Sự phổ biến của ngôn ngữ lập trình Python, ít nhất một phần, là do tính linh hoạt mà nó mang lại. Ngoài số lượng lớn các trường hợp sử dụng trong phát triển ứng dụng và web, Python còn cung cấp các công cụ để xây dựng và triển khai 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 phương tiện nhằm nâng cao chức năng và tính di động của ngôn ngữ. Đối với các ứng dụng cụ thể hơn, Chỉ mục 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 chứng tỏ là một công cụ đáng gờm trong việc phát triển các công nghệ tài chính mới. Từ xử lý các số liệu thô đến tạo Giao diện người dùng đồ họa [GUI] trực quan nhưng đẹp mắt về mặt thẩm mỹ, có vô số gói tồn tại để giúp người dùng xây dựng mô hình tài chính của riêng họ. Trong bài viết này, tôi sẽ nêu bật 10 gói hàng đầu của tôi về tài chính và lập mô hình tài chính với một vài ví dụ cơ bản. Tất cả các gói này [ngoại trừ quantlib] đều có sẵn trên Nền tảng ActiveState để đưa vào môi trường thời gian chạy của bạn
Các gói Python hữu ích nhất cho tài chính
Lĩnh vực công nghệ tài chính rất rộng lớn, bao gồm 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 dành riêng cho tài chính định lượng, đòi hỏi các tác vụ lập trình như nhập và chuyển đổi dữ liệu, chuỗi thời gian và phân tích rủi ro, giao dịch và kiểm tra ngược, tích hợp excel và trực quan hóa dữ liệu. Tôi lấy mẫu một số gói tốt nhất để hoàn thành từng nhiệm vụ
#1 NumPy
Về cơ bản, tất cả các mô hình tài chính đều dựa vào những con số khủng. Một vài gói đầu tiên tôi có trong danh sách cung cấp khuôn khổ để làm như vậy. Đầu tiên là NumPy. NumPy là gói cần thiết nhất cho tính toán khoa học và toán học trong Python. Nó không chỉ giới thiệu mảng và ma trận n chiều vào Python mà còn chứa một số hàm toán học cơ bản để thao tác với các cấu trúc dữ liệu này. Hầu hết các gói Python cấp cao hơn dành cho tài chính được đề cập sau trong danh sách này đều phụ thuộc vào NumPy
Ví dụ: để tạo hai ma trận phức tạp 2×2 và in tổng
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]
đầu ra
[[6.+2.j 8.+7.j] [10.+0.j 12.+4.j]]
Và lấy liên hợp phức của một trong số chúng
np.conj[a]
Thông tin thêm về cách NumPy được sử dụng có thể được tìm thấy ở đây
#2 Khoa học viễn tưởng
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 phức tạp dựa trên dữ liệu này, cần có một kho lưu trữ các công cụ và hoạt động thống kê tiên tiến hơn. Nhập SciPy. Gói này cung cấp các chức năng và thuật toán quan trọng đối với các tính toán khoa học nâng cao 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 thức nội suy khác nhau
from scipy.interpolate import interp1d import pylab x = np.linspace[0, 5, 10] y = np.exp[x] / np.cos[np.pi * x] f_nearest = interp1d[x, y, kind='nearest'] f_linear = interp1d[x, y] f_cubic = interp1d[x, y, kind='cubic'] x2 = np.linspace[0, 5, 100] pylab.plot[x, y, 'o', label='data points'] pylab.plot[x2, f_nearest[x2], label='nearest'] pylab.plot[x2, f_linear[x2], label='linear'] pylab.plot[x2, f_cubic[x2], label='cubic'] pylab.legend[] pylab.show[]
#3 Gấu trúc
NumPy và SciPy đặt nền tảng toán học. Mặt khác, gói gấu trúc 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 dạng bảng, đa chiều và không đồng nhất. Các thao tác phổ biến nhất, chẳng hạn như nhóm, nối, hợp nhất hoặc điền, thay thế và gán giá trị null, có thể được thực hiện 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 biểu đồ nhanh, truy xuất số liệu thống kê cơ bản hoặc xuất dữ liệu
Để tạo một DataFrame
import pandas as pd
df_1 = pd.DataFrame[{'col1': [1,2], 'col2': [3,4]}]Và để nối hai khung dữ liệu lại với nhau
df_2 = pd.DataFrame[{'col3': [5,6], 'col4': [7,8]}]
df = pd.concat[[df_1,df_2], axis = 1]đầu ra
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 tài liệu ở đây
#4 mô hình thống kê
