import numpy as np_量化投资必备技能一：NumPy数据处理

本文目标对象

零基础编程小白

读完本文你将收获

 开始用numpy解决学习工作中的具体问题

什么是Numpy

Numpy 是Python语言的一个基础库(library)，专为数据处理而生，是金融量化的必学工具。初入量化领域的你对高效处理金融数据一定充满憧憬，但遇到现实问题的时候，你却常常有如下的疑问：

或许你在纠结怎么处理金融数据处理？

或许你想知道怎么更快更有效率的运算数据？

或许你想知道怎么设计逻辑判断条件选股？

又或许你想了解Python不同库直接的交互关系？

那么，就让我们走进Numpy库，开始量化金融数据处理的第一步！

为什么要学Numpy

NumPy是python语言中使用最频繁的基础库之一，主要是进行各种数据计算处理，是每一个接触量化领域的人士必修之库。NumPy包含：

(1)一个强大的 N 维数组对象，对其进行数组、元素级的运算

(2)Numpy函数更加适应更加复杂的金融数据处理

(3)含有用于整合 C、C++、Fortran 代码的工具

(4)可实现线性代数、傅里叶变化、随机数生成等功能

(5)是SciPy和 Matplotlib等库的基础库，交互使用

以上都是一名合格的Quant必备技能。现在，让我们使用import语句导入numpy模块吧！

NumPy有哪些功能

数据创建

常规创建方式

np.array()函数，使用numpy中array函数将可迭代对象转化为ndarray类型以备后续计算

np.arange()函数，使用numpy中arange函数直接生成ndarray数据，运算逻辑类似range()内置函数。

np.arange(n)返回一个可产生从0到n(不含n)，步长为1数字的ndarray。

np.arange(a, b, s)返回一个可产生从a到b(不含b)，步长为s数字的ndarray。

创建特殊ndarray

np.ones生成一个形状如传入参数，元素均为1的ndarray。

np.random利用该模块内的函数生成形状如传入参数，元素符合对应分布的ndarray。

np.random.randn(a)生成a*1的ndarray，其值符合正态分布。

数学运算

用np.abs函数对ndarray中每一个元素求绝对值。

用np.sqrt函数对ndarray中每个元素求平方根。

用np.exp函数对ndarray中每个元素求指数幂。

用np.log函数对ndarray中每个元素求自然对数。

用np.sign函数对ndarray中每个元素的符号进行判断。 

聚合运算

求最大值：np.max函数与array.max方法等价。

求最大值索引：np.argmax函数与array.argmax方法等价。

求最小值：np.min函数与array.min方法等价。

求最小值索引：np.argmin函数与array.argmin方法等价。

求和：np.sum函数与array.sum方法等价。

求积：np.prod函数和array.prod方法等价。

求均值：np.mean函数与array.mean方法等价。

求中位数：np.median返回沿特定轴的中位数。

求标准差：np.std函数与array.std方法等价。

求方差：np.var函数与array.var方法等价。 

累计运算

累计和：np.cumsum函数与array.cumsum方法等价。

累积乘积：np.cumprod函数与array.cumprod方法等价。 

逻辑运算

np.all函数：ndarray中每一个元素都为True，则返回True。

np.any函数：ndarray中有一个元素为True，则返回True。

np.logical_and函数: 对多个ndarray中每一个元素进行并列判断，如果并列的每一个元素全为True，则返回True。

np.logical_or函数: 对多个ndarray中每一个元素进行异或判断，如果有一个元素为True，则返回True。 

数据操作

位置索引：根据位置获取ndarray的某一个值，类似list使用方法。

Bool值索引：使用bool值进行索引，True则获取对应ndarray中的元素，False则不获取，最终返回ndarray。

数据规整化

排序：np.sort函数对ndarray中元素进行排序，默认为升序排列。

维度调整：np.reshape函数对ndarray中元素进行维度调整，调整为输入参数形状。

转置：np.transpose函数对ndarray进行转置。

拼接：np.concatenate函数对ndarray进行拼接。

NumPy具体如何操作

Numpy提供了强大的N维数组对象，除了基本了数学运算，还有针对数组级别的聚合计算和累计计算，比如在量化交易中：

A. 运用np.where等逻辑判断函数进行条件选股

B. 运用np.cumsum等累计函数结合基础运算函数计算 收益率

C. 运用位置索引和bool索引提取所需交易量和价格数据

D. 数据规整化类的函数，对股票指标进行排序，调整、拼接等操作

理解了Numpy库才能更好地运用后续将要学习的Pandas库，因为Pandas本质上也是由一个个Ndarray(多维数组)构成，不熟悉Numpy库，就像手无寸铁的新兵，在枪林弹雨的数据面前手足无措。

如果还不知道怎么能快速掌握这门必杀技，快点加入“一量学院”，拿起Numpy这项武器，在量化金融市场中披荆斩棘。

一量学院

史上最全的量化交易策略课程

第一部分：经典量化策略

量化择时的策略设计方法

1. 均线模型策略

2. 随机指标模型

3. 技术指标背离策略

4. 通道突破策略

动量与反转

1. 惯性和均值回归思想

2. 动量策略

3. 反转策略

如何做基金套利

1. QDII-LOF基金套利

2. 分级基金套利

3. 基金跨境套利

4. 基金跨资产/品种套利

宏观择时与行业轮动

1. 宏观择时策略

2. 全球宏观对冲策略

3. 美林时钟周期

4. 宏观因子择时

5. 行业轮动策略

热门的多空Alpha与事件驱动策略

1. 多空Alpha策略

2. 对冲基金策略

3. 事件驱动策略

4. 多因子价值策略

第二部分：期货CTA量化交易策略

经典趋势策略

1. CTA趋势策略之菲阿里四价和Dual-Thrust

2. CTA趋势策略之ATR突破和R-Breaker

3. CTA趋势策略之中长线日间交易

4. CTA趋势策略之择时-修正TD模型

5. CTA趋势策略之海龟交易法则

经典套利策略

1. CTA统计套利

2. CTA期现套利策略

3. CTA跨期、跨市场、跨品种套利策略

第三部分：机器学习策略

1. 大数据与舆情分析策略

2. 机器学习策略设计

3. 隐马尔可夫模型和支持向量机

4. 深度学习策略设计

第四部分：高阶策略

1. 高频策略与算法交易

2. 期权与衍生品交易策略设计

3. 期权宽跨式套利策略

4. 期权期货平价套利

5. 资产配置与复合策略设计

6. 均值方差模型

7. Black-litterman模型

8. 风险平价策略

- END -