如何高效计算时间序列中各时间点的动态NPV？

需求说明 #

给定年度分辨率的现金流时间序列，需为每个年份计算以该年份为基准的剩余现金流净现值：即仅考虑当前年份及之后的现金流，将这些现金流折现至当前基准年份后求和。例如计算year == 3的NPV时，仅纳入year >= 3的现金流，折现到第3年再求和。

示例数据如下：

# 创建示例数据
set.seed(1)
dat <- data.frame(year = 1:5, cash.flow = runif(5, 100, 1000))

输出结果：

year cash.flow
1    1  338.9578
2    2  434.9115
3    3  615.5680
4    4  917.3870
5    5  281.5137

现有循环实现 #

已通过for循环实现需求，但面对大规模数据集时效率较低：

library(dplyr)

interest.rate <- 0.02

# 用for循环计算NPV
for(i in 1:nrow(dat)){
  dat$npv[i] <- 
    sum(
      dat %>% 
        filter(year >= i) %>% 
        mutate(year.corrected = year - i,
               cash.eq = 1/((1+interest.rate)^(year.corrected)) * cash.flow) %>% 
        pull(cash.eq)
    )
}

运行结果：

year cash.flow       npv
1    1  338.9578 2481.5558
2    2  434.9115 2185.4500
3    3  615.5680 1785.5493
4    4  917.3870 1193.3809
5    5  281.5137  281.5137

高效替代方案 #

方法1：反向递推（最优，时间复杂度O(n)） #

利用NPV的递推性质：最后一年的NPV就是自身现金流；第k年的NPV = 当前年现金流 + 第k+1年的NPV / (1+利率)。这种方法无需重复筛选或计算折现因子，效率极高。

library(dplyr)
library(purrr)

interest.rate <- 0.02
discount_factor <- 1 / (1 + interest.rate)

# 按年份倒序计算，再转回正序
dat <- dat %>%
  arrange(desc(year)) %>%
  mutate(npv = accumulate(cash.flow, ~ .x * discount_factor + .y)) %>%
  arrange(year)

方法2：dplyr结合向量化映射 #

通过map_dbl对每个年份计算对应剩余现金流的折现和，逻辑直观且避免循环：

library(dplyr)
library(purrr)

interest.rate <- 0.02

dat <- dat %>%
  mutate(
    npv = map_dbl(year, ~ sum(cash.flow[year >= .x] / (1 + interest.rate)^(year[year >= .x] - .x)))
  )

方法3：矩阵运算 #

直接构建上三角折现因子矩阵，与现金流向量相乘后取行和，适合熟悉线性代数的场景：

interest.rate <- 0.02
n <- nrow(dat)

# 构建上三角折现因子矩阵
discount_matrix <- outer(dat$year, dat$year, function(x, y) ifelse(y >= x, 1/(1+interest.rate)^(y-x), 0))

# 计算每行的NPV
dat$npv <- as.vector(discount_matrix %*% dat$cash.flow)

以上三种方法均避免了低效的for循环，其中反向递推法在大规模数据集下性能最优，时间复杂度仅为O(n)，远优于循环的O(n²)。

内容的提问来源于stack exchange，提问作者ionatura