Блог

Я пытаюсь построить стратегию портфеля, следующую за трендом, на основе индекса S amp; P500 (данные за месяц)

Я использовал коэффициент фрактальной эффективности Кауфмана для фильтрации сигнала whipsaw (http://etfhq.com/blog/2011/02/07/kaufmans-efficiency-ratio /)

Я преуспел в кодировании, но это очень неуклюже, поэтому мне нужен совет по улучшению кода.

СТРАТЕГИИ

1. Получить данные индекса S amp; P 500 от yahoo finance
2. Вычислите коэффициент эффективности Кауфмана для периода ретроспективного анализа X (1, если close> close (n), 0)
3. Среднее расчетное значение 2, период времени от 1 до 12 —> Ежемесячный коэффициент распределения активов, 1-коэффициент распределения активов = денежные средства (3% в год)

У меня возникают трудности с усреднением коэффициента эффективности от 1 до 12. Конечно, я знаю, что это может быть просто реализовано с помощью цикла for, и это очень простая задача, но я потерпел неудачу.

Мне нужен более краткий и уточненный код, кто-нибудь может мне помочь?

a['meanfractal'] меня беспокоит приведенный ниже код..

 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()
  

Вы могли бы еще больше упростить, сохранив значения, соответствующие p в DF , а не вычисляя для каждой серии отдельно, как показано:

 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
  

Затем вы можете назначить повторяющиеся операции переменной, что сокращает время повторного вычисления.

 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() 
  

Полученный график:

 meanfractal(a)
  

Примечание: если скорость не является серьезной проблемой, вы можете выполнять операции с помощью встроенных методов, присутствующих в pandas , вместо преобразования их в соответствующие numpy значения массива.