你还在使用老方法玩金融吗？那和小编一起看看这篇文章，新的方法，新的尝试，包赚不赔，本文翻译自2018年最热门的Python金融教程
这篇 Python 金融教程向您介绍算法交易等内容。
技术已成为金融领域的一项资产：金融机构已不仅仅是单纯的金融机构了，它正向着技术公司演进。除了技术带来的创新速度和竞争优势以外，金融交易的速度、频率和大数据量，使得金融机构对技术的关注度日益提高，技术确已成为金融业的主要推动力。
Python金融入门必备基础知识：对于那些刚接触金融的人，首先要了解有关股票和交易策略的知识，什么是时间序列数据，以及如何设置工作空间。
常见的金融分析方法：介绍时间序列数据和常见的金融分析方法，比如使用Python包Pandas进行移动窗口、波动率计算等等。
简单的动量策略开发：首先逐步完成开发过程，然后开始编写简单的算法交易策略。
回溯测试策略：使用Pandas、zipline和Quantopian回溯测试制定的交易策略。
评估交易策略：优化策略使之获得更好的表现，并最终评估策略的性能和稳健性。
Python 金融入门
需要python学习相关教程的可以加小编的Q君羊哦！
在进入交易策略学习之前，最好先来了解基础知识。比如学会如何使用Python列表、包和NumPy。此外，尽管不是必需，但仍希望你能了解Pandas的基本知识，这是众所周知的Python数据处理包。
股票和交易
当一家公司想要扩张或承接新项目时，它可以发行股票来募集资金。股票代表在公司所有权中占的份额，并以金钱兑换的形式发放。股票可以买入和卖出：买卖双方交易现存的曾发行的股票。卖出股票的价格独立于公司业绩，股价反应的是供需关系。这意味着，每当一只股票因为成功、受欢迎等原因被认为是‘值得的’，那么它的股价就会上涨。
请注意，股票和债券并不完全相同。债券是公司通过借贷的形式筹集资金，无论是作为银行贷款还是发行债券。
正如你刚才读到的那样，买卖或者交易是我们谈论股票所不可避免的，但当然不仅限于此：交易是一种买卖资产的行为，可以是像股票、债券这样的金融证券，或者是如黄金、石油这样的有形资产。
股票交易是这样一个过程：买入股票就是将现金转换成公司所有权的股份，反之，卖出股票就是将股份换回现金。这一切交易都希望能从中获取利润。现在，为了获得丰厚的利润，在市场上要么做多，要么做空：要么你认为股价会上涨并在将来的高价位上卖出股票，要么卖出你的股票，期望在低价位上买回而盈利。当你按照固定的计划在市场上做多或做空时，你就有了一个交易策略。
开发交易策略需要经历若干阶段，就如同构建机器学习模型那样：首先制定一个策略，并以能在电脑上测试的形式实现它，然后进行初步测试或回溯测试，优化你的策略，最后评估策略的性能和稳健性。
交易策略通常通过回溯测试来验证：根据策略制定的规则，使用历史数据，重构过去可能发生的交易。通过这种方式，你能够了解策略的有效性，并在将其应用于真实市场前，把它作为策略优化的起点。当然，这通通依赖于以下信念：任何在过去表现良好的策略，也会在将来取得好的成绩，同样，任何在过去表现差劲的策略，在将来也不可能有好的表现。
时间序列数据
时间序列是在连续的、等间距的时间点上取得的一系列数据点。在投资中，时间序列跟踪选定数据点（如股票价格）的变动，它是在特定的时间跨度内，等间隔地记录数据点。如果你还是疑惑它到底长什么样子，来看看下面的例子：
x轴代表日期，y轴代表价格。在上图中，“连续的、等间距的时间点” 就是x轴上以14天为间隔的时间刻度：注意 3/7/2005 和它的下一个点 3/31/2005 之间的差值，以及 4/5/2005 和 4/19/2005 等等。
然而，你常见的股票数据不仅仅只有时间和价格这两列，大部分时候有5列，包括时间、开盘价、最高价、最低价和收盘价。这意味着，如果时间间隔设置为天，你将会得到某只股票那一天的开盘价、收盘价，以及最高、最低价。
现在，你具备了学习完本教程的基本概念。接下来这些概念马上又会出现，并在后续的学习中变得更深入。
设置工作空间
准备工作空间是一项简单的工作：基本上只需确保你的系统运行了Python和集成开发环境（IDE）。然而仍有些办法可以让你更容易地开始。
以Anaconda为例，它是Python和R的高性能发行版本，包含了超过100个最受欢迎的Python、R和Scala数据科学包。此外，安装Anaconda将使你能通过conda轻松地安装超过720个包，这里conda是集成在Anaconda中的著名管理器，用于管理包、依赖项和环境。除此之外，Anaconda还包含了Jupyter Notebook和Spyder集成开发环境。
听起来不错，对吧？
Python金融基础：Pandas
当你使用Python进行金融分析，会经常使用到数据处理包 Pandas。但当你深入时，也会涉及诸如 NumPy、SciPy、Matplotlib 这些包。
现在，让我们只关注 Pandas 并使用它分析时间序列数据。本节将介绍如何使用 Pandas 导入、探索以及处理数据。最重要的是，你将了解如何对导入的数据进行常见的金融分析。