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 được xây dựng trên các gói này bằng cách triển khai thử nghiệm nâng cao hơn cho các mô hình thống kê khác nhau. Một danh sách đầy đủ các số liệu thống kê và chẩn đoán kết quả cho từng công cụ ước tính có sẵn cho bất kỳ mô hình cụ thể nào, với mục tiêu cung cấp cho người dùng bức tranh toàn cảnh về hiệu suất của mô hình. Các kết quả được kiểm tra dựa trên các gói thống kê hiện có để đảm bảo rằng chúng chính xác
Ví dụ, tôi nhập tập dữ liệu tích hợp
________số 8_______Và để phù hợp với tập 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
Đến giờ thì các gói mình liệt kê ra vô tư kiểu đang xét. Tất nhiên, khi xem xét các mô hình tài chính, chúng ta 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 lớn dữ liệu kinh tế, tài chính và thị trường 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 thô đều được truy cập miễn phí khi đăng ký [bạn cần có khóa API], với các bộ dữ liệu chuyên sâu và nâng cao hơn có sẵn với chi phí
Các tài liệu gói có thể được tìm thấy ở đây
#6 Đu dây
Zipline là gói liên kết tất cả các số liệu thống kê, cấu trúc dữ liệu và nguồn dữ liệu với nhau. Nó là một thư viện giao dịch thuật toán đáng gờm dành cho Python, bằng chứng 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 được nhập dễ dàng và các thuật toán tùy chỉnh được thiết kế, thử nghiệm và triển khai dễ dàng. Điều này bao gồm kiểm tra lại 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]]0
Chúng tôi nhập các hàm đặt hàng, bản ghi và biểu tượng từ zipline để xây dựng thuật toán ghi lại giá cổ phiếu của Apple. Để biết thêm ví dụ về các thuật toán, hãy xem tài liệu
#7 Danh mục đầu tư
Sau khi thiết kế và thử nghiệm một thuật toán trong zipline, gói pyfolio cung cấp một cách dễ dàng để tạo ra một giọt nước mắt chứa thống kê hiệu suất. Những số liệu thống kê này bao gồm lợi nhuận hàng năm/hàng tháng, phân vị lợi nhuận, tỷ lệ beta/Sharp luân phiên, doanh thu danh mục đầu tư, v.v. Để tạo một giọt nước mắt mẫu trên một cổ phiếu duy nhất
[[6.+2.j 8.+7.j] [10.+0.j 12.+4.j]]1
Đầu ra sẽ là một loạt các bảng và sơ đồ chứa các chỉ số hiệu suất
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, viết tắt là TA-Lib. Dự án được viết bằng C++, nhưng tồn tại trình bao bọc cho Python. Giống như zipline, TA-Lib cung cấp các công cụ tài chính phổ biến như nghiên cứu chồng chéo, chỉ báo động lượng, chỉ báo khối lượng, chỉ báo biến động, biến đổi giá, chỉ báo 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 Lượng tử
Giải pháp 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 mục đích tạo ra một thư viện mã nguồn mở, miễn phí để lập mô hình, giao dịch và quản lý rủi ro. Gói chứa các công cụ để thiết kế và triển khai các thuật toán nâng cao bao gồm các tính năng như quy ước thị trường, mô hình đường cong lợi suất, bộ giải, PDE, Monte Carlo, v.v.
Dự án đã tồn tại gần 20 năm và có nhiều tài liệu
#10 Matplotlib
Các gói python dành cho tài chính đã nói ở trên 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 có công cụ nào cung cấp một trong những công cụ Python quan trọng nhất để lập mô hình tài chính. trực quan hóa dữ liệu [tất cả các trực quan hóa trong bài viết này được cung cấp bởi matplotlib]
Trực quan hóa không chỉ quan trọng để hiểu các 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 gói trực quan hóa dữ liệu trong Python, mỗi gói đều có mặt tích cực và tiêu cực [xem bài viết của tôi tại đây], nhưng dễ triển khai nhất cho mô hình tài chính là matplotlib. Điều này chủ yếu là do nhiều gói trong danh sách này đã dựa trên matplotlib. Ngoài ra, tài liệu rất phong phú và cú pháp đơn giản và dễ hiểu
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 ActiveState thực hiện tổng hợp các gói Python cho tài chính [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 tài khoản ActiveState Platform miễn phí, sau đó tải xuống bản dựng "10 gói tài chính hàng đầu" của chúng tôi. Bản dựng chứa phiên bản Python 3. 8 và hầu hết các gói được liệt kê trong bài đăng này để bạn có thể tự kiểm tra chúng
Cách đơn giản nhất để cài đặt môi trường là cài đặt giao diện dòng lệnh [CLI] của ActiveState Platform, State Tool.
