直接用np.cumprod(1 + returns)是最简方案，因其精确对应复利连乘本质：(1+r₁)×(1+r₂)×…×(1+rₙ)，输出逐日累积增值因子，减1即得累计收益率。
为什么直接用 np.cumprod(1 + returns) 是最简方案
金融资产的累积收益率本质是复利连乘：每天收益叠加在前一日本金上，数学形式就是 (1+r₁)×(1+r₂)×…×(1+rₙ)。NumPy 的 np.cumprod 正好计算累计乘积，所以对日收益率数组 returns，np.cumprod(1 + returns) 直接产出从起点开始的逐日累积增值因子（即每单位初始资金在各时点的价值）。
常见错误是误用 np.cumsum——那是算简单累加，不反映复利；或者漏加 1，把收益率当增长因子用，导致结果整体偏小一个数量级。
- 输入
returns必须是浮点数数组，不能含NaN或无穷值，否则np.cumprod会传播nan - 若需从 1 开始（即首日为基准=1.0），确保
returns[0]是第 1 天相对于第 0 天的收益率，而非第 0 天自身 - 输出是增值因子序列，要转成收益率需减 1：
np.cumprod(1 + returns) - 1
处理缺失值和非交易日的三种典型场景
真实金融数据常有停牌、休市或数据缺失，np.cumprod 对 NaN 零容忍：一旦遇到就让后续全变 nan。必须提前干预。
- 用
pd.Series(returns).fillna(0).values将缺失日视作零收益（最常用，符合“无交易则无变动”逻辑） - 用前向填充：
pd.Series(returns).ffill().values，适用于短期停牌但你假设价格不变 - 严格剔除：
returns = returns[~np.isnan(returns)]，但会破坏时间对齐，仅适用于纯计算、不要求日期索引的场景
注意：别用 np.nan_to_num(returns, nan=0) 直接替换——它会把 inf 也强行转 0，而极端收益率（如涨跌停）可能产生 inf，应先检查分布。
立即学习“Python免费学习笔记（深入）”；
np.cumprod 和手动循环/累计乘积的性能差异有多大
在万级长度以上，np.cumprod 比 Python 循环快 50–100 倍，且内存连续、无解释器开销。但它不是“绝对最优”：
- 若只关心最终累积值（而非全过程），用
np.prod(1 + returns)更快，少存中间数组 - 若需滚动窗口累积（如近 250 天复利），
np.cumprod不适用，得用scipy.ndimage.uniform_filter1d配合对数变换，或改用pandas.Series.rolling().apply(lambda x: np.prod(1+x)) - 对超长序列（千万级），
np.cumprod可能因浮点误差累积导致末尾精度漂移，此时应分段计算并拼接
和 pandas 的 cumprod 方法有什么关键区别
NumPy 版本返回纯 ndarray，pandas 版本（Series.cumprod()）保留索引、自动对齐、支持 skipna 参数，默认行为更“金融友好”。但底层都调用相同 C 实现，性能几乎一致。
- 用 NumPy：适合已清洗好、无索引依赖的批处理，比如回测引擎内核
- 用 pandas：适合带日期索引的分析流程，
df['ret'].cumprod()直接继承df.index，省去对齐麻烦 - 混用风险：
np.cumprod(df['ret'].values)丢弃索引；反过来pd.Series(np_array).cumprod()又多一次包装开销
真正容易被忽略的是起始点语义：np.cumprod([1.01, 1.02]) 输出 [1.01, 1.0302]，代表第 1 天末和第 2 天末的值；但很多人期望首元素是 1.0（初始状态）。这需要手动 prepend：np.concatenate([[1.0], np.cumprod(1 + returns)])——这个细节在画净值曲线时错一位，整条线就偏了。
