42 lines
4.3 KiB
Plaintext
42 lines
4.3 KiB
Plaintext
|
<EFBFBD>
|
|||
|
|
<00>6AhO <00>
<00><> <00> S SK rS SKrSS\R " S5 S4S\R
|
|||
|
|
S\S\S \S
|
|||
|
|
\S \R
|
|||
|
|
4 S jjrg)
<0A> N<> g{<14>G<EFBFBD>z<EFBFBD>?<3F><> <00> <00>df<64>N_days<79>risk_free_rate_annual<61>annualization_factor<6F>min_periods_for_std<74>returnc <00><> ^^^^^ <09> U nUR SS/S9nUR S5 S R 5 US' US- m UU U4S jmUU4S jnUR SS S
|
|||
|
|
9R U5 nU$ ) u<>
|
|||
|
|
高效计算每只股票在每个交易日未来 N 日的年化夏普比率和索提诺比率，作为训练的Label。
|
|||
|
|
函数会获取未来 N 天的每日收益率序列，并基于此序列计算夏普/索提诺。
|
|||
|
|
|
|||
|
|
Args:
|
|||
|
|
df (pd.DataFrame): 输入 DataFrame，需包含 'ts_code', 'trade_date', 'close' 列。
|
|||
|
|
'close' 列必须是股票收盘价。
|
|||
|
|
N_days (int): 未来考察的天数。例如，N_days=5 表示考察未来5个交易日。
|
|||
|
|
risk_free_rate_annual (float): 年化无风险利率。
|
|||
|
|
annualization_factor (float): 用于将日收益率转化为年化收益率的因子 (例如 np.sqrt(252))。
|
|||
|
|
min_periods_for_std (int): 计算标准差所需的最小有效数据点数。
|
|||
|
|
如果未来N天有效数据少于此值，则 Label 为 NaN。
|
|||
|
|
|
|||
|
|
Returns:
|
|||
|
|
pd.DataFrame: 原始DataFrame，新增 'sharpe_ratio_label' 和 'sortino_ratio_label' 列。
|
|||
|
|
注意：数据末尾 N_days 行的 Label 将为 NaN。
|
|||
|
|
<EFBFBD>ts_code<64>
|
|||
|
|
trade_date)<01>by<62>closezp c tr c <00><> ><03> [ U R 5 5 T
|
|||
|
|
: a [ R [ R 4$ U T -
|
|||
|
|
nUR 5 nU R 5 n[ R nUS:w a X#- T- nX T : n[ R nUR ( d= [ R " [ R " UT -
|
|||
|
|
S- 5 5 nUS:w a X'- T- nXF4$ )u<>
|
|||
|
|
辅助函数：计算单个滚动窗口内的夏普和索提诺比率。
|
|||
|
|
这个函数将被 apply 调用于每个 (N_days) 收益率序列。
|
|||
|
|
r r )<08>len<65>dropna<6E>np<6E>nan<61>mean<61>std<74>empty<74>sqrt) <0B>returns_series<65>excess_returns<6E>mean_excess_return<72>std_dev_returns<6E>sharpe<70>downside_returns<6E>sortino<6E>downside_deviationr <00>daily_risk_free_rater
|
|||
|
|
s <20><><EFBFBD><EFBFBD>2/mnt/d/PyProject/NewStock/main/utils/indicators.py<70> _calculate_metrics_for_window<6F>Pcalculate_sharpe_sortino_labels_efficient.<locals>._calculate_metrics_for_window' s<> <00><> <00>
|
|||
|
|
<0F>~<7E>$<24>$<24>&<26> '<27>*=<3D> =<3D><15>6<EFBFBD>6<EFBFBD>2<EFBFBD>6<EFBFBD>6<EFBFBD>><3E> !<21>'<27>*><3E>><3E><0E> ,<2C> 0<> 0<> 2<><1A>(<28>,<2C>,<2C>.<2E><0F><13><16><16><06> <1A>a<EFBFBD> <1F>(<28>:<3A>>R<>R<>F<EFBFBD> *<2A>;O<>*O<>P<><18><14>&<26>&<26><07> <1F>%<25>%<25>!#<23><17><17><12><17><17>2B<32>EY<45>2Y<32>\]<5D>1]<5D>)^<5E>!_<> <1E>!<21>Q<EFBFBD>&<26>-<2D>B<>FZ<46>Z<><07><15><EFBFBD> <1E> c <00>> ><02> [ R /[ U 5 - n[ R /[ U 5 - n[ [ U 5 T-
|
|||
|
|
5 H> nU S R US- US- T- R 5 nT" U5 u pVXQU' XbU' M@ XS' X S' U $ )ui
|
|||
|
|
对单只股票的数据帧进行处理，计算其每个日期的未来 N 日夏普/索提诺比率。
|
|||
|
|
<EFBFBD>pct_chg<68> <00>sharpe_ratio_label<65>sortino_ratio_label)r r r <00>range<67>ilocr ) <09>stock_df_group<75>
sharpe_labels<6C>sortino_labels<6C>i<>future_pct_chgsr r r r$ s <20><>r# <00>_apply_metrics_per_stock<63>Kcalculate_sharpe_sortino_labels_efficient.<locals>._apply_metrics_per_stockd s<> <00><> <00> <1C><16><16><08>3<EFBFBD>~<7E>#6<>6<>
<0A> <1C>&<26>&<26><18>C<EFBFBD><0E>$7<>7<><0E> <17>s<EFBFBD>><3E>*<2A>V<EFBFBD>3<>4<>A<EFBFBD> -<2D>Y<EFBFBD> 7<> <<3C> <<3C>Q<EFBFBD>q<EFBFBD>S<EFBFBD>1<EFBFBD>Q<EFBFBD>3<EFBFBD>v<EFBFBD>:<3A> N<> U<> U<> W<>O<EFBFBD> <<3C>O<EFBFBD> L<>O<EFBFBD>F<EFBFBD> &<26>!<21> <1C> '<27>1<EFBFBD> <1D> 5<> 0=<3D>+<2B>,<2C>0><3E>,<2C>-<2D> <1D> r& F)<01>
|
|||
|
|
group_keys)<04> sort_values<65>groupby<62>
|
|||
|
|
pct_change<EFBFBD>apply)
|
|||
|
|
r r r r r
|
|||
|
|
<00>df_copyr3 <00> df_resultr$ r" s
|
|||
|
|
` `` @@r# <00>)calculate_sharpe_sortino_labels_efficientr< s<> <00><> <00>0 <11>G<EFBFBD> <16>!<21>!<21>i<EFBFBD> <1C>%><3E>!<21>?<3F>G<EFBFBD> <1F><EFBFBD><EFBFBD>y<EFBFBD>1<>'<27>:<3A>E<>E<>G<>G<EFBFBD>G<EFBFBD><14> 1<>3<EFBFBD>6<><18> <1F>z <1E>2 <18><0F><0F> <09>e<EFBFBD><0F><<3C>B<>B<>C[<5B>\<5C>I<EFBFBD>
|
|||
|
|
<15>r& ) <09>pandas<61>pd<70>numpyr r <00> DataFrame<6D>int<6E>floatr< <00> r& r# <00><module>rD sm <00><01> <13> <12> <14>#'<27>"$<24>'<27>'<27>#<23>,<2C> <20> ~<15>
|
|||
|
|
<EFBFBD> <0C> <0C>~<15> <0F>~<15> !<21>~<15> <20> ~<15>
|
|||
|
|
<1D> ~<15> <08>\<5C>\<5C>
~r&
|