{"id":287395,"date":"2018-08-16T14:08:20","date_gmt":"2018-08-16T10:08:20","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=287395"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=287395","title":{"rendered":"\u041a\u0430\u043a Python \u043f\u043e\u043c\u043e\u0433\u0430\u0435\u0442 \u0437\u0430\u043c\u0435\u043d\u0438\u0442\u044c \u0444\u0438\u043d\u043a\u043e\u043d\u0441\u0443\u043b\u044c\u0442\u0430\u043d\u0442\u043e\u0432"},"content":{"rendered":"\n
\u0412 \u043f\u0440\u043e\u0434\u043e\u043b\u0436\u0435\u043d\u0438\u0435 \u0441\u0442\u0430\u0442\u044c\u0438<\/a> \u043e \u0432\u0440\u0435\u0434\u0435 \u0438\u0437\u0431\u044b\u0442\u043e\u0447\u043d\u043e\u0439 \u0434\u0438\u0432\u0435\u0440\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u0438 \u0441\u043e\u0437\u0434\u0430\u0434\u0438\u043c \u043f\u043e\u043b\u0435\u0437\u043d\u044b\u0439 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430\u0440\u0438\u0439\u00a0\u043f\u043e \u043f\u043e\u0434\u0431\u043e\u0440\u0443 \u0430\u043a\u0446\u0438\u0439. \u041f\u043e\u0441\u043b\u0435 \u044d\u0442\u043e\u0433\u043e \u0441\u0434\u0435\u043b\u0430\u0435\u043c \u043f\u0440\u043e\u0441\u0442\u0443\u044e \u0440\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0443 \u0438 \u0434\u043e\u0431\u0430\u0432\u0438\u043c \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0443\u0441\u043b\u043e\u0432\u0438\u044f \u0442\u0435\u0445\u043d\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0438\u043d\u0434\u0438\u043a\u0430\u0442\u043e\u0440\u043e\u0432, \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0442\u0430\u043a \u0447\u0430\u0441\u0442\u043e \u043d\u0435 \u0445\u0432\u0430\u0442\u0430\u0435\u0442 \u0432 \u043f\u043e\u043f\u0443\u043b\u044f\u0440\u043d\u044b\u0445 \u0441\u0435\u0440\u0432\u0438\u0441\u0430\u0445. \u0410 \u0437\u0430\u0442\u0435\u043c \u0441\u0440\u0430\u0432\u043d\u0438\u043c \u0434\u043e\u0445\u043e\u0434\u043d\u043e\u0441\u0442\u044c \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u0445 \u0430\u043a\u0442\u0438\u0432\u043e\u0432 \u0438 \u0440\u0430\u0437\u043b\u0438\u0447\u043d\u044b\u0445 \u043f\u043e\u0440\u0442\u0444\u0435\u043b\u0435\u0439.<\/p>\n

\u0412\u043e \u0432\u0441\u0451\u043c \u044d\u0442\u043e\u043c \u0437\u0430\u0434\u0435\u0439\u0441\u0442\u0432\u0443\u0435\u043c Pandas \u0438 \u043c\u0438\u043d\u0438\u043c\u0438\u0437\u0438\u0440\u0443\u0435\u043c \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0446\u0438\u043a\u043b\u043e\u0432. \u041f\u043e\u0433\u0440\u0443\u043f\u043f\u0438\u0440\u0443\u0435\u043c \u0432\u0440\u0435\u043c\u044f\u043d\u043d\u044b\u0435 \u0440\u044f\u0434\u044b \u0438 \u043f\u043e\u0440\u0438\u0441\u0443\u0435\u043c \u0433\u0440\u0430\u0444\u0438\u043a\u043e\u0432. \u041f\u043e\u0437\u043d\u0430\u043a\u043e\u043c\u0438\u043c\u0441\u044f \u0441 \u043c\u0443\u043b\u044c\u0442\u0438\u0438\u043d\u0434\u0435\u043a\u0441\u0430\u043c\u0438 \u0438 \u0438\u0445 \u043f\u043e\u0432\u0435\u0434\u0435\u043d\u0438\u0435\u043c. \u0418 \u0432\u0441\u0451 \u044d\u0442\u043e \u0432 Jupyter \u043d\u0430 Python 3.6.
<\/a> <\/p>\n

\u0415\u0441\u043b\u0438 \u0445\u043e\u0447\u0435\u0448\u044c \u0441\u0434\u0435\u043b\u0430\u0442\u044c \u0447\u0442\u043e-\u0442\u043e \u0445\u043e\u0440\u043e\u0448\u043e, \u0441\u0434\u0435\u043b\u0430\u0439 \u044d\u0442\u043e \u0441\u0430\u043c.
