基于面板数据计算各资产RET前15-30个值的偏度

针对每个ASSET_CODE，实现从15个前置值逐步过渡到固定30个前置值的偏度计算需求，以下是Python和R的具体实现：

Python 实现（Pandas + Scipy） #

import pandas as pd
import numpy as np
from scipy.stats import skew

# 1. 确保数据按资产和日期排序（关键步骤）
data = data.sort_values(['ASSET_CODE', 'DATE'])

# 2. 定义动态偏度计算函数
def calc_dynamic_skew(series):
    window_len = len(series)
    if window_len < 15:
        return pd.NA  # 数据量不足15个，返回缺失值
    elif 15 <= window_len < 30:
        return skew(series, nan_policy='omit')  # 用当前所有前置数据计算偏度
    else:
        return skew(series[-30:], nan_policy='omit')  # 固定取最近30个数据

# 3. 分组计算并生成结果
data['ROLLING_SKEW'] = data.groupby('ASSET_CODE')['RET'].transform(
    lambda x: x.expanding().apply(calc_dynamic_skew)
)

说明 #

• expanding()窗口会逐行累积前置数据，配合自定义函数实现窗口从15到30的动态扩展，之后固定为30个数据的滚动窗口
• nan_policy='omit'用于自动忽略RET字段中的缺失值，可根据实际需求调整

R 实现（Dplyr + Slider + Moments） #

library(dplyr)
library(slider)
library(moments)

# 1. 确保数据按资产和日期排序（关键步骤）
data <- data %>% arrange(ASSET_CODE, DATE)

# 2. 分组计算动态偏度
data <- data %>%
  group_by(ASSET_CODE) %>%
  mutate(
    ROLLING_SKEW = slide_dbl(
      .x = RET,
      .f = ~{
        window_len <- length(.x)
        if (window_len < 15) {
          NA_real_
        } else if (window_len < 30) {
          skewness(.x, na.rm = TRUE)
        } else {
          skewness(tail(.x, 30), na.rm = TRUE)
        }
      },
      .before = Inf  # 累积所有前置数据，模拟expanding窗口
    )
  ) %>%
  ungroup()

说明 #

• slide_dbl(.before = Inf)实现逐行累积前置数据的效果，逻辑与Python的expanding()一致
• na.rm = TRUE用于忽略RET中的缺失值，可根据实际情况调整

内容的提问来源于stack exchange，提问作者datgoaltho