def calculate_xirr(fund_pd, tx_pd):
xirr_total = []
xirr_eq = []
xirr_db = []
xirr_hy = []
for fund in fund_pd.columns:
x = fund_pd[fund]
f_data = tx_pd[tx_pd['AMC_Scheme_Name'] == fund]
xirr_data = f_data[['Transaction_Date',
'Amount(Credits/Debits)']].values.tolist()
xirr_data.append([x['NAV date'], x['Current Value']])
if x['Fund Type'] == 'Equity':
xirr_eq.extend(xirr_data)
elif x['Fund Type'] == 'Debt':
xirr_db.extend(xirr_data)
elif x['Fund Type'] == 'Hybrid':
xirr_hy.extend(xirr_data)
xirr_total.extend(xirr_data)
x['XIRR'] = xirr(xirr_data) * 100
fund_pd['Total'] = None
fund_pd['Total']['XIRR'] = xirr(xirr_total) * 100
if len(xirr_eq) > 0:
fund_pd['Equity'] = None
fund_pd['Equity']['XIRR'] = xirr(xirr_eq) * 100
if len(xirr_db) > 0:
fund_pd['Debt'] = None
fund_pd['Debt']['XIRR'] = xirr(xirr_db) * 100
if len(xirr_hy) > 0:
fund_pd['Hybrid'] = None
fund_pd['Hybrid']['XIRR'] = xirr(xirr_hy) * 100
def main(argv=None):
if argv:
cashflows.append(' '.join(argv))
else:
read_flows()
if not parse_flows():
return 1
print('\n------ Cashflow ------')
fmt = '%s %0.2f' if any(not f == int(f) for d, f in cashflows) else '%s %d'
for d, f in cashflows:
print(fmt % (d, f))
print('----------------------')
print('xIRR: %0.2f%%' % (100 * xirr(cashflows), ))
return 0
def xirrCashflow(self, df_, df_trans):
"""This function will calculate the xirr of a cashflow with the following transactions:
Dataframe:
date (index)
isin
numstocks
"""
logger = logging.getLogger(__name__)
ret = None
try:
msg = f"Starting calculate xirr of cashflow"
logger.debug(msg)
self.gc.writeJobStatus("Running", statusMessage=msg)
# convert transactions to tupel-list
l = {}
# loop through transactions and get stock value
for i, row in df_trans.iterrows():
# get stock value for isin at time x
sv = self.getStockVal(i, row['isin'], 'close')
v = sv * row['numstocks']
if i in l:
l[i] = l[i] + v
else:
l[i] = v
return xirr.xirr(l)
self.gc.writeJobStatus("Running", statusMessage=msg + " - DONE")
logger.debug(msg + " - DONE")
except Exception as e:
logger.exception('Crash!', exc_info=e)
self.gc.numErrors += 1
self.gc.errMsg += "Crash xirrCashflow; "
return ret
def fund_summary(i):
tab = []
head = [
"Fund Name", "NAV date", "Total Units", "Total Inv", "Cur NAV",
"Current Value", "P/L", "XIRR", "Duration", "Frequency"
]
f = i.replace("Franklin_Templeton_Franklin", "Franklin_Templeton")
f = f.replace("Aditya_Birla_Sun_Life", "ABSL")
f = f.replace("Franklin_Templeton_India", "Franklin")
#print(i, txn_summary.keys())
tab.append([
f, cur_data[i]["date"], txn_summary[i]["tot_units"],
txn_summary[i]["tot_inv"], cur_data[i]["nav"],
txn_summary[i]["tot_val"],
round(txn_summary[i]["tot_val"] - txn_summary[i]["tot_inv"], 4),
round(100 * xirr(txn_summary[i]["xirr"]),
2), txn_summary[i]["duration"], txn_summary[i]["frequency"]
])
print(
tabulate(tab,
headers=head,
numalign="left",
tablefmt="grid",
floatfmt='.8g'))
def create_return_xirr(cashflows, method=['twrr', 'mwrr']):
"""
Метод расчитывает доходность портфеля с учетом пополнений и изъятий денежных средств портфеля.
