numpy 加速 矩阵相加_Intro to Python（二）: NumPy

Intro to NumPy

1

在上一篇推文中我们讲过，NumPy是Python中的一个科学计算库，也可以说是一个功能强大的软件包。主要是因为NumPy可以对各种数学函数进行计算，比如它可以轻松执行线性代数的计算等。(以下我们用“np”表示NumPy)

最简单来说，我们可以使用NumPy去计算我们投资组合(portfolio)中的平均回报(mean return)。那么假设我们有个list，其中包含了几只股票的历史收益：“stock_list = [1, 2, 3, 4, 5]”。然后使“returns = np.array(stock_list)”，这代表这个list的数据将由returns表示，当接下来我们需要对这组数据进行任何计算的时候，就不需要再重复输入1,2,3,4,5。如果我们想求平均数也好，最大值也罢，无论portfolio中有多少个资产，都可以用”np.mean/max(return)”轻易得出。

2

接下来，我们可以用NumPy去计算预期收益(expected return)。众所周知，在投资组合中，每一项具体的资产所占的比重可能都不同。假设我们有N个随机权重(weights)的资产在我们的portfolio中：“weights = np.random.uniform(0, 1, N)”和“weights = weights/np.sum(weights)”. 这里可以体现NumPy中有个random module的作用，它可以从许多不同的概率分布中，进行随机抽样。另外，当我们计算portfolio的预期收益时，手写公式=w1*r1+w2*r2+…+wn*rn，当资产数量多的时候，这样分别列出来难免有些过于繁琐。那么，NumPy中有个函数叫“dot”，它可以提取每组数组中的每个数据，并将其分别相乘，换句话说，dot可以将每个元素相乘并且将所有乘积相加。

3

此外，线性代数在金融领域中是一个不可或缺的存在，比如说，在现代投资组合理论(modern portfolio theory)中，最优权重(optimal weights)的计算就是靠线性代数完成的。从入门开始，我们可以使用NumPy去进行矩阵乘法的运算。矩阵乘法是线性代数中的一个基础工具，其可以表示为y=A*x，其中A=m*n的矩阵，y=m*1的向量，x是n*1的向量(直白点来说，m是行数，n是列数)。那当两个矩阵相乘时，新矩阵=(m*n)*(p*q)=(m*q)或者(p*q)*(m*n)=(p*n)(矩阵所处的左右位置都会导致结果不同)。比如说：我们随便假设两个矩阵，其中A=3*5，B=4*3,当我们把B矩阵放在右侧，A矩阵放在左侧，可得(4*3)*(3*5)=(4*5)。NumPy中的dot函数可以直接帮我们计算出任何有效矩阵：

作者：研报部：程颢颐

编辑：线上部：Tim