python在金融的应用（【手把手教你】玩转Python量化金融工具之NumPy）python初学 / python在金融科技中的应用...

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交互学习对于Python零基础的请关注公众号CuteHand，并回复Python入门，奉上Python的程序安装和入门应用指南。

对于Python的高阶学习，如数据分析挖掘、机器学习和量化投资，请继续关注公众号的动态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 [1, 2, 3, 4, 5, 6, 7, 8] [1 2 3 4 5 6 7 8]

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) [1, 2, 3, 4, 5, 6, 7, 8] 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3行4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(1.5, 3, (3, 4)) #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[1:3, 2:4] 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1至2行的第2至3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([3, 4, 5, 6])) python的次方使用**实现： File "", 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, 9, 16], 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]) (2000, 500) [[-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([1348, 1376, 1325], 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%