Расчет производится на основе DataFrame с ежедневными данными о стоимости портфеля и денежного потока
на дату. Для расчета используется два метода:
- взвешенный по деньгам (money-weighted return)
- взвешенный по времени (time-weighted return)
:param cashflows: pandas DataFrame с столбцами ['total', 'cashflow'], имя столбца не важно, важна последовательность.
index - дата в формает timestamp или datetime64, в которую был произведегн денежный поток и определена стоимость портфеля
total - стоимость портфеля на соответствующую дату в формате float
cashflow - размер денежного потока на соответствующую дату в формате float
:param method: список методов для расчета доходности, определяет метод по которому будет считаться доходность:
'twrr' - time-weighted rate of return. Доходность, взвешенная по времени
'mwrr' - money-weighted rate of return. Долходность, взвешенная по деньгам
может принимать значения:
['twrr']
['twrr', 'mwrr']
['mwrr']
:return: словарь {'twrr';{'return': float, 'data': DataFrame}, 'mwrr':{'return': float, 'data': DataFrame}}
return - значение годовой доходности посчитанной соответствующим методом в формате float
data - массив значений доходности в каждый момент времени
"""
def twrr(cf):
"""
Расчет взвешенной по времени доходности, при неравномерных на не равномерных периодах внесения и изъятия денег в формате DataFrame
:param cashflows: pandas DataFrame с столбцами ['total', 'cashflow'], имя столбца не важно, важна последовательность.
index - дата в формает timestamp или datetime64, в которую был произведегн денежный поток и определена стоимость портфеля
total - стоимость портфеля на соответствующую дату в формате float
cashflow - размер денежного потока на соответствующую дату в формате float
каждая строка равна дневным значениям.
:return: [twrr, annual return, revenue]
*twrr - взвешенная по времени среднегодовая доходность за весь период. формат: float
*annual return - годовая доходность на каждый день
*total_return - доходность накопительным итогом за весь период
*
*значения взвешенной по времени доходности на каждый период в входном датафрейме
"""
start_date = cf.index[0]
cf = cf.copy()
# Формируем периоды расчета изменения стоимости портфеля между пополнениями / изъятиями
# Формируем столбец с накопительным количеством строк с не нулевым cashflow и смещаем на один, что бы в интервал
# попадала строка с следующим casflow для расчета общей стоимоти до изменения
cf.loc[:, 'interval'] = np.cumsum(cf[cf.columns[1]] != 0).shift(1)
