跳轉到

finlab.dataframe

finlab.dataframe.FinlabDataFrame

FinlabDataFrame(*args, **kwargs)

Bases: DataFrame

回測語法糖 除了使用熟悉的 Pandas 語法外,我們也提供很多語法糖,讓大家開發程式時,可以用簡易的語法完成複雜的功能,讓開發策略更簡潔! 我們將所有的語法糖包裹在 FinlabDataFrame 中,用起來跟 pd.DataFrame 一樣,但是多了很多功能! 只要使用 finlab.data.get() 所獲得的資料,皆為 FinlabDataFrame 格式, 接下來我們就來看看, FinlabDataFrame 有哪些好用的語法糖吧!

當資料日期沒有對齊(例如: 財報 vs 收盤價 vs 月報)時,在使用以下運算符號: +, -, *, /, >, >=, ==, <, <=, &, |, ~, 不需要先將資料對齊,因為 FinlabDataFrame 會自動幫你處理,以下是示意圖。

steps

以下是範例:cond1cond2 分別為「每天」,和「每季」的資料,假如要取交集的時間,可以用以下語法:

from finlab import data
# 取得 FinlabDataFrame
close = data.get('price:收盤價')
roa = data.get('fundamental_features:ROA稅後息前')

# 運算兩個選股條件交集
cond1 = close > 37
cond2 = roa > 0
cond_1_2 = cond1 & cond2
擷取 1101 台泥 的訊號如下圖,可以看到 cond1cond2 訊號的頻率雖然不相同, 但是由於 cond1cond2FinlabDataFrame,所以可以直接取交集,而不用處理資料頻率對齊的問題。
imageconds

總結來說,FinlabDataFrame 與一般 dataframe 唯二不同之處: 1. 多了一些 method,如df.is_largest(), df.sustain()...等。 2. 在做四則運算、不等式運算前,會將 df1、df2 的 index 取聯集,column 取交集。

Source code in finlab/dataframe.py
def __init__(self, *args, **kwargs):
    super().__init__(*args, **kwargs)
    self.id = uuid.uuid4().int

average

average(n)

取 n 筆移動平均

若股票在時間窗格內,有 N/2 筆 NaN,則會產生 NaN。 Args: n (positive-int): 設定移動窗格數。 Returns: (pd.DataFrame): data Examples: 股價在均線之上

from finlab import data
close = data.get('price:收盤價')
sma = close.average(10)
cond = close > sma
只需要簡單的語法,就可以將其中一部分的訊號繪製出來檢查:
import matplotlib.pyplot as plt

close.loc['2021', '2330'].plot()
sma.loc['2021', '2330'].plot()
cond.loc['2021', '2330'].mul(20).add(500).plot()

plt.legend(['close', 'sma', 'cond'])
sma

Source code in finlab/dataframe.py
def average(self, n):
    """取 n 筆移動平均

    若股票在時間窗格內,有 N/2 筆 NaN,則會產生 NaN。
    Args:
      n (positive-int): 設定移動窗格數。
    Returns:
      (pd.DataFrame): data
    Examples:
        股價在均線之上
        ```py
        from finlab import data
        close = data.get('price:收盤價')
        sma = close.average(10)
        cond = close > sma
        ```
        只需要簡單的語法,就可以將其中一部分的訊號繪製出來檢查:
        ```py
        import matplotlib.pyplot as plt

        close.loc['2021', '2330'].plot()
        sma.loc['2021', '2330'].plot()
        cond.loc['2021', '2330'].mul(20).add(500).plot()

        plt.legend(['close', 'sma', 'cond'])
        ```
        <img src="https://i.ibb.co/Mg1P85y/sma.png" alt="sma">
    """
    return self.rolling(n, min_periods=int(n/2)).mean()

deadline

deadline()

財務索引轉換成公告截止日

將財務季報 (ex:2022Q1) 從文字格式轉為公告截止日的datetime格式, 通常使用情境為對不同週期的dataframe做reindex,常用於以公告截止日作為訊號產生日。 Returns: (pd.DataFrame): data Examples:

data.get('financial_statement:現金及約當現金').deadline()
data.get('monthly_revenue:當月營收').deadline()

