【手把手教你】玩转Python量化金融工具之NumPy

浏览: 144

作者: CuteHand

金融学博士,专注于Python在金融领域的应用
微信公众号:Python金融量化(ID: tkfy920)
 

一切事物的开头总是困难这句话,在任何一种科学上都是适用的。——马克思


前言

“手把手教你”系列将为Python初学者一一介绍Python在量化金融中运用最广泛的几个库(Library): NumPy(数组、线性代数)、SciPy(统计)、pandas(时间序列、数据分析)、matplotlib(可视化分析)。建议安装Anaconda软件(自带上述常见库),并使用Jupyter Notebook交互学习。

1、使用“import”命令导入numpy库

import numpy as np

2、生成数组,使用命令np.array(),括号里的数据类型为系列(list)

a=[1,2,3,4,5,6,7,8]             #a是系列(list)
b=np.array(a)           #b是数组
print(a,b)              #打印a和b
print(type(a),type(b))  #查看a和b的类型

[12345678] [1 2 3 4 5 6 7 8]
<class 'list'> <class 'numpy.ndarray'>

对数组进行操作:

b=b.reshape(2,4)      #改变数组的维度
print(b)              #从原来的1x8变成2x4 (两行四列)
#元素访问
print("取第1行第2列元素:",b[1][2])  #注意是从0行0列开始数!!!

[[1 2 3 4]
 [5 6 7 8]]

取第1行第2列元素: 7

变成三维数组:

c=b.reshape(2,2,2)
print(c)

[[[1 2]
  [3 4]]

 [[5 6]
  [7 8]]]

特殊的数组有特别定制的命令生成,如零和1矩阵:

d=(3,4)
print(np.zeros(d))          #零矩阵
print(np.ones(d))
#默认生成的类型是浮点型,可以通过指定类型改为整型
print(np.ones(d,dtype=int))

[[ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]
 [ 0.  0.  0.  0.]]
[[ 1.  1.  1.  1.]
 [ 1.  1.  1.  1.]
 [ 1.  1.  1.  1.]]
[[1 1 1 1]
 [1 1 1 1]
 [1 1 1 1]]

3、常用函数

arange指定范围和数值间的间隔生成 array,注意范围包左不包右

注意:系统自带的range生成的是tupe,要产生list需要使用循环取出元素

#使用range产生list
L=[i for i in a]
print(L)

[12345678]

b=np.arange(10)     #注意包含0,不包含10
c=np.arange(0,10,2#2表示间隔
d=np.arange(1,10,3#3表示间隔
print(b,c,d)

[0 1 2 3 4 5 6 7 8 9] [0 2 4 6 8] [1 4 7]

金融分析常常需要产生随机数,Numpy的random函数派上用场。均匀分布:

a=np.random.rand(3,4)      #创建指定为3行4列)的数组(范围在0至1之间)
b=np.random.uniform(0,100#创建指定范围内的一个数
c=np.random.randint(0,100#创建指定范围内的一个整数
print("创建指定为3行4列)的数组:\n",a)   #\n 表示换行
print("创建指定范围内的一个数:%.2f" %b) #%.2f 表示结果保留2位小数
print("创建指定范围内的一个整数:",c)

创建指定为34列)的数组:
 [[ 0.41381256  0.92295862  0.93350059  0.78374808]
 [ 0.71077228  0.27084757  0.50303507  0.46643957]
 [ 0.39789158  0.93730999  0.24616428  0.43307303]]

创建指定范围内的一个数:66.05
创建指定范围内的一个整数: 77

正态分布

给定均值/标准差/维度的正态分布np.random.normal(u, r, (x, y)) 数组的索引

#正态生成3行4列的二维数组
a= np.random.normal(1.53, (34))  #均值为1.5,标准差为3
print(a)
# 截取第1至2行的第2至3列(从第0行、0列算起算起)
b = a[1:32:4]
print("截取第1至2行的第2至3列: \n",b)

[[-0.77790783  7.09340234  3.46848684  3.13337912]
 [-1.98384413  4.14324286  3.98562892  3.58336292]
 [-0.80908369 -0.23560019 -0.67037947  2.25007073]]

截取第12行的第23列: 
 [[ 3.98562892  3.58336292]
 [-0.67037947  2.25007073]]

4、数组ndarray 运算

元素之间依次相加、减、乘、除;统计运算

a = np.array([1,2,3,4]) #1行4列
b = np.array(2)         #只有一个元素
a - b,a+b

(array([-1,  0,  1,  2]), array([3456]))

python的次方使用**实现:

