基于WILL5000指数数据计算股指翻倍间隔时长的实现方法

前置数据处理 #

首先对从FRED导出的WILL5000指数原始数据做清洗：

import pandas as pd

# 读入原始数据，将日期列解析为datetime格式并设为索引
df = pd.read_csv('WILL5000原始数据路径.csv', parse_dates=['DATE'], index_col='DATE')
# 剔除指数为空的无效行，按日期升序排序
df = df.dropna(subset=['WILL5000']).sort_index()

核心计算逻辑 #

方法1：逐行检索法（易理解，适配小数据集） #

完全匹配你提出的思路，实现逻辑简单直观：

# 新增指数半值列
df['half_val'] = df['WILL5000'] / 2

def get_match_date(current_date, half_val):
    # 筛选当前日期之前的所有历史数据，找到最后一个指数小于等于半值的日期
    historical_data = df.loc[df.index < current_date, 'WILL5000']
    return historical_data[historical_data <= half_val].last_valid_index()

# 逐行计算匹配的历史低点日期
df['low_date'] = df.apply(lambda x: get_match_date(x.name, x['half_val']), axis=1)
# 计算翻倍耗时（天数）
df['double_days'] = (df.index - df['low_date']).dt.days

方法2：merge_asof高效计算（适配1970年至今全量时序数据，速度提升10倍以上） #

利用pandas内置的邻近匹配能力，避免逐行遍历，适合长时序数据计算：

# 构造匹配用的左右表
left_table = df[['WILL5000']].reset_index().rename(columns={'DATE':'current_date', 'WILL5000':'current_val'})
left_table['half_val'] = left_table['current_val'] / 2
right_table = df[['WILL5000']].reset_index().rename(columns={'DATE':'low_date', 'WILL5000':'low_val'})

# 按半值做邻近匹配，自动找小于等于半值的最近历史指数对应的日期
match_result = pd.merge_asof(
    left_table.sort_values('half_val'),
    right_table.sort_values('low_val'),
    left_on='half_val',
    right_on='low_val',
    direction='backward'
)

# 筛选低点日期早于当前日期的有效记录，计算翻倍天数
match_result = match_result[match_result['low_date'] < match_result['current_date']]
match_result['double_days'] = (match_result['current_date'] - match_result['low_date']).dt.days
match_result = match_result.sort_values('current_date').set_index('current_date')

结论验证 #

计算完成后直接检索最短翻倍时长即可验证统计结论：

min_days = match_result['double_days'].min()
min_record = match_result[match_result['double_days'] == min_days].iloc[0]
print(f"历史最短翻倍天数：{min_days}")
print(f"翻倍终点日期：{min_record.name.date()}，起点日期：{min_record['low_date'].date()}")

其他可选实现思路 #

• 滑动窗口法：遍历不同长度的时间窗口，计算窗口首尾指数涨幅，筛选涨幅≥100%的窗口后找最小长度
• 局部低点回溯法：先筛选历史所有局部低点，再计算每个低点之后指数首次翻倍的间隔天数，取最小值
• 向量化运算：用numpy构造全量比较矩阵，批量匹配满足翻倍条件的日期对，再筛选最小间隔，适合算力充足的场景

内容的提问来源于stack exchange，提问作者OnlySteve