python保險模型

⑴ python 金融分析 應該使用什麼模型

鏈接：http://pan..com/s/1djPqbCXnQrRpW0dgi2MCJg

華爾街學堂 python金融實務從入門到精通。最近，越來越多的研究員、基金經理甚至財務會計領域的朋友，向小編咨詢：金融人需要學Python么？事實上在現在，這已經不是一個問題了。Python已成為國內很多頂級投行、基金、咨詢等泛金融、商科領域的必備技能。中金公司、銀河證券、南方基金、銀華基金在招聘分析師崗位時，紛紛要求熟練掌握Python數據分析技能。

課程目錄：

Python在金融資管領域中的應用

安裝anaconda步驟

Python基礎知識

Python基礎金融分析應用

成為編程能手：Python知識進階

利用Python實現金融數據收集、分析與可視化

......

⑵ python定義模型

學python的人都知道，python中一切皆是對象，如class生成的對象是對象，class本身也是對象，int是對象，str是對象，dict是對象...。所以，我很好奇，python是怎樣實現這些對象的？帶著這份好奇，我決定去看看python的源碼，畢竟源碼才是滿足自己好奇心最直接的方法。

在object.h文件中，定義了兩種數據結構PyObject和PyVarObject，代碼如下：

1 #define PyObject_HEAD 2 Py_ssize_t ob_refcnt; 3 struct _typeobject *ob_type; 4 5 #define PyObject_VAR_HEAD 6 PyObject_HEAD 7 Py_ssize_t ob_size; 8 9 typedef struct _object {10 PyObject_HEAD11 } PyObject;12 13 typedef struct {14 PyObject_VAR_HEAD15 } PyVarObject;

這兩種數據結構分別對應python的兩種對象：固定長度對象和可變長度對象。python中的所有對象都屬於這兩種對象中的一種，如int，float是固定長度對象，list，str，dict是可變長度對象。從上面兩種對象數據結構定義來看，可變長度對象和固定長度對象的頭都是PyObject結構體，也就是說python中所有對象的開頭都包含這個結構體，並且可以用PyObject *指針來訪問任何對象，這種訪問對象的方法在python的源碼中隨處可見。PyObject結構體包含兩個成員，ob_refcnt和ob_type指針。ob_refcnt用來表示對象被引用的次數，當ob_refcnt == 0時，這個對象會被立即銷毀；ob_type指針指向了一個_typeobject類型的結構體，表示對象所屬的類型，也就是生成該對象的類型，這其實很類似於面向對象中類與實例的關系，PyObject是某個類的實例，ob_type表示這個類。但與面向對象不同的是，ob_type本身也是個對象，我們來看下_typeobject的定義：

1 typedef struct _typeobject { 2 PyObject_VAR_HEAD 3 const char *tp_name; /*類型名 */ 4 Py_ssize_t tp_basicsize, tp_itemsize; /* 實例化對象的大小 */ 5 6 /* 標准方法 */ 7 8 destructor tp_dealloc; 9 printfunc tp_print;10 getattrfunc tp_getattr;11 setattrfunc tp_setattr;12 cmpfunc tp_compare;13 reprfunc tp_repr;14 15 /* 標准類（數值類，列表類，dict類）方法*/16 17 PyNumberMethods *tp_as_number;18 PySequenceMethods *tp_as_sequence;19 PyMappingMethods *tp_as_mapping;20 21 /* 其它標准方法*/22 23 hashfunc tp_hash;24 ternaryfunc tp_call;25 reprfunc tp_str;26 getattrofunc tp_getattro;27 setattrofunc tp_setattro;28 ...
29 } PyTypeObject;

從上面定義來看，_typeobject的開頭也包含了PyObject結構體，所以它也是一個對象，既然它也是一個對象，那麼按照面向對象的理解，它又是誰來生成的呢？答案是所有PyTypeObject對象都是通過PyType_Type來生成的，包括PyType_Type本身，因為PyType_Type也是PyTypeObject對象，有點繞。PyType_Type的定義是通過將PyType_Type聲明為全局靜態變數實現的，具體如下：