\u0424\u0435\u0440\u0434\u0438\u043d\u0430\u043d\u0434 \u041f\u043e\u0440\u0448\u0435<\/p><\/blockquote>\n

\u041e\u043f\u0438\u0441\u0430\u043d\u043d\u044b\u0439 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442 \u043f\u043e\u0437\u0432\u043e\u043b\u0438\u0442 \u043f\u043e\u0434\u043e\u0431\u0440\u0430\u0442\u044c \u043e\u043f\u0442\u0438\u043c\u0430\u043b\u044c\u043d\u044b\u0435 \u0430\u043a\u0442\u0438\u0432\u044b \u0434\u043b\u044f \u043f\u043e\u0440\u0442\u0444\u0435\u043b\u044f \u0438 \u0438\u0441\u043a\u043b\u044e\u0447\u0438\u0442\u044c \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b, \u043d\u0430\u0432\u044f\u0437\u044b\u0432\u0430\u0435\u043c\u044b\u0435 \u043a\u043e\u043d\u0441\u0443\u043b\u044c\u0442\u0430\u043d\u0442\u0430\u043c\u0438. \u041d\u043e \u043c\u044b \u0443\u0432\u0438\u0434\u0438\u043c \u043b\u0438\u0448\u044c \u043e\u0431\u0449\u0443\u044e \u043a\u0430\u0440\u0442\u0438\u043d\u0443 \u2014 \u0431\u0435\u0437 \u0443\u0447\u0451\u0442\u0430 \u043b\u0438\u043a\u0432\u0438\u0434\u043d\u043e\u0441\u0442\u0438, \u0432\u0440\u0435\u043c\u0435\u043d\u0438 \u043d\u0430\u0431\u043e\u0440\u0430 \u043f\u043e\u0437\u0438\u0446\u0438\u0439, \u043a\u043e\u043c\u0438\u0441\u0441\u0438\u0439 \u0431\u0440\u043e\u043a\u0435\u0440\u0430 \u0438 \u0441\u0442\u043e\u0438\u043c\u043e\u0441\u0442\u0438 \u043e\u0434\u043d\u043e\u0439 \u0430\u043a\u0446\u0438\u0438. \u0412 \u0446\u0435\u043b\u043e\u043c, \u043f\u0440\u0438 \u0435\u0436\u0435\u043c\u0435\u0441\u044f\u0447\u043d\u043e\u0439 \u0438\u043b\u0438 \u0435\u0436\u0435\u0433\u043e\u0434\u043d\u043e\u0439 \u0440\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0435 \u0443 \u043a\u0440\u0443\u043f\u043d\u044b\u0445 \u0431\u0440\u043e\u043a\u0435\u0440\u043e\u0432 \u044d\u0442\u043e \u0431\u0443\u0434\u0443\u0442 \u043d\u0435\u0437\u043d\u0430\u0447\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0435 \u0437\u0430\u0442\u0440\u0430\u0442\u044b. \u041e\u0434\u043d\u0430\u043a\u043e \u043f\u0435\u0440\u0435\u0434 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435\u043c \u0432\u044b\u0431\u0440\u0430\u043d\u043d\u0443\u044e \u0441\u0442\u0440\u0430\u0442\u0435\u0433\u0438\u044e \u0432\u0441\u0451 \u0436\u0435 \u0441\u0442\u043e\u0438\u0442 \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u0432 event-driven \u0431\u044d\u043a\u0442\u0435\u0441\u0442\u0435\u0440\u0435, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, Quantopian (QP), \u0434\u0430\u0431\u044b \u0438\u0441\u043a\u043b\u044e\u0447\u0438\u0442\u044c \u043f\u043e\u0442\u0435\u043d\u0446\u0438\u0430\u043b\u044c\u043d\u044b\u0435 \u043e\u0448\u0438\u0431\u043a\u0438.<\/p>\n

\u041f\u043e\u0447\u0435\u043c\u0443 \u043d\u0435 \u0441\u0440\u0430\u0437\u0443 \u0432 QP? \u0412\u0440\u0435\u043c\u044f. \u0422\u0430\u043c \u0441\u0430\u043c\u044b\u0439 \u043f\u0440\u043e\u0441\u0442\u043e\u0439 \u0442\u0435\u0441\u0442 \u0434\u043b\u0438\u0442\u0441\u044f \u043e\u043a\u043e\u043b\u043e 5 \u043c\u0438\u043d\u0443\u0442. \u0410 \u0442\u0435\u043a\u0443\u0449\u0435\u0435 \u0440\u0435\u0448\u0435\u043d\u0438\u0435 \u043f\u043e\u0437\u0432\u043e\u043b\u0438\u0442 \u0432\u0430\u043c \u0437\u0430 \u043c\u0438\u043d\u0443\u0442\u0443 \u043f\u0440\u043e\u0432\u0435\u0440\u0438\u0442\u044c \u0441\u043e\u0442\u043d\u0438 \u0440\u0430\u0437\u043d\u044b\u0445 \u0441\u0442\u0440\u0430\u0442\u0435\u0433\u0438\u0439 \u0441 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u043c\u0438 \u0443\u0441\u043b\u043e\u0432\u0438\u044f\u043c\u0438.<\/p>\n

\u0417\u0430\u0433\u0440\u0443\u0437\u043a\u0430 \u0441\u044b\u0440\u044b\u0445 \u0434\u0430\u043d\u043d\u044b\u0445<\/h2>\n

\u0414\u043b\u044f \u0437\u0430\u0433\u0440\u0443\u0437\u043a\u0438 \u0434\u0430\u043d\u043d\u044b\u0445 \u0432\u043e\u0437\u044c\u043c\u0435\u043c \u043c\u0435\u0442\u043e\u0434, \u043e\u043f\u0438\u0441\u0430\u043d\u043d\u044b\u0439 \u0432 \u044d\u0442\u043e\u0439 \u0441\u0442\u0430\u0442\u044c\u0435<\/a>. \u0414\u043b\u044f \u0445\u0440\u0430\u043d\u0435\u043d\u0438\u044f \u0434\u043d\u0435\u0432\u043d\u044b\u0445 \u0446\u0435\u043d \u044f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e PostgreSQL, \u043d\u043e \u0441\u0435\u0439\u0447\u0430\u0441 \u043f\u043e\u043b\u043d\u043e \u0431\u0435\u0441\u043f\u043b\u0430\u0442\u043d\u044b\u0445 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u043e\u0432, \u0438\u0437 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u043c\u043e\u0436\u043d\u043e \u0441\u0444\u043e\u0440\u043c\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0439 DataFrame.<\/p>\n

\u041a\u043e\u0434 \u0437\u0430\u0433\u0440\u0443\u0437\u043a\u0438 \u0438\u0441\u0442\u043e\u0440\u0438\u0438 \u0446\u0435\u043d \u0438\u0437 \u0411\u0414 \u0434\u043e\u0441\u0442\u0443\u043f\u0435\u043d \u0432 \u0440\u0435\u043f\u043e\u0437\u0438\u0442\u043e\u0440\u0438\u0438. \u0421\u0441\u044b\u043b\u043a\u0430 \u0431\u0443\u0434\u0435\u0442 \u0432 \u043a\u043e\u043d\u0446\u0435 \u0441\u0442\u0430\u0442\u044c\u0438.<\/p>\n

\u0421\u0442\u0440\u0443\u043a\u0442\u0443\u0440\u0430 DataFrame<\/h2>\n

\u041f\u0440\u0438 \u0440\u0430\u0431\u043e\u0442\u0435 \u0441 \u0438\u0441\u0442\u043e\u0440\u0438\u0435\u0439 \u0446\u0435\u043d, \u0434\u043b\u044f \u0443\u0434\u043e\u0431\u043d\u043e\u0439 \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0438 \u0438 \u0434\u043e\u0441\u0442\u0443\u043f\u0430 \u043a\u043e \u0432\u0441\u0435\u043c \u0434\u0430\u043d\u043d\u044b\u043c, \u043b\u0443\u0447\u0448\u0438\u043c \u0440\u0435\u0448\u0435\u043d\u0438\u0435\u043c \u044f\u0432\u043b\u044f\u0435\u0442\u0441\u044f \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u043c\u0438\u043b\u044c\u0442\u0438\u0438\u043d\u0434\u0435\u043a\u0441\u0430 (MultiIndex) \u0441 \u0434\u0430\u0442\u043e\u0439 \u0438 \u0442\u0438\u043a\u0435\u0440\u0430\u043c\u0438.<\/p>\n

df = df.set_index(['dt', 'symbol'], drop=False).sort_index() df.tail(len(df.index.levels[1]) * 2)<\/code><\/pre>\n
  \"image\"<\/p>\n
  \u0418\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f \u043c\u0443\u043b\u044c\u0442\u0438\u0438\u043d\u0434\u0435\u043a\u0441, \u043c\u044b \u043c\u043e\u0436\u0435\u043c \u043b\u0435\u0433\u043a\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0434\u043e\u0441\u0442\u0443\u043f \u043a\u043e \u0432\u0441\u0435\u0439 \u0438\u0441\u0442\u043e\u0440\u0438\u0438 \u0446\u0435\u043d \u0434\u043b\u044f \u0432\u0441\u0435\u0445 \u0430\u043a\u0442\u0438\u0432\u043e\u0432 \u0438 \u043c\u043e\u0436\u0435\u043c \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043c\u0430\u0441\u0441\u0438\u0432 \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u043e \u043f\u043e \u0434\u0430\u0442\u0430\u043c \u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u043c. \u0422\u0430\u043a\u0436\u0435 \u043c\u043e\u0436\u0435\u043c\u00a0\u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0438\u0441\u0442\u043e\u0440\u0438\u044e \u0446\u0435\u043d \u0434\u043b\u044f \u043e\u0434\u043d\u043e\u0433\u043e \u0430\u043a\u0442\u0438\u0432\u0430.<\/p>\n
  \u0412\u043e\u0442 \u043f\u0440\u0438\u043c\u0435\u0440, \u043a\u0430\u043a \u043c\u043e\u0436\u043d\u043e \u043b\u0435\u0433\u043a\u043e \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u0438\u0441\u0442\u043e\u0440\u0438\u044e \u043f\u043e \u043d\u0435\u0434\u0435\u043b\u044f\u043c, \u043c\u0435\u0441\u044f\u0446\u0430\u043c \u0438 \u0433\u043e\u0434\u0430\u043c. \u0418 \u0432\u0441\u0451 \u044d\u0442\u043e \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u044c \u043d\u0430 \u0433\u0440\u0430\u0444\u0438\u043a\u0430\u0445 \u0441\u0438\u043b\u0430\u043c\u0438 Pandas:<\/p>\n
# \u041f\u0440\u0430\u0432\u0438\u043b\u0430 \u043e\u0431\u0440\u0430\u0431\u043e\u0442\u043a\u0438 \u043a\u043e\u043b\u043e\u043d\u043e\u043a \u043f\u0440\u0438 \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0435 agg_rules = {     'dt': 'last', 'symbol': 'last',     'open': 'first', 'high': 'max', 'low': 'min', 'close': 'last',     'volume': 'sum', 'adj': 'last' } level_values = df.index.get_level_values # \u0413\u0440\u0430\u0444\u0438\u043a\u0438 fig = plt.figure(figsize=(15, 3), facecolor='white') df.groupby([pd.Grouper(freq='W', level=0)] + [level_values(i) for i in [1]]).agg(     agg_rules).set_index(['dt', 'symbol'], drop=False     ).close.unstack(1).plot(ax=fig.add_subplot(131), title=\"Weekly\") df.groupby([pd.Grouper(freq='M', level=0)] + [level_values(i) for i in [1]]).agg(     agg_rules).set_index(['dt', 'symbol'], drop=False     ).close.unstack(1).plot(ax=fig.add_subplot(132), title=\"Monthly\") df.groupby([pd.Grouper(freq='Y', level=0)] + [level_values(i) for i in [1]]).agg(     agg_rules).set_index(['dt', 'symbol'], drop=False     ).close.unstack(1).plot(ax=fig.add_subplot(133), title=\"Yearly\") plt.show()<\/code><\/pre>\n
  \"image\"<\/p>\n
  \u0414\u043b\u044f \u043a\u043e\u0440\u0440\u0435\u043a\u0442\u043d\u043e\u0433\u043e \u043e\u0442\u043e\u0431\u0440\u0430\u0436\u0435\u043d\u0438\u044f \u043e\u0431\u043b\u0430\u0441\u0442\u0438 \u0441 \u043b\u0435\u0433\u0435\u043d\u0434\u043e\u0439 \u0433\u0440\u0430\u0444\u0438\u043a\u0430 \u043c\u044b \u043f\u0435\u0440\u0435\u043d\u043e\u0441\u0438\u043c \u0443\u0440\u043e\u0432\u0435\u043d\u044c \u0438\u043d\u0434\u0435\u043a\u0441\u0430 \u0441 \u0442\u0438\u043a\u0435\u0440\u0430\u043c\u0438 \u043d\u0430 \u0432\u0442\u043e\u0440\u043e\u0439 \u0443\u0440\u043e\u0432\u0435\u043d\u044c \u043d\u0430\u0434 \u043a\u043e\u043b\u043e\u043d\u043a\u0430\u043c\u0438, \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044f \u043a\u043e\u043c\u0430\u043d\u0434\u0443 Series().unstack(1). \u0421 DataFrame() \u0442\u0430\u043a\u043e\u0439 \u043d\u043e\u043c\u0435\u0440 \u043d\u0435 \u043f\u0440\u043e\u0439\u0434\u0451\u0442, \u043d\u043e \u0440\u0435\u0448\u0435\u043d\u0438\u0435 \u0435\u0441\u0442\u044c \u043d\u0438\u0436\u0435.<\/p>\n
  \u041f\u0440\u0438 \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u043a\u0435 \u043f\u043e \u0441\u0442\u0430\u043d\u0434\u0430\u0440\u0442\u043d\u044b\u043c \u043f\u0435\u0440\u0438\u043e\u0434\u0430\u043c Pandas \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442 \u0432 \u0438\u043d\u0434\u0435\u043a\u0441\u0435 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u044e\u044e \u043a\u0430\u043b\u0435\u043d\u0434\u0430\u0440\u043d\u0443\u044e \u0434\u0430\u0442\u0443 \u0433\u0440\u0443\u043f\u043f\u044b, \u043a\u043e\u0442\u043e\u0440\u0430\u044f \u0447\u0430\u0441\u0442\u043e \u043e\u0442\u043b\u0438\u0447\u0430\u0435\u0442\u0441\u044f \u043e\u0442 \u0444\u0430\u043a\u0442\u0438\u0447\u0435\u0441\u043a\u0438\u0445 \u0434\u0430\u0442. \u0414\u043b\u044f \u0442\u043e\u0433\u043e \u0447\u0442\u043e\u0431\u044b \u044d\u0442\u043e \u0438\u0441\u043f\u0440\u0430\u0432\u0438\u0442\u044c, \u043e\u0431\u043d\u043e\u0432\u0438\u043c \u0438\u043d\u0434\u0435\u043a\u0441.<\/p>\n
monthly = df.groupby([pd.Grouper(freq='M', level=0), level_values(1)]).agg(agg_rules) \\           .set_index(['dt', 'symbol'], drop=False)<\/code><\/pre>\n
  \u041f\u0440\u0438\u043c\u0435\u0440 \u043f\u043e\u043b\u0443\u0447\u0435\u043d\u0438\u044f \u0438\u0441\u0442\u043e\u0440\u0438\u0438 \u0446\u0435\u043d \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u043e\u0433\u043e \u0430\u043a\u0442\u0438\u0432\u0430 (\u0431\u0435\u0440\u0451\u043c \u0432\u0441\u0435 \u0434\u0430\u0442\u044b, \u0442\u0438\u043a\u0435\u0440 QQQ \u0438 \u0432\u0441\u0435 \u043a\u043e\u043b\u043e\u043d\u043a\u0438):<\/p>\n
monthly.loc[(slice(None), ['QQQ']), :]  # \u0438\u0441\u0442\u043e\u0440\u0438\u044f \u043e\u0434\u043d\u043e \u0430\u043a\u0442\u0438\u0432\u0430<\/code><\/pre>\n
  <\/p>\n
\u0415\u0436\u0435\u043c\u0435\u0441\u044f\u0447\u043d\u0430\u044f \u0432\u043e\u043b\u0430\u0442\u0438\u043b\u044c\u043d\u043e\u0441\u0442\u044c \u0430\u043a\u0442\u0438\u0432\u043e\u0432<\/h2>\n
  \u0422\u0435\u043f\u0435\u0440\u044c \u043c\u044b \u0432 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u043e \u0441\u0442\u0440\u043e\u043a \u043c\u043e\u0436\u0435\u043c \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430 \u0433\u0440\u0430\u0444\u0438\u043a\u0435 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0446\u0435\u043d\u044b \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0430\u043a\u0442\u0438\u0432\u0430 \u0437\u0430 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u0443\u044e\u0449\u0438\u0439 \u043d\u0430\u0441 \u043f\u0435\u0440\u0438\u043e\u0434. \u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u043c \u043f\u0440\u043e\u0446\u0435\u043d\u0442 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0446\u0435\u043d\u044b, \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u0443\u044f dataframe \u043f\u043e \u0443\u0440\u043e\u0432\u043d\u044e \u043c\u0443\u043b\u044c\u0442\u0438\u0438\u043d\u0434\u0435\u043a\u0441\u0430 \u0441 \u0442\u0438\u043a\u0435\u0440\u043e\u043c \u0430\u043a\u0442\u0438\u0432\u0430.<\/p>\n
monthly = df.groupby([pd.Grouper(freq='M', level=0), level_values(1)]).agg(               agg_rules).set_index(['dt', 'symbol'], drop=False) # \u0415\u0436\u0435\u043c\u0435\u0441\u044f\u0447\u043d\u044b\u0435 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0446\u0435\u043d\u044b \u0432 \u043f\u0440\u043e\u0446\u0435\u043d\u0442\u0430\u0445. \u041f\u0435\u0440\u0432\u043e\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u043e\u0431\u043d\u0443\u043b\u0438\u043c. monthly['pct_close'] = monthly.groupby(level=1)['close'].pct_change().fillna(0)  # \u0413\u0440\u0430\u0444\u0438\u043a ax = monthly.pct_close.unstack(1).plot(title=\"Monthly\", figsize=(15, 4)) ax.axhline(0, color='k', linestyle='--', lw=0.5) plt.show()<\/code><\/pre>\n
