python金融接口_QuantLib 金融计算——自己动手封装 Python 接口（2）

目录

QuantLib 金融计算——自己动手封装 Python 接口(2)

概述

对于一项简单功能，通常只需要包装少数几个类就可以，正如《自己动手封装 Python 接口(1)》演示的那样。

下面，将演示如何包装 QuantLib 中的复杂功能，最终实现从固息债交易数据中估计期限结构模型的参数。

如何封装一项复杂功能？

经过一翻摸索后发现，要封装一项复杂功能，首先要找到最小功能集合，即这项功能直接或间接涉及的类和函数有哪些。然后，找到最小功能集合后再对涉及到的类或函数分别编写接口文件。最后，按照常规流程生成包装好的 Python 接口。

对于简单功能来说最小功能集合可能就是一两个类或函数。而对于复杂功能来说，寻找最小功能集合是一个递归的过程(A 用到 B，B 用到 C，…)，最终可能找到很多类或函数需要包装。

寻找最小功能集合的策略

寻找最小功能集合有一些经验性的方法，以“从固息债交易数据中估计期限结构模型的参数”这项功能为例：找到核心功能类，即 FittedBondDiscountCurve，最小功能集合要包含这个类、它的基类以及基类的基类，等等；

找到构造 FittedBondDiscountCurve 对象时涉及到一系列的类，例如 Calendar 和 FittingMethod 等，这些类、它们的基类以及基类的基类也要包含在最小功能集合中；

找到 FittedBondDiscountCurve 成员函数涉及到一系列的类，这些类、它们的基类以及基类的基类也要包含在最小功能集合中；

把第 2 和第 3 步递归地进行下去，直到最小功能集合中的类和函数不再增加。

需要注意的是，到现在为止最小功能集合中出现的类有的可以发挥实际作用，例如 Date；而有的只是充当接口的基类，例如 FittingMethod，对于这些情况，要把它们能够发挥实际作用的派生类包含进最小功能集合。

实践

QuantLib-SWIG 从 1.16 开始修改了智能指针的包装方式，为了和最新版本保持一致，这里以 QuantLib 1.17 的 SWIG 接口文件为基础做适当修改，删去一些冗余代码，用以包装 QuantLib 1.15 的接口。

官方发布的接口文件中 FittingMethod 的构造函数不能接受 OptimizationMethod 对象，也不能进行 \(L^2\) 正则化约束。在本次自定义的接口文件中扩展了构造函数的接口，克服上述局限。

估计期限结构参数

把《收益率曲线之构建曲线(5)》中的 C++ 代码翻译成 Python，验证封装后的接口是否可用。import QuantLibEx as qlx

print(qlx.__version__)

bondNum = 16

cleanPrice = [100.4941, 103.5572, 104.4135, 105.0056, 99.8335, 101.25, 102.3832, 97.0053,

99.5164, 101.2435, 104.0539, 101.15, 96.1395, 91.1123, 122.0027, 92.4369]

priceHandle = [qlx.QuoteHandle(qlx.SimpleQuote(p)) for p in cleanPrice]

issueYear = [1999, 1999, 2001, 2002, 2003, 1999, 2004, 2005,

2006, 2007, 2003, 2008, 2005, 2006, 1997, 2007]

issueMonth = [qlx.February, qlx.October, qlx.January, qlx.January, qlx.May, qlx.January, qlx.January, qlx.April,

qlx.April, qlx.September, qlx.January, qlx.January, qlx.January, qlx.January, qlx.July, qlx.January]

issueDay = [22, 22, 4, 9, 20, 15, 15, 26, 21, 17, 15, 8, 14, 11, 10, 12]

maturityYear = [2009, 2010, 2011, 2012, 2013, 2014, 2014, 2015,

2016, 2017, 2018, 2019, 2020, 2021, 2027, 2037]

maturityMonth = [qlx.July, qlx.January, qlx.January, qlx.July, qlx.October, qlx.January, qlx.July, qlx.July,

qlx.September, qlx.September, qlx.January, qlx.March, qlx.July, qlx.September, qlx.July, qlx.March]

maturityDay = [15, 15, 4, 15, 20, 15, 15, 15,

15, 15, 15, 15, 15, 15, 15, 15]

issueDate = []

maturityDate = []

for i in range(bondNum):

issueDate.append(

qlx.Date(issueDay[i], issueMonth[i], issueYear[i]))

maturityDate.append(

qlx.Date(maturityDay[i], maturityMonth[i], maturityYear[i]))

couponRate = [

0.04, 0.055, 0.0525, 0.05, 0.038, 0.04125, 0.043, 0.035,

0.04, 0.043, 0.0465, 0.0435, 0.039, 0.035, 0.0625, 0.0415]

