From b0b1a9f2d1b090a2d003fb68966521ceac08ba03 Mon Sep 17 00:00:00 2001 From: Sean Shao <31360699+sean1902@users.noreply.github.com> Date: Thu, 16 Apr 2020 16:38:49 +0800 Subject: [PATCH] Update D3_of_3Day_DoneWithPython.md --- D3_of_3Day_DoneWithPython.md | 437 ++++++++++++++--------------------- 1 file changed, 172 insertions(+), 265 deletions(-) diff --git a/D3_of_3Day_DoneWithPython.md b/D3_of_3Day_DoneWithPython.md index c51a6b6..565a5c4 100644 --- a/D3_of_3Day_DoneWithPython.md +++ b/D3_of_3Day_DoneWithPython.md @@ -11,7 +11,6 @@ >![](http://upload-images.jianshu.io/upload_images/5522220-6df558ad4d662c99.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) ``` - 前言： 首先，非常感谢Jiang老师将其分享出来！本课件非常经典！ 经过笔者亲测，竟然确实只要三天，便可管中窥豹洞见Python及主要库的应用。实属难得诚意之作！ @@ -23,20 +22,19 @@ ``` ## 作者：Dr.Yupeng Jiang -* 伦敦大学学院 数学系 (全球顶尖大学，世界排名第7 [《2018QS世界大学排名》](https://www.topuniversities.com/university-rankings/world-university-rankings/2018)，英国排名第3) -* 2016年6月5日 -* [课件来自] https://zhuanlan.zhihu.com/p/21332075 +- 伦敦大学学院 数学系 (全球顶尖大学，世界排名第7 [《2018QS世界大学排名》](https://www.topuniversities.com/university-rankings/world-university-rankings/2018)，英国排名第3) +- 2016年6月5日 +- [课件来自] https://zhuanlan.zhihu.com/p/21332075 ## 翻译：Murphy Wan ->## 大纲（ Outline） - -* 第1天：Python和科学编程介绍。 Python中的基础知识： 数据类型、控制结构、功能、I/O文件 +>## 大纲（Outline） -* 第2天：用Numpy，Scipy，Matplotlib和其他模块进行计算。 用Python解决一些数学问题。 +- 第1天：Python和科学编程介绍。Python中的基础知识：数据类型、控制结构、功能、I/O文件 -* 第3天：时间序列：用Pandas进行统计和实际数据分析。 随机和蒙特卡罗。 +- 第2天：用Numpy，Scipy，Matplotlib和其他模块进行计算。用Python解决一些数学问题。 +- 第3天：时间序列：用Pandas进行统计和实际数据分析。随机和蒙特卡罗。 >## 开启第三天，首先感谢今天仍在努力的自己 @@ -44,52 +42,48 @@ ![](http://upload-images.jianshu.io/upload_images/5522220-3219f4dd70517dd8.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - >## 第三天的主要内容 - - Pandas - - Stochastics and Monte Carlo （随机与蒙特卡罗） - - Statistical application （统计应用） - - Lab session （实验部分） +- Pandas +- Stochastics and Monte Carlo （随机与蒙特卡罗） +- Statistical application （统计应用） +- Lab session （实验部分） >## 01 关于Pandas -* 开发者Wes McKinney从2008年开始专注于开发Pandas，当时在AQR资本管理公司，处理金融数据的定量分析需要高性能和高灵活性的工具。（注释：痛点和需求） -* Pandas是一个开源库，为Python提供高性能，易于使用的数据结构和数据分析工具。 -* Python长期以来一直是数据管理和准备的手段，但是对于数据分析和建模来说，确实不太适用。Pandas的诞生填补了这个缺口。 -* Pandas线性和面板回归之外没有显著的建模功能。为此，请看Starmodels和Scikit-learn。 +- 开发者Wes McKinney从2008年开始专注于开发Pandas，当时在AQR资本管理公司，处理金融数据的定量分析需要高性能和高灵活性的工具。（注释：痛点和需求） +- Pandas是一个开源库，为Python提供高性能，易于使用的数据结构和数据分析工具。 +- Python长期以来一直是数据管理和准备的手段，但是对于数据分析和建模来说，确实不太适用。Pandas的诞生填补了这个缺口。 +- Pandas线性和面板回归之外没有显著的建模功能。为此，请看Starmodels和Scikit-learn。 > ## Pandas 基础 -* Numpy通常在Pandas对象上工作。在pandas中,索引和标签数据由DataFrame类管理。它类似于SQL 数据表和电子表格。例如：我们可以创建一个DataFrame对象： +- Numpy通常在Pandas对象上工作。