用户交易数据分析 -最大回辙 O(1) O(n)实现

##定义

最大回撤率：在选定周期内任一历史时点往后推，产品净值走到最低点时的收益率回撤幅度的最大值。最大回撤用来描述买入产品后可能出现的最糟糕的情况

##计算公式

• 回辙
  $$draw\_down=\frac{当日净值-当日之前最大净值}{当日之前最大净值}$$
  ​

• 最大回辙

$$max\_draw\_down=max[\frac{(D_i-D_j)}{D_i})]=max(1-\frac{当日净值}{当日之前最高净值})$$

$D$为某一天的净值 ，$i$为某一天，$j$为$i$后面的某一天. $D_j$ 为$D_i$后面某一天的净值

##数据模型设计

统计时间	用户ID	窗口最大值	窗口起点	窗口终点	当前净值	窗口今日回撤值	窗口最大回撤
	a					=(当前净值 - 窗口最大值)/窗口最大值	max(窗口最大回撤T-1,窗口今日回撤值 )
	b
	c

SQL 实现

根据上面的数据模型 ，可以：

O(1)实现自然窗口最新一天的最大回辙

O(n) 实现滑动窗口最新一天的最大回辙

Python实现

$O(n^2)$

def get_max_drawdown_slow(array):
    drawdowns = []
    for i in range(len(array)):
        max_array = max(array[:i+1])
        drawdown = max_array - array[i]
        drawdowns.append(drawdown)
    return max(drawdowns)

$O(n)$

def get_max_drawdown_fast(array):
    drawdowns = []
    max_so_far = array[0]
    for i in range(len(array)):
        if array[i] > max_so_far:
            drawdown = 0
            drawdowns.append(drawdown)
            max_so_far = array[i]
        else:
            drawdown = max_so_far - array[i]
            drawdowns.append(drawdown)
    return max(drawdowns)

参考：O(n)复杂度实现最大回撤的计算