Source code in finlab/dataframe.py
def deadline(self):
    """財務索引轉換成公告截止日

      將財務季報 (ex:2022Q1) 從文字格式轉為公告截止日的datetime格式,
      通常使用情境為對不同週期的dataframe做reindex,常用於以公告截止日作為訊號產生日。
      Returns:
        (pd.DataFrame): data
      Examples:
          ```py
          data.get('financial_statement:現金及約當現金').deadline()
          data.get('monthly_revenue:當月營收').deadline()
          ```
    """
    if len(self.index) == 0 or not isinstance(self.index[0], str):
        return self

    if self.index[0].find('M') != -1:
        return self._index_str_to_date_month()
    elif self.index[0].find('Q') != -1:
        return self._index_str_to_date_season(detail=False)

    raise Exception("Cannot apply deadline to dataframe. "
                    "Index is not compatable."
                    "Index should be 2013-Q1 or 2013-M1."
                    )

fall

fall(n=1)

數值下降中

取是否比前第n筆低,若符合條件的值則為True,反之為False。 Screen-Shot-2021-10-26-at-6-43-41-AM Args: n (positive-int): 設定比較前第n筆低。 Returns: (pd.DataFrame): data Examples: 收盤價是否低於10日前股價

from finlab import data
data.get('price:收盤價').fall(10)

Source code in finlab/dataframe.py
def fall(self, n=1):
    """數值下降中

    取是否比前第n筆低,若符合條件的值則為True,反之為False。
    <img src="https://i.ibb.co/Y72bN5v/Screen-Shot-2021-10-26-at-6-43-41-AM.png" alt="Screen-Shot-2021-10-26-at-6-43-41-AM">
    Args:
      n (positive-int): 設定比較前第n筆低。
    Returns:
      (pd.DataFrame): data
    Examples:
        收盤價是否低於10日前股價
        ```py
        from finlab import data
        data.get('price:收盤價').fall(10)
        ```
    """
    return self < self.shift(n)

groupby_category

groupby_category()

資料按產業分群

類似 pd.DataFrame.groupby()的處理效果。 Returns: (pd.DataFrame): data Examples: 半導體平均股價淨值比時間序列

from finlab import data
pe = data.get('price_earning_ratio:股價淨值比')
pe.groupby_category().mean()['半導體'].plot()
pbmean

全球 2020 量化寬鬆加上晶片短缺,使得半導體股價淨值比衝高。
Source code in finlab/dataframe.py
def groupby_category(self):
    """資料按產業分群

    類似 `pd.DataFrame.groupby()`的處理效果。
    Returns:
      (pd.DataFrame): data
    Examples:
      半導體平均股價淨值比時間序列
        ```py
        from finlab import data
        pe = data.get('price_earning_ratio:股價淨值比')
        pe.groupby_category().mean()['半導體'].plot()
        ```
        <img src="https://i.ibb.co/Tq2fKBp/pbmean.png" alt="pbmean">

        全球 2020 量化寬鬆加上晶片短缺,使得半導體股價淨值比衝高。
    """
    from finlab import data
    categories = data.get('security_categories')
    cat = categories.set_index('stock_id').category.to_dict()
    org_set = set(cat.values())
    set_remove_illegal = set(
        o for o in org_set if isinstance(o, str) and o != 'nan')
    set_remove_illegal

    refine_cat = {}
    for s, c in cat.items():
        if c == None or c == 'nan':
            refine_cat[s] = '其他'
            continue

        if c == '電腦及週邊':
            refine_cat[s] = '電腦及週邊設備業'
            continue

        if c[-1] == '業' and c[:-1] in set_remove_illegal:
            refine_cat[s] = c[:-1]
        else:
            refine_cat[s] = c

    col_categories = pd.Series(self.columns.map(
        lambda s: refine_cat[s] if s in cat else '其他'))

    return self.groupby(col_categories.values, axis=1)

hold_until

hold_until(exit, nstocks_limit=None, stop_loss=-np.inf, take_profit=np.inf, trade_at='close', rank=None, market='AUTO')

訊號進出場

這大概是所有策略撰寫中,最重要的語法糖,上述語法中 entries 為進場訊號,而 exits 是出場訊號。所以 entries.hold_until(exits) ,就是進場訊號為 True 時,買入並持有該檔股票,直到出場訊號為 True 則賣出。 Screen-Shot-2021-10-26-at-6-35-05-AM 此函式有很多細部設定,可以讓你最多選擇 N 檔股票做輪動。另外,當超過 N 檔進場訊號發生,也可以按照客制化的排序,選擇優先選入的股票。最後,可以設定價格波動當輪動訊號,來增加出場的時機點。

