Hướng dẫn which python is best for finance? - python nào là tốt nhất cho tài chính?

Sự phổ biến của ngôn ngữ lập trình Python là do, ít nhất là một phần, là tính linh hoạt mà nó cung cấp. Ngoài số lượng lớn các trường hợp sử dụng trong phát triển web và ứng dụng, Python còn cung cấp các công cụ để xây dựng và thực hiện bất kỳ loại mô hình khoa học hoặc toán học nào, bất kể nguồn gốc hoặc loại dữ liệu. Tính linh hoạt này được kích hoạt bởi thư viện tiêu chuẩn mở rộng cung cấp một loạt các cơ sở nhằm tăng cường chức năng và tính di động của ngôn ngữ. Đối với các ứng dụng cụ thể hơn, Chỉ số gói Python (PYPI) cung cấp các gói bổ sung mở rộng khả năng của Python để phù hợp với nhu cầu của từng miền.

Vì những lý do này, Python đã được chứng minh là một công cụ đáng gờm trong việc phát triển các công nghệ tài chính mới lạ. Từ việc tìm kiếm các số thô đến tạo ra các giao diện người dùng đồ họa (GUI) thẩm mỹ, nhưng trực quan, vô số gói tồn tại để giúp người dùng xây dựng các mô hình tài chính của riêng họ. Trong bài viết này, Illll nhấn mạnh 10 gói hàng đầu của mình để mô hình hóa tài chính và tài chính với một vài ví dụ cơ bản. Tất cả các gói này (trừ Quantlib) đều có sẵn trên nền tảng ActiveSestate để đưa vào môi trường thời gian chạy của bạn.

Các gói Python hữu ích nhất để tài chính

Lĩnh vực công nghệ tài chính là rất lớn, bao gồm tất cả mọi thứ từ bảo hiểm, cho vay và giao dịch, đến ngân hàng điện tử và các dịch vụ thanh toán khác. Bài viết này tập trung vào các ứng dụng cụ thể cho tài chính định lượng, yêu cầu các nhiệm vụ lập trình như nhập và chuyển đổi dữ liệu, phân tích chuỗi thời gian và rủi ro, giao dịch và backtesting, tích hợp Excel và trực quan hóa dữ liệu. Tôi lấy mẫu một vài gói tốt nhất để hoàn thành từng nhiệm vụ.

#1 Numpy

Tại cơ sở, tất cả các mô hình tài chính đều dựa vào các con số khủng hoảng. Một vài gói đầu tiên tôi có trong danh sách cung cấp khung để làm như vậy. Đầu tiên là numpy. Numpy là gói thiết yếu nhất cho điện toán khoa học và toán học trong Python. Nó không chỉ đưa các mảng và ma trận N chiều vào Python, mà còn chứa một số chức năng toán học cơ bản để thao tác với các cấu trúc dữ liệu này. Hầu hết các gói Python cấp cao hơn cho tài chính được đề cập sau trong danh sách này phụ thuộc vào Numpy.

Ví dụ: để tạo hai ma trận phức tạp 2 × 2 và in tổng số:

import numpy as np

a = np.array([[1+2j, 2+1j], [3, 4]])
b = np.array([[5, 6+6j], [7, 8+4j]])
print(a+b)

Output:

[[6.+2.j   8.+7.j]
 [10.+0.j 12.+4.j]]

Và để lấy liên hợp phức tạp của một trong số chúng:

 np.conj(a)

Thông tin thêm về cách sử dụng Numpy có thể được tìm thấy ở đây.

#2 Scipy

Gói Numpy cung cấp các cấu trúc toán học cơ bản để thao tác và lưu trữ dữ liệu. Nhưng để xây dựng các mô hình tinh vi dựa trên dữ liệu này, một kho lưu trữ các công cụ và hoạt động thống kê tiên tiến hơn là cần thiết. Nhập Scipy. Gói này cung cấp các chức năng và thuật toán quan trọng đối với các tính toán khoa học tiên tiến cần thiết để xây dựng bất kỳ mô hình thống kê nào. Chúng bao gồm các thuật toán để nội suy, tối ưu hóa, phân cụm, chuyển đổi và tích hợp dữ liệu. Các hoạt động này rất cần thiết khi thực hiện bất kỳ loại phân tích dữ liệu nào hoặc xây dựng bất kỳ loại mô hình dự đoán nào.

Để chứng minh phép nội suy, trước tiên tôi sử dụng Numpy để tạo một số điểm dữ liệu với hàm tùy ý, sau đó so sánh các phương pháp nội suy khác nhau:

#3 Pandas

Numpy và Scipy đặt nền tảng toán học. Mặt khác, gói Panda, thiết lập cấu trúc dữ liệu trực quan và dễ sử dụng, DataFrame, được thiết kế đặc biệt để phân tích và xây dựng mô hình. Nó dựa trên các mảng mà Numpy giới thiệu và được tối ưu hóa cho dữ liệu bảng, đa chiều và không đồng nhất. Các thao tác phổ biến nhất, chẳng hạn như nhóm, tham gia, hợp nhất hoặc điền, thay thế và buộc các giá trị null, có thể được thực thi trong một dòng. Ngoài ra, gói cung cấp các chức năng để nhập dữ liệu từ nhiều định dạng tiêu chuẩn và các chức năng khác để vẽ nhanh, truy xuất các số liệu thống kê cơ bản hoặc xuất dữ liệu.

