如何计算以熊猫为单位的年回报率？

问题描述

因此，我一直在研究SP500的年度收益以及从quandl订阅中下载的信息。我已经使用resample（）和pct_change（）来研究数据，但是由于某种原因，我的结果并不能说明预期的结果。

sp500_df = quandl.get("MULTPL/SP500_REAL_PRICE_MONTH",authtoken="YOUR OWN AUTH KEY")
sp500_Y_ret_df = sp500_df['Value'].resample('Y').mean().pct_change().dropna()

SP 500截至2008年底的期望值应该为-38.5％，但是由于某些原因我的代码显示-17％？如果由于某种原因您无法访问数据，我可以为该数据提供一个.csv文件。感谢一百万的帮助。

sp500_Y_ret_df.loc['2008-12-31']

输出：

-0.17319465450687388

最近20年：

sp500_Y_ret_df.tail(20)

输出：

2001-12-31   -0.164631
2002-12-31   -0.164795
2003-12-31   -0.032081
2004-12-31    0.173145
2005-12-31    0.067678
2006-12-31    0.085836
2007-12-31    0.126625
2008-12-31   -0.173195
2009-12-31   -0.224552
2010-12-31    0.203406
2011-12-31    0.113738
2012-12-31    0.087221
2013-12-31    0.190603
2014-12-31    0.175436
2015-12-31    0.067610
2016-12-31    0.014868
2017-12-31    0.170363
2018-12-31    0.121093
2019-12-31    0.065247
2020-12-31    0.061747
Freq: A-DEC,Name: Value,dtype: float64

使用随机生成的数据：

aapl_df = pd.DataFrame({ 
'ticker':np.repeat( ['aapl'],2500 ),'date':pd.date_range('1/1/2011',periods=2500,freq='D'),'price':(np.random.randn(2500).cumsum() + 10) }).set_index('date')
aapl_df.head()

date        
2011-01-01  aapl    9.011290
2011-01-02  aapl    9.092603
2011-01-03  aapl    9.139830
2011-01-04  aapl    7.782112
2011-01-05  aapl    8.316270

使用规定的“最后”产生了更接近的结果，但不确定那是否纯粹是运气

aapl_Y_ret_df = aapl_df['price'].resample('Y').last()
aapl_Y_ret_df.tail()

输出

    date
2013-12-31    18.535328
2014-12-31    15.201832
2015-12-31    36.040411
2016-12-31    42.272464
2017-12-31    20.421079
Freq: A-DEC,Name: price,dtype: float64

-

aapl_Y_ret_df = aapl_df['price'].resample('Y').last().pct_change()
aapl_Y_ret_df.tail()
date
2013-12-31    0.569359
2014-12-31   -0.179846
2015-12-31    1.370794
2016-12-31    0.172918
2017-12-31   -0.516918
Freq: A-DEC,dtype: float64

解决方法

• 通过在Close或Adj Close中找到每日百分比变化，然后在sum中乘以100，来计算年度回报。
• 使用groupby按年份获取值。
• df['Adj Close'].resample('Y').mean()返回每年'Adj Close'值的平均值，这不是确定年度收益的方法。
  • 从2007年到2008年，平均收盘价的变化百分比为-17.4%。这不是回报。

import pandas_datareader as web
import pandas as pd

# load S&P 500 data
df = web.DataReader('^gspc',data_source='yahoo',start='2000-01-01',end='2020-01-01').reset_index()

# display(df)
        Date         High          Low         Open        Close      Volume    Adj Close
0 2000-01-03  1478.000000  1438.359985  1469.250000  1455.219971   931800000  1455.219971
1 2000-01-04  1455.219971  1397.430054  1455.219971  1399.420044  1009000000  1399.420044
2 2000-01-05  1413.270020  1377.680054  1399.420044  1402.109985  1085500000  1402.109985
3 2000-01-06  1411.900024  1392.099976  1402.109985  1403.449951  1092300000  1403.449951
4 2000-01-07  1441.469971  1400.729980  1403.449951  1441.469971  1225200000  1441.469971

# groupby year and determine the daily percent change by year,and add it as a column to df
df['pct_ch'] = df.groupby(df.Date.dt.year)['Adj Close'].apply(pd.Series.pct_change)

# groupby year and aggregate sum of pct_ch to get the yearly return
yearly_pct_ch = df.groupby(df.Date.dt.year)['pct_ch'].sum().mul(100).reset_index().rename(columns={'pct_ch': 'cum_pct_ch_year'})

# display(yearly_pct_ch)
    Date  cum_pct_ch_year
0   2000        -7.274088
1   2001        -8.890805
2   2002       -23.811947
3   2003        21.552072
4   2004         9.535574
5   2005         4.295586
6   2006        11.626670
7   2007         4.860178
8   2008       -38.702107
9   2009        21.622674
10  2010        12.052038
11  2011         1.575069
12  2012        11.840560
13  2013        24.012739
14  2014        12.320664
15  2015         0.501799
16  2016        11.494988
17  2017        17.127082
18  2018        -5.822426
19  2019        26.031938