# 配置 helper

frequency = qlx.Annual

dayCounter = qlx.Actual365Fixed(qlx.Actual365Fixed.Standard)

paymentConv = qlx.Unadjusted

terminationDateConv = qlx.Unadjusted

convention = qlx.Unadjusted

redemption = 100.0

faceAmount = 100.0

calendar = qlx.Australia()

today = calendar.adjust(qlx.Date(30, qlx.January, 2008))

qlx.Settings.instance().evaluationDate = today

bondSettlementDays = 0

bondSettlementDate = calendar.advance(

today,

qlx.Period(bondSettlementDays, qlx.Days))

instruments = []

maturity = []

for i in range(bondNum):

bondCoupon = [couponRate[i]]

schedule = qlx.Schedule(

issueDate[i],

maturityDate[i],

qlx.Period(frequency),

calendar,

convention,

terminationDateConv,

qlx.DateGeneration.Backward,

False)

helper = qlx.FixedRateBondHelper(

priceHandle[i],

bondSettlementDays,

faceAmount,

schedule,

bondCoupon,

dayCounter,

paymentConv,

redemption)

maturity.append(dayCounter.yearFraction(

bondSettlementDate, helper.maturityDate()))

instruments.append(helper)

accuracy = 1.0e-6

maxEvaluations = 5000

weights = qlx.Array()

# 正则化条件

l2Ns = qlx.Array(4, 0.5)

guessNs = qlx.Array(4)

guessNs[0] = 4 / 100.0

guessNs[1] = 0.0

guessNs[2] = 0.0

guessNs[3] = 0.5

l2Sv = qlx.Array(6, 0.5)

guessSv = qlx.Array(6)

guessSv[0] = 4 / 100.0

guessSv[1] = 0.0

guessSv[2] = 0.0

guessSv[3] = 0.0

guessSv[4] = 0.2

guessSv[5] = 0.15

optMethod = qlx.LevenbergMarquardt()

# 拟合方法

nsf = qlx.NelsonSiegelFitting(

weights, optMethod, l2Ns)

svf = qlx.SvenssonFitting(

weights, optMethod, l2Sv)

tsNelsonSiegel = qlx.FittedBondDiscountCurve(

bondSettlementDate,

instruments,

dayCounter,

nsf,

accuracy,

maxEvaluations,

guessNs,

1.0)

tsSvensson = qlx.FittedBondDiscountCurve(

bondSettlementDate,

instruments,

dayCounter,

svf,

accuracy,

maxEvaluations,

guessSv)

print("NelsonSiegel Results: \t", tsNelsonSiegel.fitResults().solution())

print("Svensson Results: \t\t", tsSvensson.fitResults().solution())

# NelsonSiegel Results: [ 0.0500803; -0.0105414; -0.0303842; 0.456529 ]

# Svensson Results: [ 0.0431095; -0.00716036; -0.0340932; 0.0391339; 0.228995; 0.117208 ]

修改官方接口文件

如果已经安装了 1.16 以后的 QuantLib，只要对官方接口文件稍加修改再重新包装 Python 接口，就可以扩展 FittingMethod 的构造函数，使其能接受 OptimizationMethod 对象，并能进行正则化。

以 NelsonSiegelFitting 为例，需要在 fittedbondcurve.i 文件中用class NelsonSiegelFitting : public FittingMethod {

public:

NelsonSiegelFitting(

const Array& weights = Array(),

boost::shared_ptr< OptimizationMethod > optimizationMethod = boost::shared_ptr< OptimizationMethod >(),

const Array &l2 = Array());

};

替换class NelsonSiegelFitting : public FittingMethod {

public:

NelsonSiegelFitting(const Array& weights = Array());

};

下一步的计划包装 QuantLibEx 中的几个期限结构模型；

scipy 的优化算法引擎要相较于 QuantLib 自身提供的要更丰富，尝试使 FittingMethod 能接受 scipy 的算法。

https://www.cnblogs.com/xuruilong100/p/12350548.html