  \"image\"<\/p>\n
\u0421\u0440\u0430\u0432\u043d\u0438\u043c \u0434\u043e\u0445\u043e\u0434\u043d\u043e\u0441\u0442\u044c \u0430\u043a\u0442\u0438\u0432\u043e\u0432<\/h2>\n
  \u0422\u0435\u043f\u0435\u0440\u044c \u0432\u043e\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c\u0441\u044f \u043e\u043a\u043e\u043d\u043d\u044b\u043c \u043c\u0435\u0442\u043e\u0434\u043e\u043c Series().rolling() \u0438 \u0432\u044b\u0432\u0435\u0434\u0435\u043c \u0434\u043e\u0445\u043e\u0434\u043d\u043e\u0441\u0442\u044c \u0430\u043a\u0442\u0438\u0432\u043e\u0432 \u0437\u0430 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u044b\u0439 \u043f\u0435\u0440\u0438\u043e\u0434:<\/p>\n
\u041a\u043e\u0434 \u043d\u0430 Python<\/b><\/p>\n
\n
rolling_prod = lambda x: x.rolling(len(x), min_periods=1).apply(np.prod)  # \u043a\u0443\u043c\u0443\u043b\u044f\u0442\u0438\u0432\u043d\u044b\u0439 \u0434\u043e\u0445\u043e\u0434  monthly = df.groupby([pd.Grouper(freq='M', level=0), level_values(1)]).agg(               agg_rules).set_index(['dt', 'symbol'], drop=False) # \u0415\u0436\u0435\u043c\u0435\u0441\u044f\u0447\u043d\u044b\u0435 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0446\u0435\u043d\u044b \u0432 \u043f\u0440\u043e\u0446\u0435\u043d\u0442\u0430\u0445. \u041f\u0435\u0440\u0432\u043e\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u043e\u0431\u043d\u0443\u043b\u0438\u043c. \u0418 \u043f\u0440\u0438\u0431\u0430\u0432\u0438\u043c 1. monthly['pct_close'] = monthly.groupby(level=1)['close'].pct_change().fillna(0) + 1  # \u041d\u043e\u0432\u044b\u0439 DataFrame \u0431\u0435\u0437 \u0434\u0430\u043d\u043d\u044b\u0445 \u0441\u0442\u0430\u0440\u0448\u0435 2007 \u0433\u043e\u0434\u0430 fltr = monthly.dt >= '2007-01-01' test = monthly[fltr].copy().set_index(['dt', 'symbol'], drop=False)  # \u043e\u0431\u0440\u0435\u0436\u0435\u043c dataframe \u0438 \u043e\u0431\u043d\u043e\u0432\u0438\u043c \u0438\u043d\u0434\u0435\u043a\u0441  test.loc[test.index.levels[0][0], 'pct_close'] = 1  # \u0443\u0441\u0442\u0430\u043d\u0430\u0432\u043b\u0438\u0432\u0430\u0435\u043c \u043f\u0435\u0440\u0432\u043e\u0435 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 1 # \u041f\u043e\u043b\u0443\u0447\u0430\u0435\u043c \u043a\u0443\u043c\u0443\u043b\u044f\u0442\u0438\u0432\u043d\u044b\u0439 \u0434\u043e\u0445\u043e\u0434 test['performance'] = test.groupby(level=1)['pct_close'].transform(rolling_prod) - 1  # \u0413\u0440\u0430\u0444\u0438\u043a ax = test.performance.unstack(1).plot(title=\"Performance (Monthly) from 2007-01-01\", figsize=(15, 4)) ax.axhline(0, color='k', linestyle='--', lw=0.5) plt.show()  # \u0414\u043e\u0445\u043e\u0434\u043d\u043e\u0441\u0442\u044c \u043a\u0430\u0436\u0434\u043e\u0433\u043e \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u0430 \u0432 \u043f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0439 \u043c\u043e\u043c\u0435\u043d\u0442 test.tail(len(test.index.levels[1])).sort_values('performance', ascending=False)<\/code><\/pre>\n
  <\/div>\n<\/div>\n
  \"image\"<\/p>\n
\u041c\u0435\u0442\u043e\u0434\u044b \u0440\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0438 \u043f\u043e\u0440\u0442\u0444\u0435\u043b\u0435\u0439<\/h2>\n
  \u0412\u043e\u0442 \u043c\u044b \u0438 \u043f\u043e\u0434\u043e\u0431\u0440\u0430\u043b\u0438\u0441\u044c \u043a \u0441\u0430\u043c\u043e\u043c\u0443 \u0432\u043a\u0443\u0441\u043d\u043e\u043c\u0443. \u0412 \u043f\u0440\u0438\u043c\u0435\u0440\u0430\u0445 \u043c\u044b \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u044b \u043f\u043e\u0440\u0442\u0444\u043b\u0435\u043b\u044f \u043f\u0440\u0438 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u0438 \u043a\u0430\u043f\u0438\u0442\u0430\u043b\u0430 \u043f\u043e \u0437\u0430\u0440\u0430\u043d\u0435\u0435 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0451\u043d\u043d\u044b\u043c \u0434\u043e\u043b\u044f\u043c \u043c\u0435\u0436\u0434\u0443 \u043d\u0435\u0441\u043a\u043e\u043b\u044c\u043a\u0438\u043c\u0438 \u0430\u043a\u0442\u0438\u0432\u0430\u043c\u0438. \u0410 \u0442\u0430\u043a\u0436\u0435 \u0434\u043e\u0431\u0430\u0432\u0438\u043c \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u0435 \u0443\u0441\u043b\u043e\u0432\u0438\u044f, \u043f\u043e \u043a\u043e\u0442\u043e\u0440\u044b\u043c \u0431\u0443\u0434\u0435\u043c \u043e\u0442\u043a\u0430\u0437\u044b\u0432\u0430\u0442\u044c\u0441\u044f \u043e\u0442 \u043d\u0435\u043a\u043e\u0442\u043e\u0440\u044b\u0445 \u0430\u043a\u0442\u0438\u0432\u043e\u0432 \u0432 \u043c\u043e\u043c\u0435\u043d\u0442 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u043a\u0430\u043f\u0438\u0442\u0430\u043b\u0430. \u0415\u0441\u043b\u0438 \u043f\u043e\u0434\u0445\u043e\u0434\u044f\u0449\u0438\u0445 \u0430\u043a\u0442\u0438\u0432\u043e\u0432 \u043d\u0435 \u0431\u0443\u0434\u0435\u0442, \u0442\u043e \u0431\u0443\u0434\u0435\u043c \u0441\u0447\u0438\u0442\u0430\u0442\u044c, \u0447\u0442\u043e \u043a\u0430\u043f\u0438\u0442\u0430\u043b \u043b\u0435\u0436\u0438\u0442 \u0443 \u0431\u0440\u043e\u043a\u0435\u0440\u0430 \u0432 \u043a\u044d\u0448\u0435.<\/p>\n
  \u0414\u043b\u044f \u0442\u043e\u0433\u043e \u0447\u0442\u043e\u0431\u044b \u043f\u0440\u0438 \u0440\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u0442\u044c \u043c\u0435\u0442\u043e\u0434\u044b Pandas, \u043d\u0430\u043c \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u043e \u0445\u0440\u0430\u043d\u0438\u0442\u044c \u0434\u043e\u043b\u0438 \u0440\u0430\u0441\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u0438\u044f \u0438 \u0443\u0441\u043b\u043e\u0432\u0438\u044f \u0440\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0438 \u0432 DataFrame \u0441 \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u044b\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438. \u0422\u0435\u043f\u0435\u0440\u044c \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0444\u0443\u043d\u043a\u0446\u0438\u0438 \u0440\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043e\u043a, \u043a\u043e\u0442\u043e\u0440\u044b\u0435 \u0431\u0443\u0434\u0435\u043c \u043f\u0435\u0440\u0435\u0434\u0430\u0432\u0430\u0442\u044c \u0432 \u043c\u0435\u0442\u043e\u0434 DataFrame().apply():<\/p>\n
\u041a\u043e\u0434 \u043d\u0430 Python<\/b><\/p>\n
\n
