Python金融應用編程(資料分析、定價與量化投資)

標籤：

近年來，金融領域的量化分析越來越受到理論界與實務界的重視，量化分析的技術也取得了較大的進展，成為備受關注的一個熱點領域。所謂金融量化，就是將金融分析理論與電腦編程技術相結合，更為有效利用現代計算技術實現準確的金融資產定價以及交易機會的發現。量化分析目前已經涉及到金融領域的方方面面，包括基礎和衍生金融資產定價、風險管理、量化投資等。隨著大資料技術的發展，量化分析還逐步與大資料結合在一起，對海量金融資料實現有效和快速的運算與處理。在量化金融的時代，選用一種合適的程式設計語言對於金融模型的實現是至關重要的。在這方面，Python語言體現出了不一般的優勢，特別是它擁有大量的金融計算庫，並且可以提供與C++，java等語言的介面以實現高效率的分析，成為金融領域快速開發和應用的一種關鍵語言，由於它是開源的，降低了金融計算的成本，而且還通過廣泛的社交網路提供大量的應用執行個體，極大的縮短了金融量化分析的學習路徑。本課程在量化分析與Python語言快速發展的背景下介紹二者之間的關聯，使學員能夠快速掌握如何利用Python語言進行金融資料量化分析的基本方法。   1.課程研發環境項目使用Python 2.7環境，因為Python所包含的用於資料分析和金融應用的相關庫眾多，所以在課程與項目中使用AnocondaIntegration Environment。開發工具:Spyder，IPython，Cloudera（Hadoop應用平台）資料庫工具:SQLite（Anaconda內建），MongoDB（大資料應用一章使用）,DTN IQFEED（試用帳號，用於量化交易中高頻資料的下載）所有使用的開發工具與環境、庫等都是開源的，可以免費從互連網擷取和下載。 2.內容簡介     本教程介紹使用Python進行資料分析和金融應用開發的基礎知識。課程從介紹簡單的金融應用開始，帶領學員回顧Python的基礎知識，並逐步學習如何將Python應用到金融分析編程中。課程覆蓋了Python的基本資料結構、輸入輸出、效率分析、數學庫、隨機分析庫、統計分析庫等。接著課程以專題的形式介紹了Python與Excel的結合，學習如何使用Python的相關庫產生Excel可調用的函數；Python與Hadoop和MongoDB結合進行大資料分析的基礎知識。最後課程介紹了Python的物件導向編程並介紹了兩個案例：使用Python實現金融衍生品分析庫以及使用Python實現事件驅動的量化投資系統，使學員在實戰的環境下理解Python在金融應用開發中的具體應用方式，訓練學員獨立開發Python模組的能力。 

朱彤老師，2009年博士畢業於北京大學光華管理學院金融系，對金融、資料分析與統計有著較為深刻的理解，多年來一直持續跟蹤和研究金融量化分析與資料統計相關領域的進展與發展，對機率論、隨機過程及其在金融中的應用有著豐富的實踐經驗，擅長使用各類金融資料分析軟體，包括MATLAB, R,PYTHON,SAS,STATA等，目前就職於某量化投資交易軟體開發公司，從事軟體設計與產品經理工作，對金融、統計與交易軟體的實現方式有著豐富的經驗，熟悉使用C++,JAVA或C#實現資料分析與金融應用的基本方法。任教期間善於結合自身學習與工作經曆，以較為直觀的方式解釋金融與統計、隨機分析等相關知識，並結合編程實踐進行具體講解。朱彤老師有著豐富的教學經曆，包括講授計量經濟學、機率統計、金融衍生品定價、數量金融分析等方面，授課聲音洪亮，有耐心，講解細緻，受到學生們的廣泛好評。

 

