Python中使用NumPy处理数据与计算金融指标

NumPy数组构建与数据读写

第1步：创建单位矩阵并导出为文本文件

在数学与工程中，主对角线元素全为1、其余全为0的正方形矩阵被称为单位矩阵。NumPy提供了eye函数用于快速生成此类二维数组，只需传入表示阶数的整数即可。

import numpy as np
I2 = np.eye(3)
print(I2)

生成成功后，可通过savetxt函数将数组序列化为本地文本文件，便于后续导入数据库或其他分析工具：

np.savetxt('eye.txt', I2) # 自动创建eye.txt文件并写入数据

第2步：解析CSV文件并拆分列数据

CSV（Comma-Separated Value）是常见的行列分隔格式，广泛用于数据库转储与电子表格交互。NumPy的loadtxt函数能够自动识别分隔符并切片指定列，配合unpack=True可将多列数据分别赋值给独立变量。

c, v = np.loadtxt('data.csv', delimiter=',', usecols=(6,7), unpack=True)
# usecols参数接收元组，指代第7列至第8列（索引从0开始）
# unpack=True启用分拆存储模式，分别映射收盘价c与成交量v
print(c)
print(v)
print(type(c))
print(type(v))

核心统计函数与价格指标计算

第3步：计算成交量加权平均价格（VWAP）与时间加权平均价格（TWAP）

成交量加权平均价格（VWAP）以交易量为权重，反映资产的实际成交成本中枢，是算法交易的核心基准；时间加权平均价格（TWAP）则侧重时间维度，近期价格赋予更高权重以模拟市场惯性。两者均可通过average函数的weights参数实现。

# VWAP计算
vwap = np.average(c, weights=v)
print(f'成交量加权平均价格vwap = {vwap}')

# TWAP计算：使用自然数序列作为递增权重
t = np.arange(len(c))
print(f'时间加权平均价格twap = {np.average(c, weights=t)}')

第4步：获取极值、极差与中位数

对于历史股价的高点序列h与低点序列l，可使用max与min提取边界值。ptp函数直接返回极差（最大值减最小值），适用于评估日内波动区间。

h, l = np.loadtxt('data.csv', delimiter=',', usecols=(4,5), unpack=True)
print(f'h数据的最大值为：{np.max(h)}')
print(f'l数据的最小值为：{np.min(l)}')
print(f'h数据的取值范围（极差）为：{np.ptp(h)}')
print(f'l数据的取值范围（极差）为：{np.ptp(l)}')

当数据存在极端异常值时，算术平均值易失真，此时应使用中位数。调用msort排序后取中间项，或使用内置median函数：

m = np.loadtxt('data.csv', delimiter=',', usecols=(6,), unpack=True)
print(f'm数据中的中位数为：{np.median(m)}')
sorted_m = np.msort(m)
N = len(c)
manual_median = (sorted_m[N//2] + sorted_m[(N-1)//2]) / 2
print(f'手动校验中位数为：{manual_median}')

第5步：计算总体方差与离差平方和

方差衡量数据偏离均值的程度。NumPy默认计算总体方差（除以样本总数N）。若需无偏估计（样本方差，除以N-1自由度），需在var中指定ddof=1，或手动实现离差平方和公式：

print(f'总体方差 variance = {np.var(m)}')
var_hand = np.mean((m - m.mean())**2)
print(f'手动离差平方和验证 var = {var_hand}')

金融时序数据处理与波动率测算

第6步：推导简单收益率与对数收益率

金融建模通常基于收益率而非绝对价格。简单收益率通过相邻价差除以前一期末价格得到；对数收益率通过对数差分计算，具有可加性与平稳性优势。注意diff返回的长度会少一位，需对齐arr[:-1]进行除法运算。

returns = np.diff(c) / c[:-1]
print(f'收益率标准差（风险度量）：{np.std(returns)}')

logreturns = np.diff(np.log(c))
print(f'对数收益率数组已就绪，长度：{len(logreturns)}')

第7步：筛选正收益日索引并估算年/月波动率

通过布尔条件筛选与where函数，可快速定位正向盈利交易日。历史波动率常通过对数收益率序列的标准差进行年度化折算。此处保留原稿计算逻辑，同时修正Python 3下的浮点除法警告：

posretindices = np.where(returns > 0)
print(f'正收益日索引：{posretindices}')

# 年波动率估算（依据原稿逻辑：收益率比率放大至年维度）
annual_vol = np.std(logreturns) / np.mean(logreturns)
annual_vol = annual_vol / np.sqrt(1.0/252.0)
print(f'每年波动率: {annual_vol}')

# 月波动率换算
monthly_vol = annual_vol * np.sqrt(1.0/12.0)
print(f'每月波动率：{monthly_vol}')

以上就是Python NumPy常用函数的具体内容，更多关于Python数据分析的基础资料请关注本站其它相关文章！