时间序列DataFrame向量化：如何实现依赖持仓的平仓规则？

以下是几种高效实现持仓状态跟踪与平仓逻辑的方案，兼顾速度与可读性：

方案1：累积求和+状态修正（纯向量化实现） #

核心思路是用累积求和标记持仓状态，同时修正无效的平仓信号（无持仓时的平仓信号直接忽略）：

import numpy as np
import pandas as pd

# 假设已生成开仓/平仓布尔信号列：long_signal、short_signal
df['raw_signal'] = np.where(df['long_signal'], 1, 
                           np.where(df['short_signal'], -1, 0))

# 第一步：初步计算持仓状态（可能出现无效负值）
temp_pos = df['raw_signal'].cumsum()
# 修正持仓状态：强制限制在0（空仓）和1（持仓）之间
df['in_position'] = temp_pos.clip(0, 1)

# 第二步：修正平仓信号——仅当前一天处于持仓状态时，平仓信号才生效
df['corrected_signal'] = np.where(df['in_position'].shift(1) == 1, 
                                 df['raw_signal'], 0)
# 重新计算准确的持仓状态
df['in_position'] = df['corrected_signal'].cumsum().clip(0, 1)

该方法完全基于numpy/pandas的向量化操作，速度远超循环，适合单仓位的简单开平仓逻辑。

方案2：Numba编译循环（兼顾灵活性与速度） #

如果平仓逻辑复杂（比如带止盈止损、多条件判断），Numba编译后的循环速度接近纯向量化，且逻辑和原生Python循环一致，易迁移：

import numba
import numpy as np

@numba.jit(nopython=True)
def track_position(long_signals, short_signals):
    n = len(long_signals)
    in_position = np.zeros(n, dtype=np.bool_)
    current_pos = 0
    for i in range(n):
        # 空仓时触发开仓
        if current_pos == 0 and long_signals[i]:
            current_pos = 1
        # 持仓时触发平仓
        elif current_pos == 1 and short_signals[i]:
            current_pos = 0
        in_position[i] = (current_pos == 1)
    return in_position

# 应用到DataFrame
df['in_position'] = track_position(df['long_signal'].values, df['short_signal'].values)

编译后的循环速度比原生Python循环快50-100倍，适合复杂交易规则。

方案3：分组处理多品种数据 #

如果你的数据包含多个品种（带symbol列），需按品种分组后计算持仓状态，避免跨品种干扰：

# 基于方案2的Numba函数，分组处理
df['in_position'] = df.groupby('symbol').apply(
    lambda x: track_position(x['long_signal'].values, x['short_signal'].values)
).explode()

关键注意事项 #

• 确保数据严格按日期升序排列，否则持仓状态计算会完全错误
• 若存在复权或数据缺失，需先完成数据清洗再计算信号

内容的提问来源于stack exchange，提问作者Andy