第一講、Python與金融應用概述本講主要介紹Python的基本特性，安裝本課程所需要的Python環境，概述Python在金融資料分析中應用領域。本講將使用一個簡單的趨勢投資的例子，講解為什麼使用Python進行金融資料分析和量化投資是非常方便的。 第二講、Python的基礎資料型別 (Elementary Data Type)與資料結構本講介紹Python的基礎資料型別 (Elementary Data Type)與資料結構，包括基礎Python和NumPy庫提供的資料結構。1、基礎資料型別 (Elementary Data Type)（整型、浮點型、字元型）2、基本資料結構（元組、控制結構、函數編程、列表、字典、集合）3、NumPy資料結構（使用Python列表實現的數組、常規NumPy數組、結構數組、記憶體配置） 第三講、Python資料視覺效果本講介紹Python的matplotlib庫提供的資料視覺效果技術，雖然Python還有很多其他的資料視覺效果方式，但是matplotlib提供了一種基準實現方式。1、二維繪圖（一維資料集、二維資料集，其他繪圖模式，金融繪圖）2、3D繪圖 第四講、金融時間序列分析在金融分析中常見的一種資料類型是金融時間序列資料，本章主要介紹Python的Pandas庫對金融時間序列類型資料結構的實現——DataFrame和Series，以及如何運用這些工具進行基本的金融時間序列分析1、Pandas基礎（DataFrame類，基本分析技術，Series類，GroupBy操作）2、金融資料3、資料迴歸分析4、高頻金融資料 第五講、輸入輸出操作本講介紹Python提供的基本輸入輸出操作，以及如何在金融資料分析與投資中有效進行使用。1、Python的基本I/O操作（將對象寫入硬碟，讀寫文字檔、SQL資料庫、讀寫NumPy數組）2、使用Pandas的i/O操作（基本操作，SQL資料庫，CSV檔案、EXCEL檔案）3、使用PyTables進行快速I/O (使用Table，使用壓縮的Table，數組操作，記憶體外運算)  第六講、提升Python效率本講介紹Python中提供的提升計算效率的一些工具以及它們在金融資料分析與投資中的基本應用。1、Python運行效率分析記憶體配置與運行效率2、並行計算（Monte Carlo演算法、串列計算、並行計算）3、動態編譯（介紹例子、二叉樹期權定價）4、使用Cython靜態編譯5、基於GPU產生隨機數 第七講、數學工具本講介紹Python提供的用於金融資料分析的數學方法與工具及其背景知識與應用方式。1、近似（迴歸、插值）2、凸最佳化（全域最佳化、局部最佳化、約束最佳化）3、積分（數值積分、類比積分）4、符號計算（基礎、方程、積分、微分） 第八講、隨機分析對不確定性刻畫與研究是金融研究與分析的重要方面，本講介紹隨機分析的一些知識，在金融資料分析與投資中的應用與Python實現。1、隨機數2、類比（隨機變數、隨機過程）3、方差縮小技術4、估值（歐式期權、美式期權）5、風險測度指標（在險價值、信用風險） 第九講、統計分析統計分析是金融資料分析的核心，本講介紹常用的統計分析方法、金融應用及其Python實現。1、正態性檢驗2、資產組合最佳化3、主成分分析應用4、貝葉斯迴歸分析 第十講、數值分析技術對於一些非線性、沒有顯式解的金融和資料分析問題，需要使用數值分析的技術，本講介紹這些技術的基礎及應用，以及Python的實現。1、求解線性方程（LU分解、Cholesky分解、QR分解、Jacobi方法、Gauss-Seidel方法）2、金融中的非線性模型（隱含波動率、Markov regime-switching模型、門限自迴歸模型、平穩轉換模型）3、求根方法 第十一講、使用Python操作Excel微軟的Excel是常用的辦公軟體，是資料分析和應用的重要支撐。Python提供了豐富的與Excel互動的介面，本講介紹這些介面並舉例。1、基本的試算表互動2、Python中的Excel指令碼 第十二講、Python物件導向編程與圖形化使用者介面本講介紹Python物件導向編程技術，這是後續章節，特別是量化投資一章的基礎，除此之外，本講還介紹了Python圖形化使用者介面編程的基本方法。1、物件導向2、圖形化使用者介面 第十三講、金融中的大資料技術概述本講介紹大資料技術在金融中的應用以及使用Python的基本實現。