-09-15', '2019-09-15', '2019-09-15', '2019-09-15', '2019-09-15', '2019-09-15', '2019-09-15', '2019-09-15', '2019-09-15', '2019-10-15', '2019-10-15', '2019-10-15', '2019-10-15', '2019-10-15', '2019-10-15', '2019-10-15', '2019-10-15', '2019-10-15', '2019-10-15']
df['expiration'] = df['expiration'].apply(lambda x: pd.to_datetime(str(x), utc=True,format='%Y-%m-%d'))
df['strike'] = [170, 175, 180, 185, 190, 195, 200, 205, 165, 170, 175, 180, 185, 190, 195, 200, 205, 210, 160, 165, 170, 175, 180, 185, 190, 195, 200, 205]
df['undPrice'] = [undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice, undPrice]
df['IV_model'] = [0.28, 0.27, 0.26, 0.25, 0.24, 0.23, 0.22, 0.21, 0.35, 0.34, 0.33, 0.32, 0.31, 0.30, 0.29, 0.28, 0.27, 0.26, 0.42, 0.41, 0.40, 0.39, 0.38, 0.37, 0.36, 0.35, 0.34, 0.33]
df['IV_model'] = df['IV_model'].map('{:.2%}'.format)
df['desired_outcome'] = [0.22, 0.22, 0.22, 0.22, 0.22, 0.22, 0.22, 0.22, 0.28, 0.28, 0.28, 0.28, 0.28, 0.28, 0.28, 0.28, 0.28, 0.28, 0.34, 0.34, 0.34, 0.34, 0.34, 0.34, 0.34, 0.34, 0.34, 0.34]
df['desired_outcome'] = df['desired_outcome'].map('{:.2%}'.format)
print(df)

这将是（期望的）结果（显然是手动填写的“ desired_outcome”）：

                  expiration  strike  undPrice IV_model desired_outcome
0  2019-08-15 00:00:00+00:00     170       202   28.00%          22.00%
1  2019-08-15 00:00:00+00:00     175       202   27.00%          22.00%
2  2019-08-15 00:00:00+00:00     180       202   26.00%          22.00%
3  2019-08-15 00:00:00+00:00     185       202   25.00%          22.00%
4  2019-08-15 00:00:00+00:00     190       202   24.00%          22.00%
5  2019-08-15 00:00:00+00:00     195       202   23.00%          22.00%
6  2019-08-15 00:00:00+00:00     200       202   22.00%          22.00%
7  2019-08-15 00:00:00+00:00     205       202   21.00%          22.00%
8  2019-09-15 00:00:00+00:00     165       202   35.00%          28.00%
9  2019-09-15 00:00:00+00:00     170       202   34.00%          28.00%
10 2019-09-15 00:00:00+00:00     175       202   33.00%          28.00%
11 2019-09-15 00:00:00+00:00     180       202   32.00%          28.00%
12 2019-09-15 00:00:00+00:00     185       202   31.00%          28.00%
13 2019-09-15 00:00:00+00:00     190       202   30.00%          28.00%
14 2019-09-15 00:00:00+00:00     195       202   29.00%          28.00%
15 2019-09-15 00:00:00+00:00     200       202   28.00%          28.00%
16 2019-09-15 00:00:00+00:00     205       202   27.00%          28.00%
17 2019-09-15 00:00:00+00:00     210       202   26.00%          28.00%
18 2019-10-15 00:00:00+00:00     160       202   42.00%          34.00%
19 2019-10-15 00:00:00+00:00     165       202   41.00%          34.00%
20 2019-10-15 00:00:00+00:00     170       202   40.00%          34.00%
21 2019-10-15 00:00:00+00:00     175       202   39.00%          34.00%
22 2019-10-15 00:00:00+00:00     180       202   38.00%          34.00%
23 2019-10-15 00:00:00+00:00     185       202   37.00%          34.00%
24 2019-10-15 00:00:00+00:00     190       202   36.00%          34.00%
25 2019-10-15 00:00:00+00:00     195       202   35.00%          34.00%
26 2019-10-15 00:00:00+00:00     200       202   34.00%          34.00%
27 2019-10-15 00:00:00+00:00     205       202   33.00%          34.00%

我是Python编程的相对入门者，我已经走了很长一段路，但这超出了我的能力。我希望有人可以帮助我解决这个问题。

Answer 1

这是一种方法：

通过找到undPrice和行使价之间的最小距离来创建IV_model到期的字典。

desiredOutcomeMap = df.groupby('expiration').apply(lambda x: df.loc[abs(x['undPrice']-x['strike']).idxmin(), 'IV_model']).to_dict()

然后将其映射到原始df。

df['desired_outcome'] = df['expiration'].map(desiredOutcomeMap)

在一列中查找值，以查找其他两列中最匹配的值

1 个答案: