Berechnen kumulative Produkt über 1 Jahr Zeitfenster in R

Question

Ich habe ein Problem, dass ich das rollende Produkt einer Reihe von 1-Perioden-Renditen berechnen muss. Die Länge des Rollfensters ist variabel. Der Zweck besteht darin, das rollende Produkt der 1-Monatsrenditen zu erhalten, das ein 12-Monats-Fenster möglichst genau abdeckt.

Ich war in der Lage, eine funktionierende Lösung mit roher Gewalt durch for Schleifen und if Aussagen zu produzieren, aber ich frage mich, ob es eine elegante Lösung ist. Ich habe viel Zeit mit rollapply und anderen ähnlichen Funktionen versucht, aber ich war nicht in der Lage, eine Lösung zu erhalten.

Die folgenden Daten veranschaulichen das Problem.

date  rt_1_period rt_12_mth_window 
1 04-04-13 NA   NA 
2 10-04-13 0.729096362 NA 
3 24-05-13 1.002535647 NA 
4 30-05-13 0.993675716 NA 
5 21-07-13 1.002662843 NA 
6 03-08-13 1.009516582 NA 
7 01-09-13 0.963099395 NA 
8 20-10-13 1.012470278 NA 
9 25-10-13 1.01308502 NA 
10 03-11-13 1.005440704 NA 
11 01-01-14 1.024208021 NA 
12 11-01-14 0.996613924 NA 
13 17-02-14 1.009811368 NA 
14 24-02-14 1.008139557 NA 
15 30-03-14 1.002794709 NA 
16 30-04-14 0.998745849 1.042345473 
17 02-05-14 1.002324076 1.044767963 
18 27-06-14 0.997741026 1.046389027 
19 24-08-14 1.015767546 1.050072129 
20 05-09-14 1.014405005 1.106010894 
21 02-11-14 1.013830296 1.09319212 
22 09-11-14 1.013127219 1.101549487 
23 16-11-14 1.012614177 1.115444628 
24 18-01-15 0.986893629 1.078458006 
25 24-01-15 1.028120919 1.108785236 
26 10-04-15 0.912452762 0.991025615 
27 09-08-15 1.004676152 0.981376513 
28 07-01-16 1.004236123 0.934086003 
29 01-04-16 1.02341302 0.94215696 

In dem Beispiel der 12 Monate für die Zeile 29 zurück als das Produkt von 1 Periode Rückkehr von Zeile 26 bis 29, weil 02-04-15 (365 Tage ab 01-04-16) berechnet wird, enthalten ist zwischen Zeilen 25 und 26. Auf der anderen Seite ist die 12-Monats-Rendite für Zeile 15 NA, weil 30-03-13 (365 Tage vom 30.03.2014) außerhalb des Zeitfensters liegt, für das ich beobachtbare 1-Perioden-Renditen habe.

Ich würde mich freuen, wenn jemand eine Möglichkeit vorschlagen könnte, dieses Problem anzugehen.

Nur für die Klarheit, wenn die bereitgestellten Daten nicht viel Sinn ergibt, ist dies eine abgespeckte Version einer größeren Datenbank, die ich zu Illustrationszwecken erstellt habe.

Answer 1

könnten Sie verwenden xts und lubridate für simplyfying Datum Manipulationen

Daten:

require(xts) 
require(lubridate) 


DF = read.csv(text=" 
date,rt_1_period,rt_12_mth_window 
04-04-13,   , 
10-04-13,0.729096362, 
24-05-13,1.002535647, 
30-05-13,0.993675716, 
21-07-13,1.002662843, 
03-08-13,1.009516582, 
01-09-13,0.963099395, 
20-10-13,1.012470278, 
25-10-13,1.01308502 , 
03-11-13,1.005440704, 
01-01-14,1.024208021, 
11-01-14,0.996613924, 
17-02-14,1.009811368, 
24-02-14,1.008139557, 
30-03-14,1.002794709, 
30-04-14,0.998745849,1.042345473 
02-05-14,1.002324076,1.044767963 
27-06-14,0.997741026,1.046389027 
24-08-14,1.015767546,1.050072129 
05-09-14,1.014405005,1.106010894 
02-11-14,1.013830296,1.09319212 
09-11-14,1.013127219,1.101549487 
16-11-14,1.012614177,1.115444628 
18-01-15,0.986893629,1.078458006 
24-01-15,1.028120919,1.108785236 
10-04-15,0.912452762,0.991025615 
09-08-15,1.004676152,0.981376513 
07-01-16,1.004236123,0.934086003 
01-04-16,1.02341302 ,0.94215696",header=TRUE,stringsAsFactors=FALSE,na.strings="") 


#Convert to xts time series for ease in date manipulation 

DF_xts = xts(DF[,-1],order.by = as.Date(DF[,1],format="%d-%m-%y")) 
head(DF_xts) 
# 
#    rt_1_period rt_12_mth_window 
#2013-04-04   NA    NA 
#2013-04-10 0.729096362    NA 
#2013-05-24 1.002535647    NA 
#2013-05-30 0.993675716    NA 
#2013-07-21 1.002662843    NA 
#2013-08-03 1.009516582    NA 




#set lag period as 1 year 
lagPeriod = 1 

Kumulative 12m Produkt:

Für jedes Datum konstruieren ein Fenster [prevYearDate, Datum] , Teilmenge 1m kehrt in diesem Fenster zurück, berechnet das kumulative Produkt und wählt das letzte Produkt

rt_12_mth_window_Calc = do.call(rbind,lapply(as.Date(index(DF_xts)),function(x) { 

prevYearDate = x-years(lagPeriod) 

rt_12_mth_window_Calc = last(cumprod(DF_xts[paste0(prevYearDate,"/",x),"rt_1_period"])) 
colnames(rt_12_mth_window_Calc) = "rt_12_mth_window_Calc" 

return(rt_12_mth_window_Calc) 

})) 

Finale Datensatz:

#Merge with original time series for final dataset 

new_DF = merge.xts(DF_xts,rt_12_mth_window_Calc) 

#Calculate difference in original and calculated 12 month returns 
new_DF$delta = new_DF$rt_12_mth_window_Calc - new_DF$rt_12_mth_window 
new_DF 

#   rt_1_period rt_12_mth_window rt_12_mth_window_Calc   delta 
#2013-04-04   NA    NA     NA    NA 
#2013-04-10 0.729096362    NA     NA    NA 
#2013-05-24 1.002535647    NA     NA    NA 
#2013-05-30 0.993675716    NA     NA    NA 
#2013-07-21 1.002662843    NA     NA    NA 
#2013-08-03 1.009516582    NA     NA    NA 
#2013-09-01 0.963099395    NA     NA    NA 
#2013-10-20 1.012470278    NA     NA    NA 
#2013-10-25 1.013085020    NA     NA    NA 
#2013-11-03 1.005440704    NA     NA    NA 
#2014-01-01 1.024208021    NA     NA    NA 
#2014-01-11 0.996613924    NA     NA    NA 
#2014-02-17 1.009811368    NA     NA    NA 
#2014-02-24 1.008139557    NA     NA    NA 
#2014-03-30 1.002794709    NA     NA    NA 
#2014-04-30 0.998745849  1.042345473   1.042345470 -2.64001643e-09 
#2014-05-02 1.002324076  1.044767963   1.044767960 -2.54864396e-09 
#2014-06-27 0.997741026  1.046389027   1.046389025 -1.97754613e-09 
#2014-08-24 1.015767546  1.050072129   1.050072127 -1.66086833e-09 
#2014-09-05 1.014405005  1.106010894   1.106010893 -1.34046041e-09 
#2014-11-02 1.013830296  1.093192120   1.093192120 -6.47777387e-11 
#2014-11-09 1.013127219  1.101549487   1.101549488 5.99306826e-10 
#2014-11-16 1.012614177  1.115444628   1.115444628 -1.89856353e-10 
#2015-01-18 0.986893629  1.078458006   1.078458005 -1.15637744e-09 
#2015-01-24 1.028120919  1.108785236   1.108785235 -9.57268265e-10 
#2015-04-10 0.912452762  0.991025615   0.991025613 -1.54581248e-09 
#2015-08-09 1.004676152  0.981376513   0.996850412 1.54738992e-02 
#2016-01-07 1.004236123  0.934086003   0.934086002 -9.15302278e-10 
#2016-04-01 1.023413020  0.942156960   0.942156960 -1.82048598e-10 

Die berechnete und orignal Werte für alle Beobachtungen sehr nahe sind mit Ausnahme 2015.08.09, die Abweichung der Werte 1,55%, könnten Sie bestätigen Ihre Berechnungen für diesen Zeitraum

Answer 2

Hier ist eine Lösung, die nur von XTS abhängt, und es könnte für einige mehr geradlinig sein.

library(xts) 
x <- as.xts(read.zoo(text="date,rt_1_period,rt_12_mth_window 
04-04-13,   , 
10-04-13,0.729096362, 
24-05-13,1.002535647, 
30-05-13,0.993675716, 
21-07-13,1.002662843, 
03-08-13,1.009516582, 
01-09-13,0.963099395, 
20-10-13,1.012470278, 
25-10-13,1.013085020, 
03-11-13,1.005440704, 
01-01-14,1.024208021, 
11-01-14,0.996613924, 
17-02-14,1.009811368, 
24-02-14,1.008139557, 
30-03-14,1.002794709, 
30-04-14,0.998745849,1.042345473 
02-05-14,1.002324076,1.044767963 
27-06-14,0.997741026,1.046389027 
24-08-14,1.015767546,1.050072129 
05-09-14,1.014405005,1.106010894 
02-11-14,1.013830296,1.09319212 
09-11-14,1.013127219,1.101549487 
16-11-14,1.012614177,1.115444628 
18-01-15,0.986893629,1.078458006 
24-01-15,1.028120919,1.108785236 
10-04-15,0.912452762,0.991025615 
09-08-15,1.004676152,0.981376513 
07-01-16,1.004236123,0.934086003 
01-04-16,1.023413020,0.94215696", header=TRUE, sep=",", format="%d-%m-%y")) 
ix <- index(x)  # index values 
ixlag <- ix-365  # 1-year lag index values 
x$rt_12 <- NA_real_ # initialize result column 
for(i in which(ixlag > ix[1])) { 
    # 1-year subset 
    xyear <- window(x, start=ixlag[i], end=ix[i]) 
    # calculate product and update result column 
    x[i,"rt_12"] <- prod(xyear[,"rt_1_period"]) 
}