  File "<ipython-input-12-d58dcb39be5e>", line 1
    python的次方使用**实现:
                   ^
SyntaxError: invalid character in identifier

a**2  #二次方,a里元素的平方

array([ 1,  4,  916], dtype=int32)

np.sqrt(a)  #开根号

array([ 1.        ,  1.41421356,  1.73205081,  2.        ])

np.exp(a)  #e 求方

array([  2.71828183,   7.3890561 ,  20.08553692,  54.59815003])

np.floor(10*np.random.random((2,2))) #向下取整

array([[ 1.,  8.],
       [ 6.,  5.]]
)

a.resize(2,2#变换结构
a

array([[1, 2],
       [3, 4]]
)

统计运算:

需要知道二维数组的最大最小值怎么办?想计算全部元素的和、按行求和、按列求和怎么办?NumPy的ndarray类已经做好函数了

a=np.arange(20).reshape(4,5)
print("原数组a:\n",a)
print("a全部元素和: ", a.sum())
print("a的最大值: ", a.max())
print("a的最小值: ", a.min())
print("a每行的最大值: ", a.max(axis=1))  #axis=1代表行
print("a每列的最大值: ", a.min(axis=0))  #axis=0代表列
print("a每行元素的求和: ", a.sum(axis=1)) 
print("a每行元素的均值:",np.mean(a,axis=1))
print("a每行元素的标准差:",np.std(a,axis=1))

原数组a:
 [[ 0  1  2  3  4]
 [ 5  6  7  8  9]
 [10 11 12 13 14]
 [15 16 17 18 19]]
a全部元素和:  190
a的最大值:  19
a的最小值:  0
a每行的最大值:  [ 4  9 14 19]
a每列的最大值:  [0 1 2 3 4]
a每行元素的求和:  [10 35 60 85]
a每行元素的均值: [  2.   7.  12.  17.]
a每行元素的标准差: [ 1.41421356  1.41421356  1.41421356  1.41421356]

5、矩阵及其运算

A = np.array([[0,1], [1,2]])  #数组
B = np.array([[2,5],[3,4]])   #数组
print("对应元素相乘:\n",A*B)
print("矩阵点乘:\n",A.dot(B))
print("矩阵点乘:\n",np.dot(A,B))  #(M行, N列) * (N行, Z列) = (M行, Z列)
print("横向相加:\n",np.hstack((A,B)))
print("纵向相加:\n",np.vstack((A,B)))

对应元素相乘:
 [[0 5]
 [3 8]]

矩阵点乘:
 [[ 3  4]
 [ 8 13]]

矩阵点乘:
 [[ 3  4]
 [ 8 13]]

横向相加:
 [[0 1 2 5]
 [1 2 3 4]]

纵向相加:
 [[0 1]
 [1 2]
 [2 5]
 [3 4]]

数组可以通过asmatrix或者mat转换为矩阵,或者直接生成也可以

A=np.arange(6).reshape(2,3)
A=np.asmatrix(A)                        #将数组转化成矩阵
print (A)
B=np.matrix('1.0 2.0 3.0;4.0 5.0 6.0')  #直接生成矩阵
print(B)

[[0 1 2]
 [3 4 5]]
[[ 1.  2.  3.]
 [ 4.  5.  6.]]

A*B.T    #A和B已经是矩阵了,但A的列要与B的行相等才能相乘,对B进行转置(B.T)

matrix([[  8.,  17.],
        [ 26.,  62.]]
)

线性代数运算

矩阵求逆:

import numpy.linalg as nlg  #线性代数函数
import numpy as np
a=np.random.rand(2,2)
a=np.mat(a)
print(a)
ia=nlg.inv(a)
print("a的逆:\n",ia)

[[ 0.05263888  0.6813566 ]
 [ 0.81685383  0.02770063]]

a的逆:
 [[-0.04990111  1.22742491]
 [ 1.47151541 -0.09482594]]

求特征值和特征向量

a=np.array([2,4,3,9,1,4,3,4,2]).reshape(3,3)  
eig_value,eig_vector=nlg.eig(a)
print("特征值:",eig_value)
print("特征向量:",eig_vector)

特征值: [ 10.48331477  -4.48331477  -1.        ]
特征向量: [[-0.50772731 -0.36224208 -0.28571429]
 [-0.69600716  0.85881392 -0.42857143]
 [-0.50772731 -0.36224208  0.85714286]]