PARAMETER DESCRIPTION
exit

出場訊號。

TYPE: Dataframe

nstocks_limit

輪動檔數上限,預設為None。

TYPE: int)` DEFAULT: None

stop_loss

價格波動輪動訊號,預設為None,不生成輪動訊號。範例:0.1,代表成本價下跌 10% 時產生出場訊號。

TYPE: float DEFAULT: -inf

take_profit

價格波動輪動訊號,預設為None,不生成輪動訊號。範例:0.1,代表成本價上漲 10% 時產生出場訊號。

TYPE: float DEFAULT: inf

trade_at

價格波動輪動訊號參考價,預設為'close'。可選 closeopen

TYPE: str DEFAULT: 'close'

rank

當天進場訊號數量超過 nstocks_limit 時,以 rank 數值越大的股票優先進場。

TYPE: Dataframe DEFAULT: None

RETURNS DESCRIPTION
DataFrame

data

Examples:

價格 > 20 日均線入場, 價格 < 60 日均線出場,最多持有10檔,超過 10 個進場訊號,則以股價淨值比小的股票優先選入。

from finlab import data
from finlab.backtest import sim

close = data.get('price:收盤價')
pb = data.get('price_earning_ratio:股價淨值比')

sma20 = close.average(20)
sma60 = close.average(60)

entries = close > sma20
exits = close < sma60

#pb前10小的標的做輪動
position = entries.hold_until(exits, nstocks_limit=10, rank=-pb)
sim(position)

Source code in finlab/dataframe.py
def hold_until(self, exit, nstocks_limit=None, stop_loss=-np.inf, take_profit=np.inf, trade_at='close', rank=None, market='AUTO'):
    """訊號進出場

    這大概是所有策略撰寫中,最重要的語法糖,上述語法中 `entries` 為進場訊號,而 `exits` 是出場訊號。所以 `entries.hold_until(exits)` ,就是進場訊號為 `True` 時,買入並持有該檔股票,直到出場訊號為 `True ` 則賣出。
    <img src="https://i.ibb.co/PCt4hPd/Screen-Shot-2021-10-26-at-6-35-05-AM.png" alt="Screen-Shot-2021-10-26-at-6-35-05-AM">
    此函式有很多細部設定,可以讓你最多選擇 N 檔股票做輪動。另外,當超過 N 檔進場訊號發生,也可以按照客制化的排序,選擇優先選入的股票。最後,可以設定價格波動當輪動訊號,來增加出場的時機點。

    Args:
      exit (pd.Dataframe): 出場訊號。
      nstocks_limit (int)`: 輪動檔數上限,預設為None。
      stop_loss (float): 價格波動輪動訊號,預設為None,不生成輪動訊號。範例:0.1,代表成本價下跌 10% 時產生出場訊號。
      take_profit (float): 價格波動輪動訊號,預設為None,不生成輪動訊號。範例:0.1,代表成本價上漲 10% 時產生出場訊號。
      trade_at (str): 價格波動輪動訊號參考價,預設為'close'。可選 `close` 或 `open`。
      rank (pd.Dataframe): 當天進場訊號數量超過 nstocks_limit 時,以 rank 數值越大的股票優先進場。

    Returns:
      (pd.DataFrame): data

    Examples:
        價格 > 20 日均線入場, 價格 < 60 日均線出場,最多持有10檔,超過 10 個進場訊號,則以股價淨值比小的股票優先選入。
        ```py
        from finlab import data
        from finlab.backtest import sim

        close = data.get('price:收盤價')
        pb = data.get('price_earning_ratio:股價淨值比')

        sma20 = close.average(20)
        sma60 = close.average(60)

        entries = close > sma20
        exits = close < sma60

        #pb前10小的標的做輪動
        position = entries.hold_until(exits, nstocks_limit=10, rank=-pb)
        sim(position)
        ```
    """
    if nstocks_limit is None:
        nstocks_limit = len(self.columns)

    self_reindex = self.index_str_to_date()
    exit_reindex = exit.index_str_to_date()
    rank_reindex = rank.index_str_to_date() if rank is not None else None

    union_index = self_reindex.index.union(exit_reindex.index)
    intersect_col = self_reindex.columns.intersection(exit_reindex.columns)

    if stop_loss != -np.inf or take_profit != np.inf:
        market = finlab.market_info.get_market_info(
            self_reindex, user_market_info=market)

        if not isinstance(market, finlab.market_info.MarketInfo):
            raise Exception("It seems like the market has"
                            "not been specified well when using the hold_until"
                            " function. Please provide the appropriate"
                            " market parameter to the hold_until function "
                            "to ensure it can determine the correct market"
                            " for the transaction.")

