Aggregating stats

[andreas-vester]

I set up a portfolio backtest using different values for two input parameters (mlr_window and sma_window), splitting the dataset using vbt.rolling_split, and differentiating between long_only, short_only, and both.

Here's the from_orders function with the actual grouping:

    group_by = ["direction", "split_idx", "mlr_window", "sma_window"]

    port = vbt.Portfolio.from_orders(
        close=_price,
        size=size,
        size_type="targetpercent",
        price=split_close,
        direction=_price.columns.get_level_values("direction").values,
        call_seq="auto",
        cash_sharing=True,
        group_by=group_by,
        freq=conf.freq,
    )

Here are the final columns

>>> port.wrapper.columns

Out[1]: 
MultiIndex([('long_only', 0, 50, 100, 0.08333333333333333,   'BCEX1T Index'),
            ('long_only', 0, 50, 100, 0.08333333333333333, 'BCOMEUTR Index'),
            ('long_only', 0, 50, 100, 0.08333333333333333,      'DAX Index'),
            ('long_only', 0, 50, 100, 0.08333333333333333, 'IDCOT20T Index'),
            ('long_only', 0, 50, 100, 0.08333333333333333, 'JPEICORE Index'),
            ('long_only', 0, 50, 100, 0.08333333333333333, 'LECPTREU Index'),
            ('long_only', 0, 50, 100, 0.08333333333333333,  'NDUEEGF Index'),
            ('long_only', 0, 50, 100, 0.08333333333333333,      'NDX Index'),
            ('long_only', 0, 50, 100, 0.08333333333333333,    'NEPRA Index'),
            ('long_only', 0, 50, 100, 0.08333333333333333,     'RXR1 Index'),
            ...
            (     'both', 4, 60, 150, 0.08333333333333333,      'DAX Index'),
            (     'both', 4, 60, 150, 0.08333333333333333, 'IDCOT20T Index'),
            (     'both', 4, 60, 150, 0.08333333333333333, 'JPEICORE Index'),
            (     'both', 4, 60, 150, 0.08333333333333333, 'LECPTREU Index'),
            (     'both', 4, 60, 150, 0.08333333333333333,  'NDUEEGF Index'),
            (     'both', 4, 60, 150, 0.08333333333333333,      'NDX Index'),
            (     'both', 4, 60, 150, 0.08333333333333333,    'NEPRA Index'),
            (     'both', 4, 60, 150, 0.08333333333333333,     'RXR1 Index'),
            (     'both', 4, 60, 150, 0.08333333333333333,     'SCXR Index'),
            (     'both', 4, 60, 150, 0.08333333333333333, 'SPTR500N Index')],
           names=['direction', 'split_idx', 'mlr_window', 'sma_window', 'weights', 'symbol'], length=720)

I've got some questions regarding grouping/indexing/aggregating.

Let's take the annualized returns as a first example:

In[2]: port.annualized_return()
Out[2]: 
direction   split_idx  mlr_window  sma_window
long_only   0          50          100           0.059011
            1          50          100           0.089643
            2          50          100           0.068960
            3          50          100           0.057498
            4          50          100           0.037842
            0          50          150           0.058997
            1          50          150           0.085724
            2          50          150           0.066986
            3          50          150           0.059971
            4          50          150           0.033407
            0          60          100           0.091044
            1          60          100           0.110960
            2          60          100           0.073759
            3          60          100           0.051248
            4          60          100           0.024541
            0          60          150           0.087902
            1          60          150           0.109632
            2          60          150           0.075273
            3          60          150           0.059779
            4          60          150           0.019794
short_only  0          50          100          -0.018165
            1          50          100          -0.011466
            2          50          100          -0.006273
            3          50          100          -0.033180
            4          50          100          -0.054025
            0          50          150          -0.013421
            1          50          150          -0.015809
            2          50          150          -0.008907
            3          50          150          -0.031057
            4          50          150          -0.055050
            0          60          100           0.009001
            1          60          100           0.002389
            2          60          100          -0.006543
            3          60          100          -0.047588
            4          60          100          -0.056066
            0          60          150           0.004798
            1          60          150           0.003478
            2          60          150          -0.006805
            3          60          150          -0.044812
            4          60          150          -0.060561
both        0          50          100           0.042314
            1          50          100           0.080543
            2          50          100           0.064431
            3          50          100           0.022056
            4          50          100          -0.018626
            0          50          150           0.046329
            1          50          150           0.071161
            2          50          150           0.059413
            3          50          150           0.026190
            4          50          150          -0.024003
            0          60          100           0.102485
            1          60          100           0.116376
            2          60          100           0.069810
            3          60          100           0.004652
            4          60          100          -0.030377
            0          60          150           0.094820
            1          60          150           0.116064
            2          60          150           0.069765
            3          60          150           0.014625
            4          60          150          -0.039676
Name: annualized_return, dtype: float64

(How) is it possible to, let's say, compute the mean for all split_idx for every distinct mlr_window and sma_window parameter combination [(50, 100), (50, 150), (60, 100), (60, 150)]? That would reduce the number of rows to 12 (four avg. ann. returns per direction).
Or how can I compute the min/max ann. return per direction?

How would I perform these aggregations when I am using port.stats()?

[polakowo]

@andreas-vester use Pandas, there is a reason why vectorbt returns a multi-index (you're interested in group_by). In stats you can pass agg_func=None to return a DataFrame, which you can analyze with Pandas as well.