- Nếu bạn đang dùng Linux, bạn có thể sử dụng curl để cài đặt State Tool
[[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
[[6.+2.j 8.+7.j] [10.+0.j 12.+4.j]]3
Tất cả các gói này [ngoại trừ quantlib] đều có sẵn trên Nền tảng ActiveState để đưa vào môi trường thời gian chạy của bạn. Một trong những ưu điểm chính của Nền tảng ActiveState là khả năng “xây dựng môi trường theo yêu cầu”, cho phép bạn xây dựng các gói chứa mã C từ nguồn mà không cần thiết lập môi trường của riêng bạn hoặc cung cấp trình biên dịch của riêng bạn. Nếu nguồn gốc mã có giá trị đối với tổ chức của bạn, thì nền tảng ActiveState có thể giúp giảm thời gian và tài nguyên bạn dành để tìm nguồn cung ứng và xây dựng thời gian chạy của mình
Bài đọc được đề xuất
Vẽ dữ liệu trong Python. matplotlib so với cốt truyện
10 gói Python hàng đầu cho Machine Learning
Các câu hỏi thường gặp
Vâng, Python là ngôn ngữ lập trình phổ biến trong ngành tài chính. Có một số thư viện tài chính Python phù hợp để lập mô hình và xử lý số, nhưng Python cũng cung cấp các thư viện tự động hóa việc nhập, làm sạch, thao tác và trực quan hóa dữ liệu
Để biết thêm thông tin về tự động chuẩn bị dữ liệu trong Python, hãy tham khảo Tự động hóa chuẩn bị dữ liệu
Vâng, như bài đăng này gợi ý, có rất nhiều thư viện tài chính Python có sẵn để lập mô hình có thể áp dụng cho mọi thứ, từ bảo hiểm đến ngân hàng đến giao dịch chứng khoán. Cho dù bạn muốn thực hiện các loại mô hình thống kê, định lượng hay các loại mô hình khác, bạn sẽ tìm thấy Python
thư viện tài chính đến nhiệm vụ
Để biết thêm thông tin, hãy đọc bảng dữ liệu Python cho ngành tài chính của chúng tôi
Thư viện tài chính Python có thể được tìm thấy trong nhiều gói học máy và khoa học dữ liệu. Mặc dù bạn có thể cài đặt từng cái một bằng cách sử dụng pip, nhưng việc cài đặt một bản dựng Python duy nhất chứa tất cả các thư viện phổ biến nhất cùng một lúc sẽ dễ dàng hơn nhiều
Cài đặt môi trường thời gian chạy 10 Gói tài chính hàng đầu được xây dựng sẵn của chúng tôi dành cho Linux để dùng thử các thư viện tài chính Python phổ biến nhất
Tùy thuộc vào trường hợp sử dụng của bạn, một số thư viện tài chính Python nhất định sẽ hữu ích hơn các thư viện khác. Tuy nhiên, có một bộ gói chung mà bất kỳ ai làm việc trong ngành tài chính đều thấy không thể thiếu, bao gồm
- Numpy – cung cấp hỗ trợ cho mảng và ma trận, đồng thời là gói đi kèm để xử lý số
- Scipy – kho lưu trữ các công cụ và toán tử thống kê nâng cao cho phép bạn xây dựng các mô hình phức tạp
- Matplotlib – cung cấp khả năng trực quan hóa dữ liệu để bạn có thể dễ dàng xác định xu hướng trong dữ liệu tài chính hơn
Nhận các thư viện tài chính Python phổ biến nhất trong một môi trường Python dựng sẵn. Tải xuống thời gian chạy 10 gói tài chính hàng đầu cho Linux