Discussion :

[vbaétude]

Bonjour,

A partir de cette table qui comprend une valeur, une date et l'identifiant pour 2000 individus je souhaite calculer des ratios propre à chaque individus.



J'ai pensé a procéder de cette manière mais ca ne semble pas bon. Pandas ne me sort pas le calcul de la volatilité. Et je ne pense pas que itérer un df pour chaque ID soit la meilleure solution.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
 
 
data = dict()
 
for unique in MV['ID_Perf'].unique():
    data[unique] = MV.loc[MV['ID_Perf']==unique]
    data[unique]['Perf'] = data[unique]['VL']/data[unique]['VL'].shift(1) -1
    data[unique]['Volat'] = (np.std(data[unique]['Perf'])*252**0.5)

Cette méthode non plus ne donne rien.

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
 
def std(grp):
    grp  = grp / (grp.shift() - 1) 
    return grp.std() * 252**0.5
 
std = (MV.groupby('ID_Perf')['VL'].apply(std)
                            .rename('Volat')
      )
 
df = MV.join(std, on='ID_Perf')
 
check = df.loc[df.loc[:,'ID_Perf']=='0P00000ARS']
 
check

De quelle manière je dois m'y prendre pour calculer des ratios par ID en série temporelle ? Merci

[Julien N]

Salut,

Ce problème est sans doute réglé depuis lors, mais je propose quand même une solution. Pas très élégante, et sans doute très lente dès lors qu'il s'agit de traiter un grand nombre de données. Cela dit, mieux vaut une solution peu efficace que pas de solution :

Code :

Sélectionner tout - Visualiser dans une fenêtre à part

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
import numpy as np
import pandas as pd
 
 
data = {
    'Date_VL': ['2016-05-31', '2016-05-31', '2016-05-31', '2016-06-01', '2016-06-01', '2016-06-02', '2016-06-02', '2016-06-03'], 
    'ID_Perf': ['1', '2', '3', '1', '2', '1', '2', '1'],
    'VL': [100, 100, 100, 104, 99, 105, 100, 106],
}
 
df = pd.DataFrame(data)
print(df)
 
for id_perf in set(df['ID_Perf'].values):
    # Subset
    _df = df[df['ID_Perf'] == id_perf]
    # Annual volatility and returns
    _df['Perf'] = _df['VL'] / _df['VL'].shift(1) - 1
    _df['Volat'] = np.sqrt(np.std(_df['Perf'])*252)
 
    print(id_perf)
    print(_df)

Pour chaque identifiant unique (d'où mon emploi de set()), je filtre le dataframe puis calcule les deux grandeurs souhaitées.

ça fait le job.

J