时间戳

首页 > 解决方案 > 提高支出固定利率后寻找投资组合终值的速度

python - 提高支出固定利率后寻找投资组合终值的速度

问题描述

我有一个pd.DataFrame对应于固定支出率为 5% 的年份的回报系列。我正在寻找每年花费后的最终投资组合价值。val_after_spendingin year等于t年平均值，val_after_spending 乘以支出率。对于第一年，假设in为 1。t val_before_spendingt-1val_after_spendingt-1

我现在有一个有效的实现（如下），但速度非常慢。有没有更快的方法来实现这一点？

import pandas as pd
import numpy as np   
port_rets = pd.DataFrame({'port_ret': [.10,-.25,.15]})

spending_rate = .05

for index, row in port_rets.iterrows():
    if index != 0:
        port_rets.at[index, 'val_before_spending'] = port_rets['val_after_spending'][index - 1] * (1 + port_rets['port_ret'][index])
        port_rets.at[index, 'spending'] = np.mean([port_rets['val_after_spending'][index - 1], port_rets['val_before_spending'][index]]) * spending_rate 
    else:
        port_rets.at[index, 'val_before_spending'] = 1 * (1 + port_rets['port_ret'][index])
        port_rets.at[index, 'spending'] = np.mean([1, port_rets['val_before_spending'][index]]) * spending_rate

    port_rets.at[index, 'val_after_spending'] = port_rets['val_before_spending'][index] - port_rets['spending'][index]

#   port_ret    val_before_spending spending    val_after_spending
#0  0.100000    1.100000            0.052500    1.047500
#1  -0.250000   0.785625            0.045828    0.739797
#2  0.150000    0.850766            0.039764    0.811002

标签： pythonpandasperformancefinance

解决方案

您在代码中与 pandas 的交互非常频繁，就性能而言，这似乎是个坏主意。为了使其尽可能易于使用，pandas 需要做大量的簿记工作，这会导致性能下降。

我们在 numpy 中进行所有计算，然后获得所有构建块，最后构建数据框。因此，代码转换为：

def get_vals(rates, spending_rate):
    n = len(rates)
    vals_after_spending = np.zeros((n+1, ))
    vals_before_spending = np.zeros((n+1, ))

    vals_after_spending[0] = 1.0

    for i in range(n):
        vals_before_spending[i+1] = vals_after_spending[i] * (1 + rates[i])

        spending = np.mean(np.array([vals_after_spending[i], vals_before_spending[i+1]])) * spending_rate
        vals_after_spending[i+1] = vals_before_spending[i+1] - spending

    return vals_before_spending[1:], vals_after_spending[1:]

rates = np.array(port_rets["port_ret"].tolist())
vals_before_spending, vals_after_spending = get_vals(rates, spending_rate)
port_rets = pd.DataFrame({'port_ret': rates, "val_before_spending": vals_before_spending, "val_after_spending": vals_after_spending})

我们可以通过 JIT 编译代码来进一步改进，因为 python 循环很慢。下面我使用 numba ：

import numba as nb
@nb.njit(cache=True)  # as easy as putting this decorator
def get_vals(rates, spending_rate):
    n = len(rates)
    vals_after_spending = np.zeros((n+1, ))
    vals_before_spending = np.zeros((n+1, ))

    # ... code remains same, we are just compiling the function

如果我们考虑这样的随机费率列表：

port_rets = pd.DataFrame({'port_ret': np.random.uniform(low=-1.0, high=1.0, size=(100000,))})

我们得到性能比较：

您的代码：15.758s

get_vals：1.407 秒

JITed get_vals : 0.093s (第二次运行以减少编译时间)

推荐阅读