在pandas中,索引和标签数据由DataFrame类管理。它类似于SQL 数据表和电子表格。例如：我们可以创建一个DataFrame对象： ```python import numpy as np import pandas as pd + df = pd.DataFrame([10, 20, 30, 40], \ - columns = [’Numbers’], \ - index = [’a’, ’b’, ’c’, ’d’]) + columns = ['Numbers'], \ + index = ['a', 'b', 'c', 'd']) ``` - --- - -* 让我们看下DataFrame对象。它是由给出 - +- 让我们看下DataFrame对象。它是由给出 ![](http://upload-images.jianshu.io/upload_images/5522220-7e2c72c2cbffa88e.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - -* 我们可以执行以下代码在DataFrame对象中显示一些典型的操作。 +- 我们可以执行以下代码在DataFrame对象中显示一些典型的操作。 --- @@ -97,125 +91,100 @@ df = pd.DataFrame([10, 20, 30, 40], \ import pandas as pd df = pd.DataFrame([10, 20, 30, 40], \ - columns = [’Numbers’], \ - index = [’a’, ’b’, ’c’, ’d’]) -print(df.index) #显示索引 show index -print(df.columns) #显示列名 show column names -print(df.ix[’c’]) #通过索引选择 select via index -print(df.ix[[’a’, ’d’]]) # 多选 multi-select + columns = ['Numbers'], \ + index = ['a', 'b', 'c', 'd']) +print(df.index) # 示索引 show index +print(df.columns) # 显示列名 show column names +print(df.ix['c']) # 通过索引选择 select via index +print(df.ix[['a', 'd']]) # 多选 multi-select print(df.ix[df.index[1:3]]) # 其他another -print(df.sum()) # 每列求和 sum per column -ts = df ** 2 # 创建新的DataFrame create new DataFrame +print(df.sum()) # 每列求和 sum per column +ts = df *- 2 # 创建新的DataFrame create new DataFrame print(ts) ``` - >## 放大DataFrame ```python import pandas as pd df = pd.DataFrame([10, 20, 30, 40], \ - columns = [’Numbers’], \ - index = [’a’, ’b’, ’c’, ’d’]) + columns = ['Numbers'], \ + index = ['a', 'b', 'c', 'd']) -#add a new column called ’floats’ directly -df[’floats’] = (1.5, 2.5, 3.5, 4.5) +# add a new column called 'floats' directly +df['floats'] = (1.5, 2.5, 3.5, 4.5) -#add a new column called ’names’ by index -df[’names’] = pd.DataFrame([’Dan’, \ - ’Cox’, ’Ale’, ’Bob’], \ - index = [’d’, ’c’, ’a’, ’b’]) +# add a new column called 'names' by index +df['names'] = pd.DataFrame(['Dan', \ + 'Cox', 'Ale', 'Bob'], \ + index = ['d', 'c', 'a', 'b']) # add a new object to df df = df.append(pd.DataFrame({ \ - ’Numbers’:66, ’floats’:5.5, \ - ’names’:’Yor’}, index=[’y’,])) + 'Numbers':66, 'floats':5.5, \ + 'names':'Yor'}, index=['y',])) ``` - - - - >## 处理缺失的数据 -* 我们通过"join"函数添加一个名为\squares的新列。 - -```pyhon - df = df.join(pd.DataFrame([1,4,9,16,25], \ - index=[’a’, ’b’, ’c’, ’d’, ’x’], \ - columns=[’squares’,]),how=’outer’) #<--squares -``` +- 我们通过"join"函数添加一个名为\squares的新列。 -* 我们注意到没有由“\x”索引的行，且由“\y”索引的行在新列中没有被分配值。这里，我们使用 ```python - how=’outer’ +df = df.join(pd.DataFrame([1,4,9,16,25], \ + index=['a', 'b', 'c', 'd', 'x'], \ + columns=['squares',]),how='outer') #<--squares ``` -* 用来显示所有的潜在数据。 -（注释：没太搞清楚这几段话的意思。不过，看代码倒是很清楚，即通过外链outer方式join两张表，会显示所有数据，缺失数据的地方会显示nan。） - +- 我们注意到没有由“\x”索引的行，且由“\y”索引的行在新列中没有被分配值。这里，我们使用 + how='outer' +- 用来显示所有的潜在数据。 +（注释：没太搞清楚这几段话的意思。不过，看代码倒是很清楚，即通过外链outer方式join两张表，会显示所有数据，缺失数据的地方会显示nan。） --- - - - >![](http://upload-images.jianshu.io/upload_images/5522220-b4ed8fb72b2d9ab9.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - - >## 处理金融数据 -* Pandas内置函数DataReader从以下网站检索数据： +- Pandas内置函数DataReader从以下网站检索数据： + - Yahoo! Finance (Yahoo) - Google Finance (Google) - St. Louis FED (Fred) - - Kenneth French’s data library (Famafrench) + - Kenneth French's data library (Famafrench) - World Band (via pandas.io.wb) -* 要使用DataReader函数，我们需要 -```python - import pandas.io.data as web -``` - - +- 要使用DataReader函数，我们需要 + import pandas.io.data as web --- ->## 富时100数据（FTSE 100 data） +>## 富时100数据（FTSE 100 data） ```python import pandas as pd import pandas.io.data as web -FT = web.DataReader(name = ’^FTSE’, \ -data_source = ’yahoo’, \ -start = ’2000-1-1’) +FT = web.DataReader(name = '^FTSE', \ + data_source = 'yahoo', \ + start = '2000-1-1') print(FT.info()) # show information print(FT.tail()) # show last 5 rows # plot the FTSE 100 graph -FT[’Close’].plot(figsize = (8, 6), \ -grid = True) +FT['Close'].plot(figsize = (8, 6), \ + grid = True) ``` - --- - - - >![](http://upload-images.jianshu.io/upload_images/5522220-886d2aff04c07418.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - - - - --- @@ -226,57 +195,41 @@ import pandas as pd import pandas.io.data as web import numpy as np -FT = web.DataReader(name = ’^FTSE’, \ -data_source = ’yahoo’, \ -start = ’2000-1-1’) -FT[’Return’] = np.log(FT[’Close’] \ -/ FT[’Close’].shift(1)) -FT[’Return’].plot(figsize = (8, 6), \ -grid = True) +FT = web.DataReader(name = '^FTSE', \ + data_source = 'yahoo', \ + start = '2000-1-1') +FT['Return'] = np.log(FT['Close'] \ + / FT['Close'].shift(1)) +FT['Return'].plot(figsize = (8, 6), \ + grid = True) ``` - - - --- - - - ![](http://upload-images.jianshu.io/upload_images/5522220-186cb8f9915fd219.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - - - - - -> ##显示数据并同时返回（Show data and return simultaneously） +> ## 显示数据并同时返回（Show data and return simultaneously） ```python import pandas as pd import pandas.io.data as web import numpy as np -FT = web.DataReader(name = ’^FTSE’, \ -data_source = ’yahoo’, \ -start = ’2000-1-1’) +FT = web.DataReader(name = '^FTSE', \ + data_source = 'yahoo', \ + start = '2000-1-1') ![Uploading datasub_463200.png . . .] -FT[’Return’] = np.log(FT[’Close’] \ -/ FT[’Close’].shift(1)) -FT[[’Close’, ’Return’]].plot( \ -subplots = True, style = ’b’, \ -figsize = (8, 6), grid = True) +FT['Return'] = np.log(FT['Close'] \ + / FT['Close'].shift(1)) +FT[['Close', 'Return']].plot( \ + subplots = True, style = 'b', \ + figsize = (8, 6), grid = True) ``` --- - - - ![](http://upload-images.jianshu.io/upload_images/5522220-7e472fc3c6708456.