使用python中的矢量化解决方案计算最大跌幅

Question

最大跌幅是量化金融中用于评估已经历的最大负收益的常见风险度量。

最近，我变得不耐烦使用循环方法来计算最大跌幅。

def max_dd_loop(returns):
    """returns is assumed to be a pandas series"""
    max_so_far = None
    start, end = None, None
    r = returns.add(1).cumprod()
    for r_start in r.index:
        for r_end in r.index:
            if r_start < r_end:
                current = r.ix[r_end] / r.ix[r_start] - 1
                if (max_so_far is None) or (current < max_so_far):
                    max_so_far = current
                    start, end = r_start, r_end
    return max_so_far, start, end

我熟悉一个普遍的看法，即向量化的解决方案会更好。

问题是：

• 我可以将这个问题向量化吗？
• 这个解决方案是什么样的？
• 有什么好处？

编辑

我将亚历山大的答案修改为以下功能：

def max_dd(returns):
    """Assumes returns is a pandas Series"""
    r = returns.add(1).cumprod()
    dd = r.div(r.cummax()).sub(1)
    mdd = dd.min()
    end = dd.argmin()
    start = r.loc[:end].argmax()
    return mdd, start, end

Answer 1

df_returns 假定是收益的数据框架，其中每一列是单独的策略/经理/安全性，而每一行是一个新日期（例如，每月或每天）。

cum_returns = (1 + df_returns).cumprod()
drawdown =  1 - cum_returns.div(cum_returns.cummax())