Python修正股票日收益率计算错误，获取上市初期30/60/90日平均收益率

问题背景 #

现有Excel文件DF0.xlsx，包含DATE（日期）、CODE（股票代码）、CLOSEPRICE（收盘价）、FIRST TRADING DAY（上市首日）四列，记录了各股票上市首日及之后每日的收盘价。需求是：按股票上市首日起，计算其上市初期30、60、90日的日收益率，并求出对应周期的平均收益率。当前代码中(thirty_day_prices[1:] / thirty_day_prices[-1]) - 1的日收益率计算逻辑错误，需修正该部分以得到正确结果。

现有错误代码 #

import pandas as pd

# 读取Excel数据
df0 = pd.read_excel("DF0.xlsx")

# 初始化结果列表
result_list = []

# 按股票代码分组处理
for stock_code, group_data in df0.groupby("CODE"):
    # 按日期升序排序
    sorted_group = group_data.sort_values("DATE", ascending=True)
    # 筛选上市首日及之后的交易数据，取前30个交易日的收盘价
    thirty_day_prices = sorted_group[
        sorted_group["DATE"] >= sorted_group["FIRST TRADING DAY"]
    ].head(30)["CLOSEPRICE"].values
    
    # 错误的日收益率计算逻辑
    thirty_day_returns = (thirty_day_prices[1:] / thirty_day_prices[-1]) - 1
    # 计算30日周期的平均收益率
    avg_30_return = thirty_day_returns.mean()
    
    # 60日、90日逻辑与30日一致（此处省略重复代码）
    
    result_list.append({
        "CODE": stock_code,
        "AVG_30DAY_RETURN": avg_30_return
        # 可添加AVG_60DAY_RETURN、AVG_90DAY_RETURN字段
    })

# 转换为结果DataFrame
result_df = pd.DataFrame(result_list)

样本数据示例 #

错误原因分析 #

原代码中用thirty_day_prices[-1]（即30日周期的最后一天收盘价）作为分母，这是错误的逻辑。正确的日收益率计算应该是：当日收盘价 ÷ 前一日收盘价 - 1，反映当日相对于前一日的价格变动幅度。

修正后的代码 #

仅需替换错误的收益率计算行，同时补充数据校验逻辑（处理不足指定交易日的情况）：

import pandas as pd

df0 = pd.read_excel("DF0.xlsx")
result_list = []

for stock_code, group_data in df0.groupby("CODE"):
    sorted_group = group_data.sort_values("DATE", ascending=True)
    # 筛选上市首日及之后的交易数据
    post_listing_data = sorted_group[sorted_group["DATE"] >= sorted_group["FIRST TRADING DAY"]]
    
    # 计算30日周期收益率
    thirty_day_subset = post_listing_data.head(30)["CLOSEPRICE"].values
    if len(thirty_day_subset) >= 2:  # 至少需要2个数据点才能计算日收益率
        # 正确的日收益率计算：当日价格/前一日价格 - 1
        thirty_day_returns = (thirty_day_subset[1:] / thirty_day_subset[:-1]) - 1
        avg_30_return = thirty_day_returns.mean()
    else:
        avg_30_return = None  # 数据不足时标记为None
    
    # 同理处理60日、90日周期
    sixty_day_subset = post_listing_data.head(60)["CLOSEPRICE"].values
    avg_60_return = (sixty_day_subset[1:] / sixty_day_subset[:-1] - 1).mean() if len(sixty_day_subset)>=2 else None
    
    ninety_day_subset = post_listing_data.head(90)["CLOSEPRICE"].values
    avg_90_return = (ninety_day_subset[1:] / ninety_day_subset[:-1] - 1).mean() if len(ninety_day_subset)>=2 else None
    
    result_list.append({
        "CODE": stock_code,
        "AVG_30DAY_RETURN": avg_30_return,
        "AVG_60DAY_RETURN": avg_60_return,
        "AVG_90DAY_RETURN": avg_90_return
    })

result_df = pd.DataFrame(result_list)
# 可选：保存结果到Excel
# result_df.to_excel("stock_return_avg.xlsx", index=False)

预期输出示例 #

内容的提问来源于stack exchange，提问作者Bianconera99