Để tạo DataFrame:

import pandas as pd

df_1 = pd.DataFrame({'col1': [1,2], 'col2': [3,4]})

Và để kết hợp hai khung dữ liệu với nhau:

df_2 = pd.DataFrame({'col3': [5,6], 'col4': [7,8]})
df = pd.concat([df_1,df_2], axis = 1)

Output:

    col1   col2    col3    col4
0      1      3       5       7 
1      2      4       6       8

Để thực hiện thao tác lọc đơn giản, trích xuất hàng đáp ứng điều kiện logic:

 df[df.col3 == 5]

Các ví dụ khác có thể được tìm thấy trong các tài liệu ở đây.

#4 StatSmodels

SCIPY cung cấp một thư viện các công cụ thống kê cho phép người dùng xây dựng một mô hình và gấu trúc giúp dễ dàng thực hiện. Gói StatSmodels xây dựng trên các gói này bằng cách triển khai thử nghiệm nâng cao hơn các mô hình thống kê khác nhau. Một danh sách rộng rãi các số liệu thống kê và chẩn đoán kết quả cho mỗi công cụ ước tính có sẵn cho bất kỳ mô hình nào, với mục tiêu cung cấp cho người dùng một bức tranh đầy đủ về hiệu suất mô hình. Các kết quả được kiểm tra đối với các gói thống kê hiện có để đảm bảo rằng chúng là chính xác.

Ví dụ, tôi nhập bộ dữ liệu tích hợp:

import numpy as np
import statsmodels.api as sm

rand_data = sm.datasets.randhie.load(as_pandas=False)
rand_exog = rand_data.exog.view(float).reshape(len(rand_data.exog), -1)
rand_exog = sm.add_constant(rand_exog, prepend=False)

Và để phù hợp với bộ dữ liệu với mô hình Poisson:

poisson_mod = sm.Poisson(rand_data.endog, rand_exog)
poisson_res = poisson_mod.fit(method="newton")
print(poisson_res.summary())

Đầu ra sẽ trông giống như thế này:

Thông tin chi tiết có thể được tìm thấy ở đây.

#5 Quandl

Cho đến nay, các gói tôi đã liệt kê là vô tư với loại dữ liệu đang được xem xét. Tất nhiên, khi xem xét các mô hình tài chính, chúng tôi cần dữ liệu tài chính. Đây là nơi Quandl đến giải cứu. Mô -đun Quandl Python cho phép người dùng truy cập vào bộ sưu tập dữ liệu kinh tế, tài chính và thị trường khổng lồ được thu thập từ các ngân hàng trung ương, chính phủ, tổ chức đa quốc gia và nhiều nguồn khác. Hầu hết các bộ dữ liệu RAW đều miễn phí truy cập khi đăng ký (bạn cần khóa API), với các bộ dữ liệu nâng cao và chuyên sâu hơn có sẵn với chi phí.

Các tài liệu gói có thể được tìm thấy ở đây.

#6 Zipline

Zipline là một gói gắn kết các số liệu thống kê, cấu trúc dữ liệu và dữ liệu đều có cùng nhau. Đây là một thư viện giao dịch thuật toán đáng gờm cho Python, rõ ràng là nó cung cấp năng lượng cho Quantopian, một nền tảng miễn phí để xây dựng và thực hiện các chiến lược giao dịch. Dữ liệu từ Quandl dễ dàng nhập và các thuật toán tùy chỉnh dễ dàng thiết kế, thử nghiệm và triển khai. Điều này bao gồm backtesting của các thuật toán và giao dịch trực tiếp. Một thuật toán cơ bản trông như thế này:

[[6.+2.j   8.+7.j]
 [10.+0.j 12.+4.j]]

Chúng tôi nhập các chức năng đơn đặt hàng, ghi và biểu tượng từ Zipline, để xây dựng một thuật toán ghi lại giá cổ phiếu của Apple. Để biết thêm ví dụ về các thuật toán, xem tài liệu.

#7 Pyfolio

Sau khi thiết kế và thử nghiệm một thuật toán trong Zipline, gói Pyfolio cung cấp một cách dễ dàng để tạo ra một cái nước mắt chứa số liệu thống kê hiệu suất. Những thống kê này bao gồm lợi nhuận hàng năm/hàng tháng, lượng tử trả lại, tỷ lệ beta/sharpe, doanh thu danh mục đầu tư và một vài thứ nữa. Để tạo một loại nước mắt mẫu trên một cổ phiếu:

[[6.+2.j   8.+7.j]
 [10.+0.j 12.+4.j]]

Đầu ra sẽ là một loạt các bảng và âm mưu chứa các số liệu hiệu suất.

Các tài liệu có thêm một vài ví dụ đi sâu vào chi tiết.

