python - 支出固定利率后提高找到投资组合终值的速度

我有一个pd.DataFrame回报系列，对应于固定支出率为5％的年份。我希望找到每年支出后的期末投资组合价值。年val_after_spending中的t等于年t val_before_spending的平均值，其中年t-1 val_after_spending乘以支出率。对于第一年，假定val_after_spending中的t-1为1。

我现在有一个可行的实现（如下），但是它非常慢。有没有更快的方法来实现呢？

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

最佳答案

您在代码中与熊猫的接口非常紧密，就性能而言，这似乎不是一个好主意。为了使它易于使用，熊猫需要做很多记账工作，从而导致性能下降。

我们以numpy进行所有计算，然后获得所有构件，最后构建数据帧。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,))})

我们得到了性能比较：


  您的代码：15.758秒
  
  get_vals：1.407s
  
  JITed get_vals：0.093s（第二次运行可享受折扣的编译时间）