作者： CuteHand

金融学博士，专注于Python在金融领域的应用

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。

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]
<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)[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 "<ipython-input-12-d58dcb39be5e>", line 1python的次方使用**实现：^
SyntaxError: invalid character in identifiera**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
aarray([[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%

推荐阅读：

1.市面上经典的量化交易策略都在这里了！

2.期货/股票数据大全查询（历史/实时/Tick/财务等）

3.学习Python量化有哪些书籍？这里有一份书单送给你

4.量化交易领域最重要的10本参考书推荐！

5.如何设计量化交易策略？

玩转Python量化金融工具之NumPy相关推荐

送书 | 新书《Python量化金融编程从入门到精通》
又到了每周三的送书时刻啦!今天给大家带来的是<Python量化金融编程从入门到精通>! (文末查看送书规则) 查看全文 http://www.taodudu.cc/news/s ...
【2022·合辑】Python量化从入门到精通
引言 Annual work summary LOREM IPSUM 春去秋来,"Python金融量化"已坚持了四个年头,全网关注量10万+.在公众号阅读量急剧下降,短视频盛行的当 ...
【收藏】2020年Python量化文章合辑
引言 Annual work summary Lorem Ipsum 不知不觉,公众号"Python金融量化"已走过两个年头.这一路走来非常感谢读者的支持,尤其是知识星球圈友,你们 ...
python 量化分析入门_【合辑·收藏】Python量化从入门到精通
原标题:[合辑·收藏]Python量化从入门到精通引言自2018年9月27日发第一篇推文以来,公众号"Python金融量化"专注于分享Python在金融量化领域的实战应用,坚持 ...
你应该知道的21大Python量化交易工具
技术可用性的快速增长使个人交易者也能够进行系统和算法交易.下面为大家分享2022年 Python 量化交易使用最广泛的21大交易平台和框架.经纪自营商.数据提供商和其他有用的交易库等,这些交易库适用于 ...
python中df head_10招！看骨灰级Pythoner如何玩转Python
原标题:10招!看骨灰级Pythoner如何玩转Python pandas是基于numpy构建的,使数据分析工作变得更快更简单的高级数据结构和操作工具.本文为大家带来10个玩转Python的小技巧,学 ...
用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果（含量化验证交易策略代码）...
在用python的matplotlib和numpy库绘制股票K线均线的整合效果(含从网络接口爬取数据和验证交易策略代码)一文里,我讲述了通过爬虫接口得到股票数据并绘制出K线均线图形的方式,在本文里,将 ...
用python画股票分时图 github_用python的matplotlib和numpy库绘制股票K线均线和成交量的整合效果（含量化验证交易策略代码）...
在用python的matplotlib和numpy库绘制股票K线均线的整合效果(含从网络接口爬取数据和验证交易策略代码)一文里,我讲述了通过爬虫接口得到股票数据并绘制出K线均线图形的方式,在本文里,将 ...
python 量化交易_基于Python的量化交易工具清单(上）
-- Python量化工具清单 -- 以下内容来源于Wilson Freitas的Github项目"Awesome Quant".原文中包含了丰富的语言类别,但是后续介绍主要针对P ...

玩转Python量化金融工具之NumPy

前言