# Формируем столбец с расчетом изменения общей стоимости портфеля за каждый период по сравнению
# с стоимостью в предыдущим периодом убирая из расчета cashflow за текущий период.
cf['change'] = ((cf['total'] + cf['cashflow']) /
cf['total'].shift(periods=1)).fillna(1)
# Для каждой строки считаем накопительное произведение изменение общей стоимости портфеля в рамках периода
cf['prod_interval'] = cf.groupby('interval').change.cumprod().fillna(1)
# Готовим вспомогательный столбец для хранения полного изменения по каждому периоду
cf['prod_previous_period'] = cf['prod_interval'][cf['cashflow'] != 0]
cf['prod_previous_period'].fillna(1, inplace=True)
# Расчитываем накопленную доходность умножая изменение за текущий период на общие изменения за прошлые периоды
cf['revenue'] = cf.prod_previous_period.cumprod()
# Рассчитываем годовую доходность, умножая на приведенный к году текущий срок с даты старта портфеля
cf['revenue'][cf['cashflow'] == 0] = cf.revenue * cf.prod_interval
cf['annual return'] = cf.revenue**(365. /
(cf.index - start_date).days) - 1
return [cf['annual return'][-1], cf['annual return']]
result = {}
if 'twrr' in method:
twrr, data = twrr(cashflows)
result['twrr'] = twrr
cashflows['twrr'] = data
if 'mwrr' in method:
#переводим DataFrame в numpy для скорости выполнения оптимизации
cf_np = cashflows[cashflows.columns[1]].reset_index().to_numpy()
dict_res = []
# для каждого значения стоимости портфеля, считаем mwrr
for i in range(1, len(cf_np)):
arr_cf = cf_np[:i + 1].copy()
#прибавляем положительный итоговый денежный поток на дату, равный стоимости портфеля
arr_cf[i, 1] += cashflows[cashflows.columns[0]][i]
dict_t = {k: v for k, v in arr_cf[np.abs(arr_cf[:, 1]) > 1e-10]}
dict_res += [xirr.xirr(dict_t)]
cashflows.loc[:, 'mwrr'] = [0] + dict_res
result['mwrr'] = cashflows['mwrr'][-1]
result['data'] = cashflows
return result
def calcXIRR(gc,
df_full,
myDepot,
days,
valColumn='Value-total',
investColumn='Invested-total',
save=True):
"""calculates the XIRR of the depot for the last x days"""
loc = locals()
logger = logging.getLogger(__name__)
try:
msg = f"Starting calcXIRR with {loc}"
logger.debug(msg)
gc.writeJobStatus("Running", statusMessage=msg)
# get value at start date
startDate = datetime.datetime.now() - datetime.timedelta(days=days)
df = df_full.loc[(df_full.index >= startDate)]
df = df[[valColumn, investColumn]]
l_xirr = {}
startVal = 0
if (len(df.index) > 0):
startDate = df.index[0]
startVal = df.iloc[0][valColumn]
l_xirr[startDate] = startVal
# get transactions
df_diff = df.diff().dropna()
df_diff = df_diff[df_diff[investColumn] != 0]
for i, row in df_diff.iterrows():
l_xirr[i] = row[investColumn]
# get value at end
l_xirr[df.index[-1]] = -df.iloc[-1][valColumn]
x = -1
if ((df.index[-1] - startDate).days > 30):
x = xirr.xirr(l_xirr)
logger.debug(f"XIRR of depot {myDepot}: {x}")
# Save
now = pd.Timestamp(datetime.datetime.now(UTC)).replace(
hour=0, minute=0, second=0, microsecond=0)
df_res = pd.DataFrame(index=[now],
columns=["KPI-Value", "KPI", "Depot"],
data=[[x, f"XIRR-{days}", myDepot]])
#print(df_res)
if ((x != float("inf")) and (x != float("-inf"))
and (save == True)):
gc.influx_write_api.write(
gc.influx_db,
gc.influx_org,
record=df_res,
data_frame_measurement_name="KPIs",
data_frame_tag_columns=['Depot', 'KPI'])
gc.influx_write_api.close()
else:
logger.warn(
f"Not calculating xirr due to short timespan of {(df.index[-1] - startDate).days} days"
)
gc.writeJobStatus("Running", statusMessage=msg + " - DONE")
logger.debug(msg + " - DONE")
