Python实现Trade列触发时重置的累计收益计算

首先不推荐用iterrows()，因为效率低且容易出错，推荐用pandas的向量化操作来实现，步骤如下：

1. 标记分组 #

先根据Trade列创建分组标识，每当Trade非0时，分组编号加1：

import pandas as pd

# 构造数据
data = {
    'Return': [0.00, 0.08, 0.04, 0.02, 0.06, 0.10],
    'Price': [400, 432.00, 419.28, 427.6656, 513.325536, 564.65809],
    'Trade': [0, 0, -30, 0, 60, 0]
}
df = pd.DataFrame(data)

# 创建分组：Trade非0时触发新分组
df['group'] = (df['Trade'] != 0).cumsum()

2. 计算每组内的累计收益 #

对每个分组计算(1+Return)的累乘，再减1得到累计收益：

# 计算累计收益：每组内(1+Return)的乘积减1
df['cum_return'] = df.groupby('group')['Return'].apply(lambda x: (1 + x).cumprod() - 1)

结果验证 #

最终的DataFrame如下：

为什么不用iterrows()？ #

iterrows()是逐行遍历，速度慢，且处理分组逻辑时需要手动维护分组状态，容易出错。而向量化操作利用pandas的内置函数，效率高且代码简洁。

如果一定要用iterrows()实现，代码如下（不推荐）：

cum_return = 0
df['cum_return_iter'] = 0.0

for idx, row in df.iterrows():
    if row['Trade'] != 0:
        # 出现交易，重置累计收益，当前Return直接作为起始
        cum_return = row['Return']
    else:
        # 无交易，累计收益计算为(1+cum_return)*(1+row['Return']) - 1
        cum_return = (1 + cum_return) * (1 + row['Return']) - 1
    df.at[idx, 'cum_return_iter'] = cum_return

内容的提问来源于stack exchange，提问作者quant4u