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - - >## 算术交易：移动平均（Algorithmic trading: Moving average） ```python @@ -284,21 +237,22 @@ import pandas as pd import pandas.io.data as web import numpy as np -FT = web.DataReader(name = ’^FTSE’, \ -data_source = ’yahoo’, \ -start = ’2000-1-1’) -FT[’MA42D’] = pd.rolling_mean(FT[’Close’], \ -window = 42) -FT[’MA252D’] = pd.rolling_mean(FT[’Close’], \ -window = 252) -FT[[’Close’, ’MA42D’, ’MA252D’]].plot( \ -figsize = (8, 6), grid = True) +FT = web.DataReader(name = '^FTSE', \ + data_source = 'yahoo', \ + start = '2000-1-1') +FT['MA42D'] = pd.rolling_mean(FT['Close'], \ + window = 42) +FT['MA252D'] = pd.rolling_mean(FT['Close'], \ + window = 252) +FT[['Close', 'MA42D', 'MA252D']].plot( \ + figsize = (8, 6), grid = True) ``` --- ![](http://upload-images.jianshu.io/upload_images/5522220-a94931276cb586bf.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) + >## 波动率：年化日志回报标准差？（Volatility: Annualised log return StD） ```python @@ -306,73 +260,64 @@ import pandas as pd import pandas.io.data as web import numpy as np -FT = web.DataReader(name = ’^FTSE’, \ -data_source = ’yahoo’, \ -start = ’2000-1-1’) -FT[’Return’] = np.log(FT[’Close’] \ -/ FT[’Close’].shift(1)) -FT[’Vol’] = np.sqrt(252) * \ -pd.rolling_std(FT[’Return’],\ -window = 252) -FT[’Vol’].plot(figsize = (8, 6), \ -grid = True) +FT = web.DataReader(name = '^FTSE', \ + data_source = 'yahoo', \ + start = '2000-1-1') +FT['Return'] = np.log(FT['Close'] \ + / FT['Close'].shift(1)) +FT['Vol'] = np.sqrt(252) - \ + pd.rolling_std(FT['Return'], \ + window = 252) +FT['Vol'].plot(figsize = (8, 6), \ + grid = True) ``` ![](http://upload-images.jianshu.io/upload_images/5522220-9fda18ebbd854888.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - >## 相关和线性回归 - 我们实现一个符合以下目标的代码 - 捕获富时100指数和英国石油BP（伦敦）的历史价格。 - + - 评估这两种资产的历史回报。 - + - 对两个回报做线性回归，并获得其回归函数。 （代码在datacorr.py里） --- - ![](http://upload-images.jianshu.io/upload_images/5522220-3a1364af62324367.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - -> ##应用实例：配对交易 (pair trading) - +> ## 应用实例：配对交易 (pair trading) ![](http://upload-images.jianshu.io/upload_images/5522220-2bcde7453a841382.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) 图： -左：从2011-01-01开始，壳牌（B）和BP（伦敦）的历史股价。 +左：从2011-01-01开始，壳牌（B）和BP（伦敦）的历史股价。 右：壳牌和BP的相对性能。 >## 自学Pandas -- Pandas的官方文件可以在这里找到：http：//pandas.pydata.org/pandas-docs/stable/ - +- Pandas的官方文件可以在这里找到：http://pandas.pydata.org/pandas-docs/stable/ + - 官方文档为初学者提供了详细的结构化材料。 - -- 与其他软件包类似，只要遇到错误，请检查第一个错误消息。 如果您无法解决问题，请先尝试Google。 大量的人在互联网上问同样的问题。 - - - -```pyhon - -``` + +- 与其他软件包类似，只要遇到错误，请检查第一个错误消息。如果您无法解决问题，请先尝试Google。大量的人在互联网上问同样的问题。 >## 02随机与蒙特卡罗 + >>![](http://upload-images.jianshu.io/upload_images/5522220-11077c8e043523f4.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) +--- ---- >## 用Python产生随机数 - 随机数可以通过numpy.random生成。 @@ -389,8 +334,8 @@ W = npr.lognormal(0, 1, (5000)) ``` --- -- 我们可以绘制直方图来检查分布。 +- 我们可以绘制直方图来检查分布。 ![](http://upload-images.jianshu.io/upload_images/5522220-821b5e6992ea246b.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) @@ -399,44 +344,38 @@ W = npr.lognormal(0, 1, (5000)) >## 蒙特卡洛 + - 蒙特卡罗是摩纳哥的一个地区和赌场...... ![](http://upload-images.jianshu.io/upload_images/5522220-9bafbb380d222801.jpg?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - --- -> ###蒙特卡罗方法 + +> ## 蒙特卡罗方法 - 第一次人们开始研究蒙特卡罗方法是要评估π。 - - 通过概率论，蒙特卡罗可以用作数值积分法。 例如， + - 通过概率论，蒙特卡罗可以用作数值积分法。例如， - ![](http://upload-images.jianshu.io/upload_images/5522220-285aa7b6be2ca0a8.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - - 其中p(x)是U(0;1)的概率密度函数。 + - 其中p(x)是U(0;1)的概率密度函数。 - 实践中，蒙特卡罗广泛应用于统计力学，量子物理学，金融衍生产品定价和风险管理。 - -> ##一个MC示例：期权定价 - +> ## 一个MC示例：期权定价 - 蒙特卡洛通常用于评估期权价格。 - - 我们不会涉及任何理论推论。 对于欧式看涨期权，其价格可以通过公式给出 - +- 我们不会涉及任何理论推论。对于欧式看涨期权，其价格可以通过公式给出 ![](http://upload-images.jianshu.io/upload_images/5522220-cf0fb5c452e0c95c.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - - 其中S为当前基本股票价格，σ为股票波动率，r为利率，T为期权期权，K为行使价，Φ为标准正态随机变量。 - - - 对于这个例子。 让我们假设S = 100，K = 100， - σ= 50％，T = 1，r = 0.05。 - +- 其中S为当前基本股票价格，σ为股票波动率，r为利率，T为期权期权，K为行使价，Φ为标准正态随机变量。 +- 对于这个例子。让我们假设S = 100, K = 100, σ= 50％, T = 1, r = 0.05。 >## 通过Python实现MC （MC by Python） @@ -448,36 +387,28 @@ from scipy.stats import norm S = 100; K = 100; T = 1 r = 0.05; vol = 0.5 -I = 10000 # MC paths +I = 10000 # MC paths Z = npr.standard_normal(I) -ST = S * np.exp((r - 0.5 * vol**2) \ -* T + vol * np.sqrt(T) * Z) -V = np.mean(np.exp(-r * T) \ -* np.maximum(ST - K, 0)) +ST = S - np.exp((r - 0.5 - vol**2) \ + - T + vol - np.sqrt(T) - Z) +V = np.mean(np.exp(-r - T) \ + - np.maximum(ST - K, 0)) print(V) - ``` -> ## 蒙特卡罗路径图 - +> ## 蒙特卡罗路径图 ![](http://upload-images.jianshu.io/upload_images/5522220-dab58ad5678a2e28.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - 图：一幅蒙特卡罗模拟股票的图。 - - - > ## MC的准确度如何？ - - 您运行的所有MC都应同时输出方差或标准偏差。 对于最后一张幻灯片中的代码，我们有结果 - - - V ≈ 21.54 , std ≈ 0.40 - + - 您运行的所有MC都应同时输出方差或标准偏差。