1、Hadoop概述2、使用Hadoop實現字元統計3、Hadoop金融應用舉例4、NoSQL介紹 第十四講、案例1：使用Python構建期權分析系統本案例使用之前各講介紹的Python金融應用相關知識，構建相對完整的期權分析系統，協助學員掌握金融系統開發的要點以及Python整合應用的方式，與之前介紹相比，在案例分析中更多的使用物件導向方法。1、估值架構（資本資產定價原理，風險中性定價，市場環境等介紹）2、金融模型的類比（隨機數產生模組，泛型類比類，幾何布朗運動，帶跳躍的擴散過程類比模組，平方根擴散過程類比模組）3、衍生品估值模組（泛型估值類、歐式執行類、美式執行類）4、衍生品分析庫應用——波動率期權定價 第十五講、案例2：使用Python構建簡單的演算法交易系統演算法與程式化交易是大資料時代電腦技術在金融領域應用的最重要方面之一。本講介紹這方面的Python實現，包括基本交易、交易策略與回測等。1、演算法交易概述與架構2、實現事件驅動交易引擎（事件驅動軟體，事件類別，資料處理類，策略類，投資組合類別，執行處理類和回測類的基本編製，事件驅動執行）3、交易策略實現（移動平均跨越策略，S&P500預測交易策略，均值迴歸股票配對交易策略）4、策略最佳化（參數最佳化，模型選擇，最佳化策略）      目標一. 回顧和更深入的把握Python基礎知識與應用實現方式。目標二. 瞭解和把握各類金融模型的基本知識，包括衍生品定價，隨機類比，量化交易等。目標三. 學習和掌握Python在金融方面的基礎應用編程與效率分析。目標四. 學習Python的NumPy，Pandas，Matplotlib等庫在金融領域的具體應用實現方式。目標五. 瞭解Python與Hadoop的結合應用，掌握基本的大資料MapReduce的實現方式，瞭解Python與NoSQL資料庫（以MongoDB為例的結合應用）目標六. 理解事件驅動的演算法交易系統的基本思想與基礎類的實現，並學會幾種交易策略的回測方式。目標七. 瞭解和掌握Python物件導向編程的基本思想，可以獨立開發基於Python的金融資料分析與交易模組。 亮點一、在國內首次對事件驅動的量化交易軟體模組進行了介紹，這部分在國內現有的量化投資相關教科書和課程中是較少介紹的內容，課程使用Python語言對基礎交易模組，業績驗證模組以及交易策略回測模組進行了具體實現。亮點二、對Python金融應用的實現進行了具體介紹，覆蓋面較廣，並且以較為直觀的方式介紹原理，配以代碼實現，可以使學員對相關應用與編程有較好的理解和把握。亮點三、課程全部代碼均是一行一行手工敲入，手把手一步步帶領學員從入門到精通，並使學員可以邊聽課，邊通過鍵入代碼獲得直觀感受，並進行進一步的思考。亮點四、整個課程雖項目不大，但整個項目基本上涉及到Python編程的方方面面，所實現的項目將Python的各補充庫結合應用，便於學員整體把握Python編程思路。另外，所講授的項目還可以進行方便的擴充，學員可以進行個人化並應用到具體的工作實踐中。  1.課程針對人群本課程針對具有一定的金融基礎知識（不要求精通，但需要知道基本金融工具和金融市場的原理）的學員，想通過本項目的學習，瞭解金融分析軟體的具體實現。課程不假設學員瞭解Python相關知識和較深的金融原理，課程中會使用較為直觀的方式加以介紹並配以實現代碼。2.我該怎麼學,如何才能學好這門課程，給些建議。 4.1、時間上的安排建議本課程共66講，如果您時間上充分，建議以每天4-5講的進度往前學習。  4.2、學習要求如果您沒有基礎，建議還是中規中矩的按照課程進度一點一點仔細觀看學習，並一定要把看完的視頻中的代碼自己手敲一遍，以加深理解和記憶如果您有基礎，可不必按步就搬進行，可以拿你感興趣的部分去學習，但一定要注意實踐，並學會舉一反三  4.3、講師建議1.最好看完視頻之後，拋開視頻，獨立自己去把上課中的樣本寫一遍，看自己是否理解，如果不正確，可以回過頭看再看下視頻，如果反覆，達到真正理解和熟練掌握的目的。2.對於項目實戰部分，一定要自己親自動手做一遍，不要滿足聽完就OK了3. 建議一般聽視頻，一般拿個紙和筆，做一些記錄和筆記，這是一種非常好的學習習慣。4. 要學會思考，學會舉一反三，對課程中介紹的內容進行適當的擴充，可以加深對此內容的理解。5. 最後祝您學有所成  課程是屬於某個特定的專業技術，掌握該技術後，你可以從事以下職位的相關工作1. Python金融軟體開發工程師2. 金融應用軟體設計人員3. Python大資料和統計計算工程師 4. 量化交易員與分析師 

 

Python金融應用編程(資料分析、定價與量化投資)