1 PyTypeObject PyType_Type = { 2 PyVarObject_HEAD_INIT(&PyType_Type, 0) 3 "type", /* tp_name */ 4 sizeof(PyHeapTypeObject), /* tp_basicsize */ 5 sizeof(PyMemberDef), /* tp_itemsize */ 6 (destructor)type_dealloc, /* tp_dealloc */ 7 0, /* tp_print */ 8 0, /* tp_getattr */ 9 0, /* tp_setattr */10 0, /* tp_compare */11 (reprfunc)type_repr, /* tp_repr */12 0, /* tp_as_number */13 0, /* tp_as_sequence */14 0, /* tp_as_mapping */15 (hashfunc)_Py_HashPointer, /* tp_hash */16 (ternaryfunc)type_call, /* tp_call */17 0, /* tp_str */18 (getattrofunc)type_getattro, /* tp_getattro */19 (setattrofunc)type_setattro, /* tp_setattro */20 0, /* tp_as_buffer */21 ...22 }

從PyType_Type定義來看，ob_type被初始化為它自己的地址，所以PyType_Type的類型就是自己。從python源碼實現來看，所有PyTypeObject的ob_type都會指向PyType_Type對象，所以PyType_Type是所有類型的類型，稱之為元類。python中定義了很多內建的類型對象，如PyInt_Type （int類型），PyStr_Type （str類型），PyDict_Type（dict類型） 類型對象，下面看下PyInt_Type類型的定義：

1 PyTypeObject PyInt_Type = { 2 PyVarObject_HEAD_INIT(&PyType_Type, 0) 3 "int", 4 sizeof(PyIntObject), 5 0, 6 (destructor)int_dealloc, /* tp_dealloc */ 7 (printfunc)int_print, /* tp_print */ 8 0, /* tp_getattr */ 9 0, /* tp_setattr */10 (cmpfunc)int_compare, /* tp_compare */11 (reprfunc)int_to_decimal_string, /* tp_repr */12 &int_as_number, /* tp_as_number */13 0, /* tp_as_sequence */14 0, /* tp_as_mapping */15 (hashfunc)int_hash, /* tp_hash */16 0, /* tp_call */17 ...18 };

從PyInt_Type定義來看，它主要包含了int數據類型相關的方法。PyInt_Type類型對象的初始化和PyType_Type類型類似，PyInt_Type類型的定義也是通過全局靜態變數的方式實現的，除了PyInt_Type了下，所有python內建類型都是以這種方式定義的。這些類型產生的對象都會共享這些類型對象，包括這些類型定義的方法。

在python中，怎樣查看對象的類型呢？有兩種方法，一種是直接type：

1 >>> x = 12 >>> type(x)3 <type 'int'>

另一種是通過對象的__class__屬性：

1 >>> x = 12 >>> type(x)3 <type 'int'>4 >>> x.__class__5 <type 'int'>

現在來看看int，str，dict這些類型的類型：1 <type 'int'>2 >>> type(int)3 <type 'type'>4 >>> type(str)5 <type 'type'>6 >>> type(dict)7 <type 'type'>8 >>> type(type)9 <type 'type'>從這個輸出來看，int，str，dict這些類型的類型都是type，這也印證了前面說的，所有類型都是通過元類type生成的。

⑶ python實現資產配置(1)----Markowitz 投資組合模型

現假設有A, B, C, D, E五隻股票的收益率數據((第二日收盤價-第一日收盤價)/第一日收盤價)), 如果投資人的目標是達到20%的年收益率,那麼該如何進行資產配置,才能使得投資的風險最低?

更一般的問題,假設現有x ₁ ,x ₂ ,...,x _n , n支風險資產,且收益率已知,如果投資人的預期收益為goalRet,那麼該如何進行資產配置,才能使得投資的風險最低?

1952年，芝加哥大學的Markowitz提出現代資產組合理論(Modern Portfolio Theory，簡稱MPT)，為現代西方證券投資理論奠定了基礎。其基本思想是，證券投資的風險在於證券投資收益的不確定性。如果將收益率視為一個數學上的隨機變數的話，證券的期望收益是該隨機變數的數學期望（均值），而風險可以用該隨機變數的方差來表示。

對於投資組合而言，如何分配各種證券上的投資比例，從而使風險最小而收益最大？

答案是將投資比例設定為變數，通過數學規劃，對每一固定收益率求最小方差，對每一個固定的方差求最大收益率，這個多元方程的解可以決定一條曲線，這條曲線上的每一個點都對應著最優投資組合，即在給定風險水平下，收益率最大，這條曲線稱作「有效前沿」 (Efficient Frontier)。

對投資者而言，不存在比有效前沿更優的投資組合，只需要根據自己的風險偏好在有效前沿上尋找最優策略。
簡化後的公式為:

其中 _p 為投資人的投資目標,即投資人期待的投資組合的期望值. 目標函數說明投資人資產分配的原則是在達成投資目標 _p 的前提下,要將資產組合的風險最小化,這個公式就是Markowitz在1952年發表的'Portfolio Selection'一文的精髓,該文奠定了現代投資組合理論的基礎,也為Markowitz贏得了1990年的諾貝爾經濟學獎. 公式(1)中的決策變數為w _i , i = 1,...,N, 整個數學形式是二次規劃(Quadratic Programming)問題,在允許賣空的情況下(即w _i 可以為負,只有等式約束)時,可以用拉格朗日(Lagrange)方法求解。

有效前緣曲線如下圖:

我們考慮如下的二次規劃問題

運用拉格朗日方法求解,可以得到

再看公式(1),則將目標函數由 min W ^T W 調整為 min 1/2(W ^T W), 兩問題等價,寫出的求解矩陣為:

工具包: CVXOPT python凸優化包
函數原型: CVXOPT.solvers.qp(P,q,G,h,A,b)

求解時,將對應的P,q,G,h,A,b寫出,帶入求解函數即可.值得注意的是輸入的矩陣必須使用CVXOPT 中的matrix函數轉化,輸出的結果要使用 print(CVXOPT.solvers.qp(P,q,G,h,A,b)['x']) 函數才能輸出。

這里選取五支股票2014-01-01到2015-01-01的收益率數據進行分析.
選取的五支股票分別為: 白雲機場, 華夏銀行, 浙能電力, 福建高速, 生益科技

先大體了解一下五支股票的收益率情況:

看來，20%的預期收益是達不到了。

接下來,我們來看五支股票的相關系數矩陣：

可以看出，白雲機場和福建高速的相關性較高，因為二者同屬於交通版塊。在資產配置時，不利於降低非系統性風險。

接下來編寫一個MeanVariance類，對於傳入的收益率數據，可以進行給定預期收益的最佳持倉配比求解以及有效前緣曲線的繪制。

繪制的有效前緣曲線為：

將數據分為訓練集和測試集，並將隨機模擬的資產配比求得的累計收益與測試集的數據進行對比，得到：

可以看出，在前半段大部分時間用Markowitz模型計算出的收益率要高於隨機模擬的組合，然而在後半段卻不如隨機模擬的數據，可能是訓練的數據不夠或者沒有動態調倉造成的，在後面寫策略的時候，我會加入動態調倉的部分。

股票分析部分：

Markowitz 投資組合模型求解

蔡立專：量化投資——以python為工具. 電子工業出版社

⑷ 第1章 為什麼將Python用於金融

Python在金融中的應用
在過去的十年裡，隨著自動化技術的出現，科技最終成為傑出的金融機構，銀行，保險和投資公司，股票交易公司，對沖基金，券商等公司的一部分。根據2013年的Crosman 報告，與2013年相比，銀行和金融公司2014年在科技上的花費要高出4.2%。預計在2020年，一年的金融服務的技術成本將達到5億美元。正值系統需要維護和不斷升級的時候，一些著名的銀行僱傭一些開發者是很正常的事情。那麼Python用在哪裡呢?
Python的語法很容易實現那些金融演算法和數學計算，每個數學語句都能轉變成一行Python代碼，每行允許超過十萬的計算量。
沒有其他語言能像Python這樣適用於數學，Python精通於計算，以及數學和科學中的排列組合問題。Python的第二個特性是表示數字，序列和演算法。比如SciPy庫，很適合用來做技術領域和科學領域的計算，SicPy庫被很多工程師，科學家和分析人員使用。NumPy，也是Python的一個擴展，它可以很好地處理數學函數，數組和矩陣。同時，Python也支持嚴格的編碼模式，因此，使它成為一個平衡的選擇，或者說方法。
使用更少的人達到相同的結果以及實現其他編程語言不能實現的事，是Python首要的優點。Python語法的精確和簡潔，以及它大量寶貴的第三方工具使它成為處理金融行業的錯綜復雜的事務的唯一可靠的選擇。
Cititec(英格蘭倫敦的職業介紹所)的技術招聘經理Stephen Grant說：跨市場風險管理和交易系統都在使用Python(有時會混合使用c++)，很多銀行從建立銀行的前端到資產風險系統都會選擇使用Python。使用Python的金融公司包括荷蘭銀行，德國證券交易所集團，Bellco信用社，摩根大通以及阿爾蒂斯投資管理。