对于最后一张幻灯片中的代码，我们有结果 + V ≈ 21.54 , std ≈ 0.40 - 实际上，我们有一个封闭式的欧式看涨期权方案 @@ -487,54 +418,45 @@ print(V) （看到公式不要慌，先冷静哈！慢慢来。） - >## 03统计应用 (Statistical application) - >## 直方图 （Histogram plot） ```python - import pandas as pd import pandas.io.data as web import numpy as np -FT = web.DataReader(name = ’^FTSE’,\ -data_source = ’yahoo’,\ -start = ’2000-1-1’) -FT[’Return’] = np.log(FT[’Adj Close’] \ -/ FT[’Adj Close’].shift(1)) -FT[’Return’].hist(bins = 100, \ -figsize = (8,6)) +FT = web.DataReader(name = '^FTSE',\ + data_source = 'yahoo',\ + start = '2000-1-1') +FT['Return'] = np.log(FT['Adj Close'] \ + / FT['Adj Close'].shift(1)) +FT['Return'].hist(bins = 100, \ + figsize = (8,6)) ``` - ![](http://upload-images.jianshu.io/upload_images/5522220-14165cfe91012067.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) --- - - >## 正态检验：QQ图 +- 我们通常使用分位数分布图（QQ图）来验证该分布是否正常。 - - 我们通常使用分位数分布图（QQ图）来验证该分布是否正常。 - - - 为了实现QQ图，我们需要一个名为statsmodels的库。 我们导入相应的库 +- 为了实现QQ图，我们需要一个名为statsmodels的库。我们导入相应的库 - - import statsmodel.api as sm + import statsmodel.api as sm - - statsmodels 是一个非常有用的统计分析库，但我们不会给出太多的介绍。 - - - 另一个有用的库被称为scikit-learning，它是一个统计和机器学习库。 +- statsmodels 是一个非常有用的统计分析库，但我们不会给出太多的介绍。 +- 另一个有用的库被称为scikit-learning，它是一个统计和机器学习库。 --- - >## QQ-plot ```python @@ -544,21 +466,21 @@ import numpy as np import statsmodels.api as sm import matplotlib.pyplot as plt -FT = web.DataReader(name = ’^FTSE’,\ -data_source = ’yahoo’,\ -start = ’2000-1-1’) -FT[’Return’] = np.log(FT[’Adj Close’] \ -/ FT[’Adj Close’].shift(1)) -sm.qqplot(FT[’Return’].dropna(),line=’s’) +FT = web.DataReader(name = '^FTSE', \ + data_source = 'yahoo',\ + start = '2000-1-1') +FT['Return'] = np.log(FT['Adj Close'] \ + / FT['Adj Close'].shift(1)) +sm.qqplot(FT['Return'].dropna(),line='s') plt.grid(True) -plt.xlabel(’Theoretical quantiles’) -plt.ylabel(’Sample quantiles’) +plt.xlabel('Theoretical quantiles') +plt.ylabel('Sample quantiles') ``` >## QQ-plot ->![](http://upload-images.jianshu.io/upload_images/5522220-0bca0cfa38910caa.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) +>![](http://upload-images.jianshu.io/upload_images/5522220-0bca0cfa38910caa.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) --- @@ -566,96 +488,81 @@ plt.ylabel(’Sample quantiles’) >## Skew and kurtosis （斜度与峰值？） ```python - import pandas.io.data as web import numpy as np import scipy.stats as scs -FT = web.DataReader(name = ’^FTSE’,\ -data_source = ’yahoo’,\ -start = ’2000-1-1’) -FT[’Return’] = np.log(FT[’Adj Close’] \ -/ FT[’Adj Close’].shift(1)) -data = FT[’Return’].dropna() # 将缺失值丢掉 leave nan - - -print(’Skew