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_spending
in 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_spending
t-1
val_after_spending
t-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
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
- java - 数据未使用 Jsp Ajex crud 加载到 Datatable
- sql - 如何将 SQL MAX(date) 分配给 VBA 变量
- python - 使用浏览器下载和使用 python-requests 库下载有什么区别?
- ruby-on-rails - 难以配置 SMTP 服务器以发送电子邮件
- c++ - 为什么我的表达式不是模板内的常量表达式?
- bash - 关于 bash 文件存在测试运算符的困惑
- c++ - 以 n 秒的间隔调用函数 n 次
- python - pygame.Color() 返回的神秘值
- c# - C#:如何强制泛型类型成为接口?
- java - 如何编辑由“发送邀请链接”POST 请求生成的电子邮件