#8 TA-LIB

Hai gói tiếp theo là các lựa chọn thay thế cho việc sử dụng Zipline và Pyfolio. Đầu tiên là thư viện phân tích kỹ thuật, hoặc TA-LIB viết tắt. Dự án được viết bằng C ++, nhưng một trình bao bọc cho Python tồn tại. Giống như Zipline, TA-Lib cung cấp các công cụ tài chính chung như nghiên cứu chồng chéo, chỉ số động lượng, chỉ số khối lượng, chỉ số biến động, chuyển đổi giá, chỉ số chu kỳ, nhận dạng mẫu và các chức năng thống kê thuần túy.

Một danh sách đầy đủ các khả năng có thể được tìm thấy ở đây.

#9 Quantlib

Sự thay thế thứ hai cho Zipline và Pyfolio là Quantlib. Tương tự như TA-LIB, Quantlib được viết bằng C ++ và sau đó được xuất sang Python. Dự án Quantlib nhằm tạo ra một thư viện nguồn mở miễn phí để mô hình hóa, giao dịch và quản lý rủi ro. Gói chứa các công cụ để thiết kế và thực hiện các thuật toán nâng cao bao gồm các tính năng như quy ước thị trường, mô hình đường cong năng suất, người giải quyết, PDE, Monte Carlo và các tính năng khác.

Dự án đã có từ gần 20 năm và có tài liệu rộng rãi.

#10 matplotlib

Các gói Python đã nói ở trên để tài chính thiết lập các nguồn dữ liệu tài chính, cấu trúc dữ liệu tối ưu cho dữ liệu tài chính, cũng như các mô hình thống kê và cơ chế đánh giá. Nhưng không ai cung cấp một trong những công cụ Python quan trọng nhất để mô hình hóa tài chính: trực quan hóa dữ liệu (tất cả các hình ảnh trực quan trong bài viết này được cung cấp bởi matplotlib).

Không chỉ trực quan hóa quan trọng để hiểu xu hướng trong dữ liệu tài chính, mà còn để truyền đạt những hiểu biết sâu sắc cho nhân viên phi kỹ thuật. Có nhiều hơn một vài gói trực quan hóa dữ liệu trong Python, mỗi gói có mặt tích cực và tiêu cực (xem bài viết của tôi ở đây), nhưng dễ thực hiện nhất để mô hình hóa tài chính là matplotlib. Điều này chủ yếu là do thực tế là nhiều gói trong danh sách này đã dựa vào matplotlib. Ngoài ra, tài liệu rất phong phú, và cú pháp đơn giản và đơn giản.

Kết luận

Trong bài viết này, tôi đã chọn ra 10 gói Python hữu ích nhất cho tài chính. Thật thú vị khi lưu ý rằng kể từ lần cuối Activeestate đã thực hiện một loạt các gói Python cho Finance (2010), nhiều gói hàng đầu đã thay đổi nhưng Numpy, Scipy và Matplotlib vẫn là chìa khóa.

Để bắt đầu với các gói trong danh sách này, hãy tạo A & NBSP; Tài khoản nền tảng Activeestate miễn phí và sau đó tải xuống bản dựng gói tài chính hàng đầu của chúng tôi. Bản dựng chứa một phiên bản của Python 3.8 và hầu hết các gói được liệt kê trong bài đăng này để bạn có thể tự mình kiểm tra chúng.

Cách đơn giản nhất để cài đặt môi trường là trước tiên cài đặt giao diện dòng lệnh ActiveState Platform (CLI), công cụ trạng thái.

• Nếu bạn trên Linux, bạn có thể sử dụng Curl để cài đặt công cụ trạng thái: ________ 12
  

  [[6.+2.j   8.+7.j]
   [10.+0.j 12.+4.j]]

  2

Khi công cụ trạng thái được cài đặt, chỉ cần chạy lệnh sau để tải xuống bản dựng và tự động cài đặt nó vào môi trường ảo: ________ 13

[[6.+2.j   8.+7.j]
 [10.+0.j 12.+4.j]]

Tất cả các gói này (trừ Quantlib) đều có sẵn trên nền tảng ActiveSestate để đưa vào môi trường thời gian chạy của bạn. Một trong những lợi thế chính của nền tảng ActiveState là môi trường xây dựng của nó về các khả năng của nhu cầu, cho phép bạn xây dựng các gói có chứa mã C từ nguồn mà không cần thiết lập môi trường của riêng bạn hoặc nguồn trình biên dịch của riêng bạn. Nếu nguồn gốc mã có giá trị cho tổ chức của bạn, nền tảng ActiveSestate có thể giúp giảm thời gian và tài nguyên bạn chi tiêu và xây dựng thời gian chạy của bạn.

Đề xuất đọc

Sơ đồ dữ liệu trong Python: matplotlib so với cốt truyện

Top 10 gói Python cho học máy

Python nào được sử dụng để tài chính?

Học Python có tốt cho tài chính không?

Python có tốt cho các chuyên gia tài chính không?

Bạn có cần Python để tài chính không?