Python按交易时段对齐资产表现 解决跨日累计变动计算问题

问题根因 #

• 原实现直接以时间戳对应的自然日作为交易会话Session的分组依据，未覆盖23:00-23:59时段归属下一交易日Asia盘的跨日规则，该区间数据被错误划入前一自然日的Open时段分组，直接导致后续累计计算对齐偏差。
• 时段切分逻辑仅按单时间点的时刻值打标签，未同步修正跨日时段对应的会话日期，分组维度本身存在错误。

修正后可运行代码 #

import pandas as pd
from datetime import time, timedelta

# 拉取原始1分钟行情数据
cl1 = con.bdib('CO1 Comdty', start_datetime=start, 
         end_datetime=end, event_type='TRADE', interval=interval)
cl1['Timestamp'] = pd.to_datetime(cl1.index)
cl1['RawDate'] = cl1['Timestamp'].dt.date
cl1['t'] = cl1['Timestamp'].dt.time

# 核心修正：同步打准时段标签+所属交易会话日期
def mark_session_tz(row):
    ts = row['Timestamp']
    t_val = row['t']
    raw_date = row['RawDate']
    # 23:00-次日07:00 统一归属下一自然日的Asia交易时段
    if t_val >= time(23, 0):
        return pd.Series(['Asia', (ts + timedelta(days=1)).date()])
    elif t_val < time(7, 0):
        return pd.Series(['Asia', raw_date])
    elif t_val < time(14, 0):
        return pd.Series(['Europe', raw_date])
    elif t_val < time(22, 0):
        return pd.Series(['US', raw_date])
    else:
        # 22:00-23:00 为当日盘前Open时段，归属当前自然日
        return pd.Series(['Open', raw_date])

cl1[['Timezone', 'Session']] = cl1.apply(mark_session_tz, axis=1)

# 按修正后的交易会话+时段分组，生成组内连续分钟序号
perf = cl1[['close', 'Timezone', 'Session']].copy()
perf['cnt'] = 1
perf['Minute'] = perf.groupby(['Session', 'Timezone'])['cnt'].cumsum()

# 透视计算各时段累计价格变动
perf = perf.pivot(index=['Session', 'Minute'], columns='Timezone', values='close')
perf = perf[['Asia', 'Europe', 'US']]
# 各时段首根K线变动记为0，逐分钟差分后累计
perf = perf.diff().fillna(0).cumsum()

关键修正点说明 #

• 跨日归属规则对齐：每日23:00-23:59的1分钟数据自动将会话日期加1天，统一归入下一交易日的Asia时段分组，完全匹配实际交易时段覆盖范围。
• 分组维度校准：将原逻辑的「原始自然日+时段」分组改为「修正后交易会话日+时段」，保证每个交易时段的分钟序列从该时段第一根K线开始连续计数，不会出现序列断裂、错位。
• 空值逻辑补全：原diff()操作未处理每组第一行的空值，容易出现累计曲线起始点异常，新增fillna(0)保证每个时段累计变动从0值开始计算。

验证规则：取6月22日23:00-23:59的样本数据校验，其Session字段应为202X-06-23、Timezone字段为'Asia'，会和6月23日00:00-07:00的数据归为同一组参与Asia时段累计计算，和实际交易时段划分规则完全对齐。

内容的提问来源于stack exchange，提问作者Analyst