is %f’ %scs.skew(data)) -print(’Skew test p-value is %f’ \ -%scs.skewtest(data)[1]) -print(’Kurt is %f’ %scs.kurtosis(data)) -print(’Kurt test p-value is %f’ \ -%scs.kurtosistest(data)[1]) -print(’Normal test p-value is %f’ \ -%scs.normaltest(data)[1]) +FT = web.DataReader(name = '^FTSE', \ + data_source = 'yahoo', \ + start = '2000-1-1') +FT['Return'] = np.log(FT['Adj Close'] \ + / FT['Adj Close'].shift(1)) +data = FT['Return'].dropna() # 将缺失值丢掉 leave nan + +print('Skew is %f' %scs.skew(data)) +print('Skew test p-value is %f' \ + %scs.skewtest(data)[1]) +print('Kurt is %f' %scs.kurtosis(data)) +print('Kurt test p-value is %f' \ + %scs.kurtosistest(data)[1]) +print('Normal test p-value is %f' \ + %scs.normaltest(data)[1]) ``` - 较小的p值意味着否决数据是正态分布的假设。 --- + >## 04 实验部分 （Lab session） --- ->##目标1：蒙特卡罗模拟 - - 我有一个随机过程 +>## 目标1：蒙特卡罗模拟 + + 我有一个随机过程 - ![](http://upload-images.jianshu.io/upload_images/5522220-6d6ca64be2dc1e5b.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - 其中Φ〜N（0,1）（标准正态分布），t是自变量，表示时间（x轴），参数为 - - x0 = 1，θ = 1， μ = 1， σ = 0.5 + x0 = 1，θ = 1, μ = 1, σ = 0.5 - 尝试为 t = 10 生成10000个Monte Carlo路径。然后评估您的MC路径的平均值，用解析平均（analytical mean）进行检查 - ![](http://upload-images.jianshu.io/upload_images/5522220-226b8162b13158a5.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) --- - - - >## 目标2：P&L分析 - 去雅虎网站，试图用Pandas获取以下股票调整后的收盘价 + 然后绘制股票价格。 ```python ['RDSB.L'，'BP.L'，'AAPL'，'MSFT'] ``` - - 然后绘制股票价格。 - - - - 让我们假设两个静态交易策略： - - 原油策略：买1'RDSB.L'，卖5'BP.L' - - 科技策略：买3'AAPL'， 卖4'MSFT' - -- 尝试获得两个Pandas series，存储的价值两个不同策略的组合。（Try to obtain two pandas series, which stored the value two portfolios of di erent strategies.） + 然后绘制股票价格。 +- 让我们假设两个静态交易策略： + - 原油策略：买1'RDSB.L'，卖5'BP.L' + - 科技策略：买3'AAPL'，卖4'MSFT' + 尝试获得两个Pandas series，存储的价值两个不同策略的组合。（Try to obtain two pandas series, which stored the value two portfolios of di erent strategies.） -- 尝试评估两种策略的每日损益（P＆L）。 每日P＆L由以下公式定义： - +- 尝试评估两种策略的每日损益（P＆L）。每日P＆L由以下公式定义： ![](http://upload-images.jianshu.io/upload_images/5522220-a988effdd1283799.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) +- 分析两个投资组合的日常损益，分别采用不同的正态检验。绘制直方图和QQ图。 -- 分析两个投资组合的日常损益，分别采用不同的正态检验。 绘制直方图和QQ图。 - - - - - - ->##三天全部结束，辛苦了！想必你也获得了不少收获！继续加油，让我们做的更好！ - +>## 三天全部结束，辛苦了！想必你也获得了不少收获！继续加油，让我们做的更好！ ![](http://upload-images.jianshu.io/upload_images/5522220-cd6a23ee687856ca.png?imageMogr2/auto-orient/strip%7CimageView2/2/w/1240) - [回到第一天(return to D1)](https://github.com/MurphyWan/Python-first-Practice/blob/master/D1_of_3Day_DoneWithPython.md) - [回到第二天(return to D2)](https://github.com/MurphyWan/Python-first-Practice/blob/master/D2_of_3Day_DoneWithPython.md)