如何基于Numpy的pct_change(600)反向还原累计变化？

核心逻辑理解 #

df["mid_price"].pct_change(600) 计算的是当前值与600期前值的涨跌幅，即：

ema_10_diff[i] = (mid_price[i] / mid_price[i-600]) - 1

反向推导可得：

mid_price[i] = mid_price[i-600] * (1 + ema_10_diff[i])

我们需要构建的累计序列（起始值为1），本质是基于这个关系，逐步递推或插值得到连续的累计变化。

方案1：仅计算600周期节点的累计值（向量化实现） #

如果只需要在每600期的位置得到累计值，中间位置保留NaN，可以用向量化操作避免循环，效率更高：

import pandas as pd

# 初始化累计序列，起始值为1
df["cumulative"] = 1.0

# 筛选出索引≥600的行（即有600期前数据的行）
valid_idx = df.index >= 600

# 递推计算累计值：当前累计值 = 600期前累计值 * (1 + 当期涨跌幅)
df.loc[valid_idx, "cumulative"] = df["cumulative"].shift(600)[valid_idx] * (1 + df["ema_10_diff"][valid_idx])

方案2：生成连续的累计序列（几何插值填充） #

如果需要连续的累计变化序列（中间无NaN），可以先计算600周期节点的累计值，再通过几何插值填充中间值（符合金融数据的复利增长逻辑）：

import pandas as pd
import numpy as np

# 步骤1：计算600周期节点的累计值
df["cumulative_600"] = 1.0
for i in range(600, len(df), 600):
    if pd.notna(df["ema_10_diff"].iloc[i]):
        df["cumulative_600"].iloc[i] = df["cumulative_600"].iloc[i-600] * (1 + df["ema_10_diff"].iloc[i])

# 步骤2：对数转换后线性插值，再指数还原实现几何插值
df["log_cumul"] = np.log(df["cumulative_600"])
df["log_cumul"] = df["log_cumul"].interpolate(method="linear")
df["cumulative"] = np.exp(df["log_cumul"])

# 清理临时列
df.drop(["cumulative_600", "log_cumul"], axis=1, inplace=True)

说明 #

• 若你的DataFrame是时间索引（而非整数索引），只需将range(600, len(df), 600)替换为按时间步长筛选的逻辑（比如df.resample("600T").last().index）即可适配。
• 前600期没有600期前的参考数据，若需要这部分的累计值，必须依赖原始的mid_price（计算mid_price/mid_price.iloc[0]），仅靠ema_10_diff无法推导。

内容的提问来源于stack exchange，提问作者Erik Storm