终值英文怎么写？

Posted 2023-05-10

终值英文可用final quantity或是terminal value表达，读音为[ˈfaɪnl] [ˈkwɑːntəti]，[ˈtɜːrmɪnl] [ˈvæljuː]。

重点词汇解释：

1、final

adj. 最终的；决定性的；不可更改的

n. 决赛；期末考试；当日报纸的末版

双语例句：

The judges' decision is final.

该法官的判决是不可更改的。

2、quantity

n. 量，数量；大量；总量

双语例句：

They aim at quality rather than quantity. 

他们的目的在于提高质量而不是增加数量。

扩展资料：

1、final的用法：

final用作形容词的基本意思是最后的，最终的，在句中常作定语；还可指决定性的，确定性的，在句中多用作表语。

final是表示极限意义的形容词，没有比较级和最高级形式。

final用作名词的基本意思决赛，也可指大学的期终考试。通常用复数形式，但特指某一次具体的期终考试或决赛时，也可用单数。

final有时还可指（当天报纸的）最后一版。

2、quantity的用法：

quantity表示数量时，如果是指相对于质量来说的数量，则为不可数名词。

quantity如果指具体的数量，一般为可数名词，这时可以连用不定冠词或者用复数形式；如果要表示数量的多少，则可以用 great，large，huge或者small等形容词修饰。quantity既可以用于修饰不可数名词，也可以用于修饰复数名词。

参考技术A

译文：final value

重点词汇：value

英［＇vælju：］

释义：

n.值；价值；价格；重要性；确切涵义

vt.评价；重视；估价

［复数：values；第三人称单数：values；现在分词：valuing；过去式：valued；过去分词：valued］

短语：

absolute value［数］绝对值；实值；绝对价值；绝对于值

扩展资料：

词语使用变化：final

adj.（形容词）

1、final用作形容词的基本意思是“最后的，最终的”，在句中常作定语；还可指“决定性的，确定性的”，在句中多用作表语。

2、final是表示极限意义的形容词，没有比较级和最高级形式。

n.（名词）

1、final用作名词的基本意思“决赛”，也可指大学的“期终考试”。通常用复数形式，但特指某一次具体的“期终考试”或“决赛”时，也可用单数。

2、final有时还可指“（当天报纸的）最后版”。

在固定利率支出后，提高寻找投资组合终值的速度

我有一个pd.DataFrame的回报系列对应多年，固定支出率为5％。我希望在每年支出后找到结束的投资组合价值。 val_after_spending年度t等于t val_before_spending年平均值t-1 val_after_spending乘以支出率。第一年，val_after_spending的t-1假定为1。

我现在有一个工作实现（下面），但它非常慢。有更快的方法来实现这个吗？

import pandas as pd
import numpy as np   
port_rets = pd.DataFrame({'port_ret': [.10,-.25,.15]})

spending_rate = .05

for index, row in port_rets.iterrows():
    if index != 0:
        port_rets.at[index, 'val_before_spending'] = port_rets['val_after_spending'][index - 1] * (1 + port_rets['port_ret'][index])
        port_rets.at[index, 'spending'] = np.mean([port_rets['val_after_spending'][index - 1], port_rets['val_before_spending'][index]]) * spending_rate 
    else:
        port_rets.at[index, 'val_before_spending'] = 1 * (1 + port_rets['port_ret'][index])
        port_rets.at[index, 'spending'] = np.mean([1, port_rets['val_before_spending'][index]]) * spending_rate

    port_rets.at[index, 'val_after_spending'] = port_rets['val_before_spending'][index] - port_rets['spending'][index]

#   port_ret    val_before_spending spending    val_after_spending
#0  0.100000    1.100000            0.052500    1.047500
#1  -0.250000   0.785625            0.045828    0.739797
#2  0.150000    0.850766            0.039764    0.811002

答案

您在代码中与pandas非常密切地接触，就性能而言，这似乎是个坏主意。为了使其易于使用，大熊猫需要进行大量的簿记，这会导致性能降低。

我们在numpy中进行所有计算，然后获得所有构建块，最后构建数据帧。因此，代码转换为：

def get_vals(rates, spending_rate):
    n = len(rates)
    vals_after_spending = np.zeros((n+1, ))
    vals_before_spending = np.zeros((n+1, ))

    vals_after_spending[0] = 1.0

    for i in range(n):
        vals_before_spending[i+1] = vals_after_spending[i] * (1 + rates[i])

        spending = np.mean(np.array([vals_after_spending[i], vals_before_spending[i+1]])) * spending_rate
        vals_after_spending[i+1] = vals_before_spending[i+1] - spending

    return vals_before_spending[1:], vals_after_spending[1:]

rates = np.array(port_rets["port_ret"].tolist())
vals_before_spending, vals_after_spending = get_vals(rates, spending_rate)
port_rets = pd.DataFrame({'port_ret': rates, "val_before_spending": vals_before_spending, "val_after_spending": vals_after_spending})

我们可以通过JIT编译代码来进一步改进，因为python循环很慢。下面我用numba：

import numba as nb
@nb.njit(cache=True)  # as easy as putting this decorator
def get_vals(rates, spending_rate):
    n = len(rates)
    vals_after_spending = np.zeros((n+1, ))
    vals_before_spending = np.zeros((n+1, ))

    # ... code remains same, we are just compiling the function

如果我们考虑这样的随机费率列表：

port_rets = pd.DataFrame({'port_ret': np.random.uniform(low=-1.0, high=1.0, size=(100000,))})

我们得到了性能比较：

你的代码：15.758s

get_vals：1.407s

JITed get_vals：0.093s（第二次运行到折扣编译时）