如何用Pandas向量化实现入场后置True离场后置False的布尔标记

核心需求 #

• in_position在有效入场信号触发时设为True，持仓期间忽略后续入场信号
• 仅在有效离场信号触发时重置为False
• 必须使用向量化方法，确保百万级数据处理效率

现有方案的问题 #

你当前的累积比较逻辑存在状态延迟：错误使用了原始entry_signal的累积值，而非过滤后的有效入场信号final_entry，导致离场信号触发后，持仓状态无法及时重置。即使改用final_entry，单纯的>比较在累积值相等时，也会出现状态判断偏差。

修正后的向量化方案 #

核心思路：基于有效入场/离场信号的累积差值判断持仓状态，确保状态切换精准且无延迟：

完整修正代码 #

import pandas as pd

# Step 1: 创建最小数据集
data = {
    'Close':   [110, 111, 112, 113, 114, 115, 116],
    'RSI_10':  [None, 20, None, 41, 20, None, 61],
    'SMA_200': [100]*7,
}
index = pd.to_datetime([
    '2025-04-21', '2025-04-22', '2025-04-23', 
    '2025-04-24', '2025-04-25', '2025-04-27', '2025-04-28'
])
df = pd.DataFrame(data, index=index)

# Step 2: 生成基础信号
df['entry_signal']         = (df['RSI_10'] < 30) & (df['Close'] > df['SMA_200'])
df['partial_exit_signal']  = df['RSI_10'] > 40
df['exit_signal']          = df['RSI_10'] > 60

# Step 3: 计算有效信号（仅在正确状态下触发）
# 初始化持仓状态，先基于有效信号的累积差计算
entry_cumsum = df['entry_signal'].cumsum()
exit_cumsum = df['exit_signal'].cumsum()
temp_position = (entry_cumsum - exit_cumsum) > 0

# 过滤出真正有效的入场/离场信号（避免持仓期间重复触发）
df['final_entry'] = df['entry_signal'] & temp_position.shift(1).fillna(False).astype(bool).apply(lambda x: not x)
df['final_exit'] = df['exit_signal'] & temp_position.shift(1).fillna(False).astype(bool)

# 重新计算精准的持仓状态
final_entry_cumsum = df['final_entry'].cumsum()
final_exit_cumsum = df['final_exit'].cumsum()
df['in_position'] = (final_entry_cumsum - final_exit_cumsum) > 0

# 计算部分离场信号
df['partial_exit'] = df['partial_exit_signal'] & df['in_position'].shift(1).fillna(False).astype(bool)

# 输出结果
print(df[['RSI_10', 'Close', 'entry_signal', 'final_entry', 'final_exit', 'in_position']])

结果验证 #

运行后输出的in_position列会精准符合预期：

• 2025-04-22（有效入场触发）：状态变为True
• 2025-04-25（持仓期间的额外入场信号）：状态保持True，信号被忽略
• 2025-04-28（有效离场触发）：状态立即重置为False

该方案完全基于Pandas内置向量化函数，无循环，处理百万行数据效率极高。

内容的提问来源于stack exchange，提问作者Victor Hanukayev