实例分析:假设股票收益率服从正态分布,使用numpy产生正态分布随机数,模拟股票收益率,并采用正态分布策略进行交易。

假设有2000只股票,一年股市共250个交易日。一年365天-全民法定节假日=365-每周双休日*52-节日放假日  (国庆3天+春节3天+劳动节、元旦、清明、端午、中秋共11天)=365-104-11=250日,产生2000x500的数组。

stocks = 2000   # 2000支股票
days =  500  # 两年大约500个交易日
# 生成服从正态分布:均值期望=0,标准差=1的序列

stock_day = np.random.standard_normal((stocks, days))   
print(stock_day.shape)   #打印数据组结构
# 打印出前五只股票,头五个交易日的涨跌幅情况
print(stock_day[0:5, :5])

(2000500)
[[-0.07551455  0.29357958 -0.30444034  1.92766721 -0.23077118]
 [-0.10149728 -0.66709552  1.53380182 -0.27389357 -0.96988518]
 [ 0.53005545  1.12241132  0.49236533 -0.67694298  0.67307296]
 [-0.199584    0.47197832 -0.25854041  0.16278091  0.68747893]
 [-0.74029997  0.25514721 -0.69150807 -1.9827364  -0.49419039]]

正态分布买入策略:

# 保留后250天的随机数据作为策略验证数据
keep_days = 250
# 统计前450, 切片切出0-250day,days = 500
stock_day_train = stock_day[:,0:days - keep_days]
# 打印出前250天跌幅最大的三支,总跌幅通过np.sum计算,np.sort对结果排序
print(np.sort(np.sum(stock_day_train, axis=1))[:3])
# 使用np.argsort针对股票跌幅进行排序,返回序号,即符合买入条件的股票序号
stock_lower = np.argsort(np.sum(stock_day_train, axis=1))[:3]
# 输出符合买入条件的股票序号
stock_lower

[-48.47837792 -47.2409051  -46.15811624]

array([134813761325], dtype=int64)

封装函数plot_buy_lower()可视化选中的前3只跌幅最大的股票前450走势以及从第454日买入后的走势

import matplotlib.pyplot as plt  #引入画图库
%matplotlib inline               
#python定义函数使用def 函数名:然后enter
def buy_lower(stock):
    #设置一个一行两列的可视化图表
    _, axs=plt.subplots(nrows=1,ncols=2,figsize=(16,5))

    #绘制前450天的股票走势图,np.cumsum():序列连续求和
    axs[0].plot(np.arange(0,days-keep_days),
               stock_day_train[stock].cumsum())

    #从第250天开始到500天的股票走势
    buy=stock_day[stock][days-keep_days:days].cumsum()
    #绘制从第450天到500天中股票的走势图
    axs[1].plot(np.arange(days-keep_days,days),buy)
    #返回从第450天开始到第500天计算盈亏的盈亏序列的最后一个值
    return buy[-1]

#假设等权重地买入3只股票
profit=0  #盈亏比例
#遍历跌幅最大的3只股票序列序号序列
for stock in stock_lower:
    #profit即三只股票从第250天买入开始计算,直到最后一天的盈亏比例
    profit+=buy_lower(stock)
    print("买入第{}只股票,从第250个交易日开始持有盈亏:{:.2f}%".format(stock,profit))

买入第1348只股票,从第250个交易日开始持有盈亏:32.69%
买入第1376只股票,从第250个交易日开始持有盈亏:15.69%
买入第1325只股票,从第250个交易日开始持有盈亏:16.40%

Python的爱好者社区历史文章大合集

Python的爱好者社区历史文章列表

福利:文末扫码立刻关注公众号,“Python爱好者社区”,开始学习Python课程:

关注后在公众号内回复“ 课程 ”即可获取

小编的转行入职数据科学(数据分析挖掘/机器学习方向)【最新免费】

小编的Python的入门免费视频课程

小编的Python的快速上手matplotlib可视化库!

崔老师爬虫实战案例免费学习视频。

陈老师数据分析报告扩展制作免费学习视频。

玩转大数据分析!Spark2.X + Python精华实战课程免费学习视频。

推荐 1
本文由 Python爱好者社区 创作,采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。
转载、引用前需联系作者,并署名作者且注明文章出处。
本站文章版权归原作者及原出处所有 。内容为作者个人观点, 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台,并不用于任何商业目的,如果有任何问题,请及时联系我们,我们将根据著作权人的要求,立即更正或者删除有关内容。本站拥有对此声明的最终解释权。

0 个评论

要回复文章请先登录注册