        price = market.get_price(trade_at, adj=True)

        union_index = union_index.union(
            price.loc[union_index[0]: union_index[-1]].index)
        intersect_col = intersect_col.intersection(price.columns)
    else:
        price = pd.DataFrame(index=union_index, columns=intersect_col)
        price.index = pd.to_datetime(price.index)

    if rank_reindex is not None:
        union_index = union_index.union(rank_reindex.index)
        intersect_col = intersect_col.intersection(rank_reindex.columns)

    entry = self_reindex.reindex(union_index, method='ffill')[
        intersect_col].ffill().fillna(False)

    exit = exit_reindex.reindex(union_index, method='ffill')[
        intersect_col].ffill().fillna(False)

    if price is not None:
        price = price.reindex(union_index, method='ffill')[intersect_col]

    if rank_reindex is not None:
        rank_reindex = rank_reindex.reindex(
            union_index, method='ffill')[intersect_col]
    else:
        rank_reindex = pd.DataFrame(
            1, index=union_index, columns=intersect_col)

    rank_reindex = rank_reindex.replace([np.inf, -np.inf], np.nan)

    max_rank = rank_reindex.max().max()
    min_rank = rank_reindex.min().min()
    rank_reindex = (rank_reindex - min_rank) / (max_rank - min_rank)
    rank_reindex.fillna(0, inplace=True)

    def rotate_stocks(ret, entry, exit, nstocks_limit, stop_loss=-np.inf, take_profit=np.inf, price=None, ranking=None):

        nstocks = 0

        ret[0][np.argsort(entry[0], kind='stable')[-nstocks_limit:]] = 1
        ret[0][exit[0] == 1] = 0
        ret[0][entry[0] == 0] = 0

        entry_price = np.empty(entry.shape[1])
        entry_price[:] = np.nan

        for i in range(1, entry.shape[0]):

            # regitser entry price
            if stop_loss != -np.inf or take_profit != np.inf:
                is_entry = ((ret[i-2] == 0) if i >
                            1 else (ret[i-1] == 1))

                is_waiting_for_entry = np.isnan(
                    entry_price) & (ret[i-1] == 1)

                is_entry |= is_waiting_for_entry

                entry_price[is_entry == 1] = price[i][is_entry == 1]

                # check stop_loss and take_profit
                returns = price[i] / entry_price
                stop = (returns > 1 + abs(take_profit)
                        ) | (returns < 1 - abs(stop_loss))
                exit[i] |= stop

            # run signal
            rank = (entry[i] * ranking[i] + ret[i-1] * 3)
            rank[exit[i] == 1] = -1
            rank[(entry[i] == 0) & (ret[i-1] == 0)] = -1

            ret[i][np.argsort(rank)[-nstocks_limit:]] = 1
            ret[i][rank == -1] = 0

        return ret

    ret = pd.DataFrame(0, index=entry.index, columns=entry.columns)
    ret = rotate_stocks(ret.values,
                        entry.astype(int).values,
                        exit.astype(int).values,
                        nstocks_limit,
                        stop_loss,
                        take_profit,
                        price=price.values,
                        ranking=rank_reindex.values)
    return pd.DataFrame(ret, index=entry.index, columns=entry.columns).astype(bool)

index_str_to_date

index_str_to_date()

財務月季報索引格式轉換

將以下資料的索引轉換成datetime格式:

財務季報 (ex:2022-Q1) 從文字格式轉為財報電子檔資料上傳日。

通常使用情境為對不同週期的dataframe做reindex,常用於以公告截止日作為訊號產生日。

RETURNS DESCRIPTION
DataFrame

data

Examples:

data.get('financial_statement:現金及約當現金').index_str_to_date()
Source code in finlab/dataframe.py
def index_str_to_date(self):
    """財務月季報索引格式轉換

      將以下資料的索引轉換成datetime格式:

      財務季報 (ex:2022-Q1) 從文字格式轉為財報電子檔資料上傳日。

      通常使用情境為對不同週期的dataframe做reindex,常用於以公告截止日作為訊號產生日。

      Returns:
        (pd.DataFrame): data

      Examples:
          ```py
          data.get('financial_statement:現金及約當現金').index_str_to_date()
          ```
    """
    if len(self.index) == 0 or not isinstance(self.index[0], str):
        return self

    if self.index[0].find('M') != -1:
        return self._index_str_to_date_month()
    elif self.index[0].find('Q') != -1:
        if self.index[0].find('US-ALL') != -1:
            return self._index_str_to_date_season(market='us_stock_all')
        elif self.index[0].find('US') != -1:
            return self._index_str_to_date_season(market='us_stock')
        else:
            return self._index_str_to_date_season()

    return self

industry_rank

industry_rank(categories=None)

計算產業 ranking 排名,0 代表產業內最低,1 代表產業內最高 Args: categories (list of str): 欲考慮的產業,ex: ['貿易百貨', '雲端運算'],預設為全產業,請參考 data.get('security_industry_themes') 中的產業項目。 Examples: 本意比產業排名分數

from finlab import data

pe = data.get('price_earning_ratio:本益比')
pe_rank = pe.industry_rank()
print(pe_rank)

Source code in finlab/dataframe.py
def industry_rank(self, categories=None):
    """計算產業 ranking 排名,0 代表產業內最低,1 代表產業內最高
    Args:
      categories (list of str): 欲考慮的產業,ex: ['貿易百貨', '雲端運算'],預設為全產業,請參考 `data.get('security_industry_themes')` 中的產業項目。
    Examples:
        本意比產業排名分數
        ```py
        from finlab import data

        pe = data.get('price_earning_ratio:本益比')
        pe_rank = pe.industry_rank()
        print(pe_rank)
        ```
    """
    from finlab import data

    themes = (data.get('security_industry_themes')
              .copy()  # 複製
              .assign(category=lambda self: self.category
                      .apply(lambda s: eval(s)))  # 從文字格式轉成陣列格
              .explode('category')  # 展開資料
              )

    categories = (categories
                  or set(themes.category[themes.category.str.find(':') == -1]))

    def calc_rank(ind):
        stock_ids = themes.stock_id[themes.category == ind]
        return (self[list(stock_ids)].pipe(lambda self: self.rank(axis=1, pct=True)))

    return (pd.concat([calc_rank(ind) for ind in categories], axis=1)
            .groupby(level=0, axis=1).mean())

is_entry

is_entry()

進場點

取進場訊號點,若符合條件的值則為True,反之為False。 Returns: (pd.DataFrame): data Examples: 策略為每日收盤價前10高,取進場點。

from finlab import data
data.get('price:收盤價').is_largest(10).is_entry()

Source code in finlab/dataframe.py
def is_entry(self):
    """進場點

    取進場訊號點,若符合條件的值則為True,反之為False。
    Returns:
      (pd.DataFrame): data
    Examples:
      策略為每日收盤價前10高,取進場點。
        ```py
        from finlab import data
        data.get('price:收盤價').is_largest(10).is_entry()
        ```
    """
    return (self & ~self.shift(fill_value=False))

is_exit

is_exit()

出場點

取出場訊號點,若符合條件的值則為 True,反之為 False。 Returns: (pd.DataFrame): data Examples: 策略為每日收盤價前10高,取出場點。

from finlab import data
data.get('price:收盤價').is_largest(10).is_exit()

Source code in finlab/dataframe.py
def is_exit(self):
    """出場點

    取出場訊號點,若符合條件的值則為 True,反之為 False。
    Returns:
      (pd.DataFrame): data
    Examples:
      策略為每日收盤價前10高,取出場點。
        ```py
        from finlab import data
        data.get('price:收盤價').is_largest(10).is_exit()
        ```
    """
    return (~self & self.shift(fill_value=False))

is_largest

is_largest(n)

取每列前 n 筆大的數值

若符合 True ,反之為 False 。用來篩選每天數值最大的股票。

is-largest Args: n (positive-int): 設定每列前 n 筆大的數值。 Returns: (pd.DataFrame): data Examples: 每季 ROA 前 10 名的股票

from finlab import data

roa = data.get('fundamental_features:ROA稅後息前')
good_stocks = roa.is_largest(10)

Source code in finlab/dataframe.py
def is_largest(self, n):
    """取每列前 n 筆大的數值

    若符合 `True` ,反之為 `False` 。用來篩選每天數值最大的股票。

    <img src="https://i.ibb.co/8rh3tbt/is-largest.png" alt="is-largest">
    Args:
      n (positive-int): 設定每列前 n 筆大的數值。
    Returns:
      (pd.DataFrame): data
    Examples:
        每季 ROA 前 10 名的股票
        ```py
        from finlab import data

        roa = data.get('fundamental_features:ROA稅後息前')
        good_stocks = roa.is_largest(10)
        ```
    """
    return self.astype(float).apply(lambda s: s.nlargest(n), axis=1).reindex_like(self).notna()

is_smallest

is_smallest(n)