def rebalance_simple(x):     # \u041f\u0440\u043e\u0441\u0442\u0430\u044f \u0440\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0430 \u043f\u043e \u0434\u043e\u043b\u044f\u043c     data = x.unstack(1)     return (data.pct_close * data['size']).sum() \/ data['size'].sum()  def rebalance_sma(x):     # \u0420\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0430 \u043f\u043e \u0430\u043a\u0442\u0438\u0432\u0430\u043c, \u0443 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 SMA50 > SMA200     data = x.unstack(1)     fltr = data['sma50'] > data['sma200']     if not data[fltr]['size'].sum():         return 1  # \u0411\u0430\u043b\u0430\u043d\u0441 \u0431\u0435\u0437 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0439, \u0435\u0441\u043b\u0438 \u043d\u0435\u0442 \u043f\u043e\u0434\u0445\u043e\u0434\u044f\u0449\u0438\u0445     return (data[fltr].pct_close * data[fltr]['size']).sum() \/ data[fltr]['size'].sum()  def rebalance_rsi(x):     # \u0420\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0430 \u043f\u043e \u0430\u043a\u0442\u0438\u0432\u0430\u043c, \u0443 \u043a\u043e\u0442\u043e\u0440\u044b\u0445 RSI100 > 50     data = x.unstack(1)     fltr = data['rsi100'] > 50     if not data[fltr]['size'].sum():         return 1  # \u0411\u0430\u043b\u0430\u043d\u0441 \u0431\u0435\u0437 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0439, \u0435\u0441\u043b\u0438 \u043d\u0435\u0442 \u043f\u043e\u0434\u0445\u043e\u0434\u044f\u0449\u0438\u0445     return (data[fltr].pct_close * data[fltr]['size']).sum() \/ data[fltr]['size'].sum()  def rebalance_custom(x, df=None):     # \u041c\u0435\u0434\u043b\u0435\u043d\u043d\u0430\u044f \u0440\u0435\u0431\u0430\u043b\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u043a\u0430 \u0441 \u0443\u043d\u0438\u043a\u0430\u043b\u044c\u043d\u044b\u043c\u0438 \u0443\u0441\u043b\u043e\u0432\u0438\u044f\u043c\u0438 \u0438 \u0432\u043d\u0435\u0448\u043d\u0438\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438     data = x.unstack(1)     for s in data.index:         if data['dt'][s]:             fltr_dt = df['dt'] < data['rebalance_dt'][s]  # \u0438\u0441\u043a\u043b\u044e\u0447\u0438\u043c \u0431\u0443\u0434\u0443\u0449\u0435\u0435             values = df[fltr_dt].loc[(slice(None), [s]), 'close'].values             data.loc[s, 'custom'] = 0  # \u043e\u0431\u043d\u0443\u043b\u0438\u043c \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435 \u0444\u0438\u043b\u044c\u0442\u0440\u0430             if len(values) > len(values[np.isnan(values)]):                                 # \u041f\u043e\u043b\u0443\u0447\u0438\u043c RSI \u0437\u0430 100 \u0434\u043d\u0435\u0439                 data.loc[s, 'custom'] = talib.RSI(values, timeperiod=100)[-1]          fltr = data['custom'] > 50     if not data[fltr]['size'].sum():         return 1  # \u0411\u0430\u043b\u0430\u043d\u0441 \u0431\u0435\u0437 \u0438\u0437\u043c\u0435\u043d\u0435\u043d\u0438\u0439, \u0435\u0441\u043b\u0438 \u043d\u0435\u0442 \u043f\u043e\u0434\u0445\u043e\u0434\u044f\u0449\u0438\u0445     return (data[fltr].pct_close * data[fltr]['size']).sum() \/ data[fltr]['size'].sum()  def drawdown(chg, is_max=False):     # \u041c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u0430\u044f \u043f\u0440\u043e\u0441\u0430\u0434\u043a\u0430 \u0434\u043e\u0445\u043e\u0434\u043d\u043e\u0441\u0442\u0438     total = len(chg.index)     rolling_max = chg.rolling(total, min_periods=1).max()     daily_drawdown = chg\/rolling_max - 1.0     if is_max:         return daily_drawdown.rolling(total, min_periods=1).min()     return daily_drawdown<\/code><\/pre>\n
  <\/div>\n<\/div>\n
  \u041f\u043e \u043f\u043e\u0440\u044f\u0434\u043a\u0443:<\/p>\n