if (x == float("inf")):
x = 9999
if (x == float("-inf")):
x = -9999
return x
except Exception as e:
logger.exception(f'Crash calcXIRR with {loc}!', exc_info=e)
gc.numErrors += 1
gc.errMsg += f"Crash calcXIRR with {loc}; "
def print_summary(write_to_file):
tab = []
head = [
"Fund Name", "NAV date", "Total Units", "Total Inv", "Cur NAV",
"Current Value", "P/L", "XIRR", "Day P/L", "Duration", "Frequency"
]
tot_inv = 0
tot_val = 0
tot_xirr = []
cat_xirr = []
cat_inv = 0
cat_tot = 0
fund_hist = [0, 0, 0]
cat_hist = [0, 0, 0]
summary = {}
nav_date = []
eq_total = 0
hy_total = 0
db_total = 0
inv_total = 0
for f in get_funds("Equity"):
if f in txn_summary.keys():
eq_total += txn_summary[f]["tot_val"]
for f in get_funds("Hybrid"):
if f in txn_summary.keys():
hy_total += txn_summary[f]["tot_val"]
for f in get_funds("Debt"):
if f in txn_summary.keys():
db_total += txn_summary[f]["tot_val"]
inv_total = eq_total + hy_total + db_total
#print("E", eq_total, "H", hy_total, "D", db_total, "T", inv_total);
for i in txn_summary.keys():
summary[i] = [
shorten_fund(i), cur_data[i]["date"], txn_summary[i]["tot_units"],
txn_summary[i]["tot_inv"], cur_data[i]["nav"],
get_wt(i, txn_summary[i]["tot_val"], eq_total, hy_total, db_total),
round(txn_summary[i]["tot_val"] - txn_summary[i]["tot_inv"], 4),
str(round(100 * xirr(txn_summary[i]["xirr"]), 2)) + "%",
pl_pct(txn_summary[i]["day_chg"], txn_summary[i]["tot_val"]),
txn_summary[i]["duration"], txn_summary[i]["frequency"]
]
tot_xirr.extend(txn_summary[i]["xirr"])
for t in "Equity", "Debt", "Hybrid":
cat_inv = 0
cat_val = 0
cat_xirr = []
cat_hist = [0, 0, 0]
#tab.append([t])
for i in get_funds(t):
if i not in txn_summary.keys():
continue
if t == "Equity" or t == "Hybrid":
nav_date.append(cur_data[i]["date"])
tab.append(summary[i])
tot_inv += txn_summary[i]["tot_inv"]
tot_val += txn_summary[i]["tot_val"]
cat_inv += txn_summary[i]["tot_inv"]
cat_val += txn_summary[i]["tot_val"]
cat_hist[0] += txn_summary[i]["day_chg"]
cat_hist[1] += txn_summary[i]["week_chg"]
cat_hist[2] += txn_summary[i]["month_chg"]
cat_xirr.extend(txn_summary[i]["xirr"])
#print(cat_xirr)
tab.append([
t + " ========>", "========", "========",
round(cat_inv, 4), "========",
str(round(cat_val, 2)) + " (" +
str(round((cat_val / inv_total) * 100, 1)) + "%)",
round(cat_val - cat_inv, 4),
str(round(100 * xirr(cat_xirr), 2)) + "%",
"D: " + pl_pct(cat_hist[0], cat_val),
"W: " + pl_pct(cat_hist[1], cat_val),
"M: " + pl_pct(cat_hist[2], cat_val)
])
fund_hist[0] += cat_hist[0]
fund_hist[1] += cat_hist[1]
fund_hist[2] += cat_hist[2]
# pdb.set_trace()
#tab.append(["Total", cur_data[i]["date"], "", tot_inv, "", tot_val, tot_val - tot_inv, round(100 * xirr(tot_xirr), 2), round(fund_hist[0], 2), round(fund_hist[1], 2)])
tab.append([
"Total" + " ========>", cur_data[i]["date"], "",
round(tot_inv, 2), "",
round(tot_val, 2),
round(tot_val - tot_inv, 2),
str(round(100 * xirr(tot_xirr), 2)) + "%",
"D: " + pl_pct(fund_hist[0], tot_val),
"W: " + pl_pct(fund_hist[1], tot_val),
"M: " + pl_pct(fund_hist[2], tot_val)
])
print(
tabulate(tab,
headers=head,
numalign="left",
tablefmt="grid",
floatfmt='.8g'))
file_name = max(set(nav_date), key=nav_date.count)
#print(file_name, nav_date)
if write_to_file:
report_name = os.path.abspath(
os.path.join(os.path.dirname(os.path.abspath(__file__)),
os.pardir)) + report_dir + time.strftime(
file_name, time.localtime())
with open(report_name, "w") as r:
r.write(
tabulate(tab,
headers=head,
numalign="left",
tablefmt="grid",
floatfmt='.8g'))
r.write("\n")