【Python】【课程笔记】金融数据分析（一）

本文是课程《金融数据分析》的学习笔记（一），该系列笔记分为基础篇、Numpy、Pandas和Matplotlib等，本系列用于对知识点总结和代码练习，Q&A为问题及解决方案，参考书籍为《利用Python进行数据分析》。

往期回顾：

博文	内容
【Python】【课程笔记】金融数据分析（一）	Python基础、Numpy
【Python】【课程笔记】金融数据分析（二）	Pandas

---

前言：Python基础

1、python基本元素：数字、字符串和变量
类型转换：int()、float()、str()
（1）使用[start: end: step]分片
[start: end: step] 从start 提取到 end-1， 每step个字符提取一个
（2）使用split()分割
（3）使用join()合并

2、python容器：列表、元组、字典、集合

• 列表
  （1）切片提取元素
  （2）使用append()添加元素至末尾
  （3）使用extend()或+=合并列表
  （4）使用insert()在指定为止插入元素
  （5）使用del 删除指定位置的元素
  （6）使用pop()获取并删除指定位置的元素
  
  （7）使用index()查询具有特定值的元素位置
  
  （8）使用in判断值是否存在
  
  （9）使用count()记录特定值出现的次数
  （10）使用sort()重新排列元素
  列表方法 sort() 会对原列表进行排序，改变原列表的内容
  通用函数 sorted() 则会返回排好序的列表副本，原列表内容不变
  （11）使用 = 赋值，使用copy()复制

• 元组：无法进行增加、删除和修改操作

• 字典：其中元素的顺序无关紧要，每个元素拥有与之对应的互不相同的键（key），需要通过键来访问元素，键通常为字符串。
  
  （1）使用[key]添加或修改元素，如：dict['A']=a
  （2）使用update()合并字典
  （3）使用del删除具有指定键的元素
  （4）使用keys()获取所有键
  （5）使用values()获取所有值
  

• 集合：像“舍弃了值，仅剩下键的字典”，键与键之间不允许重复

3、python外壳：代码结构
（1）使用if,elif和else进行比较
（2）使用while进行循环


（3）使用for迭代

⭐⭐（4）推导式


⭐⭐（5）函数

lambda：匿名函数

4、迭代器[1]
iter()、next()：方法
Iterator、Iterable：迭代器、可迭代的对象
isinstance() ：判断一个对象是否是一个已知的类型（语法）
例：先检查对象是否是一个列表，如果不是将它转换未列表：

if not isinstance(x, list) and isiterable(x):
	x = list(x)

第一部分：Numpy（数组）

1、向量的加法
例：输入n，输出：$n^2+n^3$

def numpysum(n):
    a = np.arange(n)**2
    b = np.arange(n)**3
    return a+b

numpysum(10)

2、数组对象：np.arange()、np.array(）多维数组

a =np.arange(5)
b = np.array([np.arange(2), np.arange(2)])

3、数组属性[1]：b.ndim、b.shape、b.size等

4、取数、索引切片

• 使用[start: end: step]分片
  [start: end: step] 从start 提取到 end-1， 每step个字符提取一个
  
  （1）一维数组：[]与冒号的搭配
  取其中一部分，隔几个数取，逆序取数
  
  （2）多维数组：[]与冒号、逗号的搭配

5、改变数组的维度

• 将多维数组降为一维，默认是行序优先，传入’F’参数表示列序优先[2]：b.ravel()、b.flatten()
  区别：flatten()返回的是拷贝。
• 改变维数：b.reshape()
  用法：当参数只有一个-1时表示将数组降为一维。
• 改变维数，会改变原数组[3]：np.resize(b,())
• 转置：b.transpose()

b = np.arange(24).reshape(2,3,4)
b.reshape(2,12)
np.resize(b,(2,12))

6、数组的组合

• 元素：使用join()合并
  

• 数组：堆叠[4]
  np.hstack((a,b))：在第一维进行堆叠（即最外层的方括号）
  np.vstack((a,b))：将数组在第二维进行堆叠（即第二层方括号）
  np.dstack((a,b))：将数组在第三维进行堆叠（即第三层方括号）

• np.concatenate((a,b), axis=1)[5]：axis=1表示对应行的数组进行拼接，默认axis=0（按列）。
  
  
  7、数组的分割

• 使用split()分割
  

• np.split(a,3,axis=1)、np.split(a,3,axis=0)
  

• np.hsplit(c,3)、np.vsplit(c,3)、np.dsplit(c,3)
  
  

---

案例：股价

• 数据集：data.csv
  

1、计算成交量价权平均价格

• 函数：
  （1）np.loadtxt()
  参数：usecols：选取数据的列。
  （2）np.average()
  参数：weights：加权重

2、计算时间加权平均价格

c,v = np.loadtxt('data.csv', delimiter=',', usecols =(5,6), unpack=True)

# 成交量加权
vwap = np.average(c,weights=v)
print ("VWAP=", vwap)
print ("mean=", np.mean(c))

# 时间加权
t = np.arange(len(c))
twap = np.average(c,weights=t)
print("TWAP="，twap)

3、统计量

• 函数
  （1）np.max()、np.median()、np.var()、np.std()：最大值、中位数、方差、标准差
  （2）np.msort()：数组按第一个轴排序，返回排序后的数组副本,等价于 np.sort(a, axis=0)。

#中位数
sorted_close = np.msort(c)
N = len(c)
print ("middle = ", sorted_close[np.int((N-1)/2)])

4、股票收益率

• 收益率：returns = np.diff(c)/c[:-1]
• 对数收益率：logreturns = np.diff(np.log(c))
• 年化波动率：annual_volatility = np.std(logreturns)/np.sqrt(1.0/242)

5、简单移动平均线、指数移动平均线

• 等权表示：weights = np.ones(N)/N

• 卷积函数[6]：numpy.convolve(a, v, mode=‘full')
  参数：
  a:(N,)输入的一维数组
  v:(M,)输入的第二个一维数组
  mode:{‘full’, ‘valid’, ‘same’}参数可选
  ①‘full’　默认值，返回每一个卷积值，长度是N+M-1,在卷积的边缘处，信号不重叠，存在边际效应。
  ②‘same’　返回的数组长度为max(M, N),边际效应依旧存在。
  ③‘valid’ 　返回的数组长度为max(M,N)-min(M,N)+1,此时返回的是完全重叠的点。边缘的点无效。

• 创建等差数组[7]：np.arange([start, ]stop, [step, ]dtype=None)
  用法：指定开始值，终值和步长生成等差数列的一维数组。
  参数：
  start：可忽略不写，默认从0开始;起始值
  stop：结束值；生成的元素不包括结束值
  step：可忽略不写，默认步长为1；步长
  dtype：默认为None，设置显示元素的数据类型

• 创建等差数列[8]：numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
  用法：指定开始值，终值和元素个数生成等差数列的一维数组。

#简单移动平均线
N=20
weights = np.ones(N)/N
sma = np.convolve(weights,c)[N-1:-N+1] 
#从第N-1个数，到倒数N-1个数为止

#指数移动平均线
N=5
weights = np.exp(np.linspace(-1.,0.,N))
weights = weights/weights.sum()
ema = np.convolve(weights,c)[N-1:-N+1]

import matplotlib.pyplot as plt
t=np.arange(N-1, len(c))
plt.plot(t,c[N-1:], lw=1.0)
plt.plot(t,sma,lw=2.0)
plt.show()