取每列前 n 筆小的數值

若符合 True ,反之為 False 。用來篩選每天數值最小的股票。 Args: n (positive-int): 設定每列前 n 筆小的數值。 Returns: (pd.DataFrame): data Examples: 股價淨值比最小的 10 檔股票

from finlab import data

pb = data.get('price_earning_ratio:股價淨值比')
cheap_stocks = pb.is_smallest(10)

Source code in finlab/dataframe.py
def is_smallest(self, n):
    """取每列前 n 筆小的數值

    若符合 `True` ,反之為 `False` 。用來篩選每天數值最小的股票。
    Args:
      n (positive-int): 設定每列前 n 筆小的數值。
    Returns:
      (pd.DataFrame): data
    Examples:
        股價淨值比最小的 10 檔股票
        ```py
        from finlab import data

        pb = data.get('price_earning_ratio:股價淨值比')
        cheap_stocks = pb.is_smallest(10)
        ```
    """
    return self.astype(float).apply(lambda s: s.nsmallest(n), axis=1).reindex_like(self).notna()

quantile_row

quantile_row(c)

股票當天數值分位數

取得每列c定分位數的值。 Args: c (positive-int): 設定每列 n 定分位數的值。 Returns: (pd.DataFrame): data Examples: 取每日股價前90%分位數

from finlab import data
data.get('price:收盤價').quantile_row(0.9)

Source code in finlab/dataframe.py
def quantile_row(self, c):
    """股票當天數值分位數

    取得每列c定分位數的值。
    Args:
      c (positive-int): 設定每列 n 定分位數的值。
    Returns:
      (pd.DataFrame): data
    Examples:
        取每日股價前90%分位數
        ```py
        from finlab import data
        data.get('price:收盤價').quantile_row(0.9)
        ```
    """
    s = self.index_str_to_date().quantile(c, axis=1)
    return s

rise

rise(n=1)

數值上升中

取是否比前第n筆高,若符合條件的值則為True,反之為False。 Screen-Shot-2021-10-26-at-6-43-41-AM Args: n (positive-int): 設定比較前第n筆高。 Returns: (pd.DataFrame): data Examples: 收盤價是否高於10日前股價

from finlab import data
data.get('price:收盤價').rise(10)

Source code in finlab/dataframe.py
def rise(self, n=1):
    """數值上升中

    取是否比前第n筆高,若符合條件的值則為True,反之為False。
    <img src="https://i.ibb.co/Y72bN5v/Screen-Shot-2021-10-26-at-6-43-41-AM.png" alt="Screen-Shot-2021-10-26-at-6-43-41-AM">
    Args:
      n (positive-int): 設定比較前第n筆高。
    Returns:
      (pd.DataFrame): data
    Examples:
        收盤價是否高於10日前股價
        ```py
        from finlab import data
        data.get('price:收盤價').rise(10)
        ```
    """
    return self > self.shift(n)

sustain

sustain(nwindow, nsatisfy=None)

持續 N 天滿足條件

取移動 nwindow 筆加總大於等於nsatisfy,若符合條件的值則為True,反之為False。

PARAMETER DESCRIPTION
nwindow

設定移動窗格。

TYPE: positive - int

nsatisfy

設定移動窗格計算後最低滿足數值。

TYPE: positive - int DEFAULT: None

Returns: (pd.DataFrame): data Examples: 收盤價是否連兩日上漲

from finlab import data
data.get('price:收盤價').rise().sustain(2)

Source code in finlab/dataframe.py
def sustain(self, nwindow, nsatisfy=None):
    """持續 N 天滿足條件

    取移動 nwindow 筆加總大於等於nsatisfy,若符合條件的值則為True,反之為False。

    Args:
      nwindow (positive-int): 設定移動窗格。
      nsatisfy (positive-int): 設定移動窗格計算後最低滿足數值。
    Returns:
      (pd.DataFrame): data
    Examples:
        收盤價是否連兩日上漲
        ```py
        from finlab import data
        data.get('price:收盤價').rise().sustain(2)
        ```
    """
    nsatisfy = nsatisfy or nwindow
    return self.rolling(nwindow).sum() >= nsatisfy