将金融数据导入Python
pandas-datareader包允许从谷歌、雅虎财经、世界银行等数据源中读取数据。如果你想知道此函数提供的最新的数据源列表，可参阅此文档。在本教程中，你将使用pandas-datareader包读取雅虎财经的数据。首先请确保安装了此包的最新版本，可通过 pip with pip install pandas-datareader 命令实现。
提示：如果你想安装最新的开发版本，或者遇到任何问题，都可以在这里查看安装说明。
请注意雅虎API端口最近已更改，如果你已经开始使用该库，则需要安装一个临时的修复补丁，直到该补丁被合并到主干中才能使用pandas-datareader包从雅虎财经获取数据。在你开始之前，请确保查阅了此问题 。
无需担心，在本教程中数据已提前为你加载好，所以你在使用Pandas学习Python金融时不会遇到任何问题。
即便pandas-datareader提供了向Python导入数据的许多选择，它也不是唯一能获取金融数据的包：比如Quandl 库，就可以获取谷歌金融数据：
更多关于如何使用 Quandl 获取金融数据的信息，可参考此网页。
最后，如果你已经在金融领域工作了一段时间，你可能知道最常用的数据处理工具是Excel。在这种情况下，你需要了解如何将Excel集成到Python中。
查看 DataCamp 的教程 Python Excel Tutorial: The Definitive Guide ，获取更多相关知识。
使用时间序列数据
当你最终将数据导入工作空间后，首先要做的事情就是将手弄脏（指清洗、整理数据——译者注）。然而，现在要处理的是时间序列数据，这看起来可能不那么简单，因为索引是日期时间数据。
即便如此也不用担心。让我们一步步来，首先使用函数来探索数据。如果你先前已经有R或者Pandas的编程经验，那么对于这些函数就不陌生了。
没关系，你将发现这很容易！
如上述代码块所示，使用pandas_datareader将数据导入工作空间。所得到的对象 aapl 是数据框，一个二维数据结构，其每一列可以是不同类型的数据。现在当你手头有了一个常规的数据框时，首先要做的事情之一是运行 head() 和 tail() 函数来查看开始和结束的几行数据。幸运的是，当你使用时间序列数据时，这一点并不会改变。
提示：请务必使用 describe() 函数来查看数据的统计摘要信息。
正如介绍中所述，这一数据包含四列，分别是苹果股票每天的开盘价、收盘价，以及最高、最低价。此外还有另外两列，成交量和调整的收盘价。
成交量（Volume）这一列记录每天交易的股票数量。调整的收盘价（Adj Close）是将当天的收盘价进行调整，以包含第二天开盘前的任何举措。可以使用此列检查或深入分析历史回报情况。
注意索引或行标签如何包含日期，以及列或列标签如何包含数值。
提示：可以使用Pandas中的 to_csv() 函数将该数据保存为csv文档，并且通过 read_csv() 函数将数据重新读回到Python中。当因雅虎API端口被更改而无法获取数据时，这一方法是非常方便的。
现在你已经简单地查看了数据的前几行以及一些统计信息，是时候更深入一些了。
一种方法是检查索引和列，并选择某列的最后10行数据。后者被称为构造子集，因为你选择了数据中的一小部分。构造子集得到一个序列（Series），它是一个可以存储任何数据类型的一维数组。
请记住数据框结构是一个二维数组，它的每一列可以存储不同的数据类型。
让我们在接下来的练习中检查上面所说的一切。首先，使用 index 和 columns 属性来查看数据的索引和列。接着选取数据集中 Close 列的最后10个观测量。使用方括号 [] 挑出最后10个数值。你也许从其他编程语言（比如R语言）中获知了这一构造子集的方法。最后，将后者指定给变量 ts，并使用 type() 函数查看 ts 的类型。
方括号可以很好的对数据取子集，但它可能不是Pandas中最惯用的方法。这就是你还需学习 loc() 和 iloc() 函数的原因：前者用于基于标签的索引，后者用于位置索引。
实际上，这意味着你可以将行标签，如 2007 和 2006-11-01 传递给 loc() 函数，而将整数 22 和 43 传递给 iloc() 函数。
完成下面的练习来了解 loc() 和 iloc() 的工作方式。
提示：如果仔细查看子集数据，你会发现某些天的数据是缺失的；如果你更仔细地观察其模式，你会发现经常是缺失两或三天；这些天是周末或者假日，所以并不包含在你的数据中。没什么可担心的：这很正常，也无需填补缺失的日期。
除了索引，你可能还想研究其他技术来更好的了解数据。你永远不知道还会发生什么。让我们尝试从数据集中采集20行数据样本，然后按月而不是天对数据 aapl 进行重新采样。可以使用 sample() 和 resample() 函数来实现：
非常直截了当，不是吗？
resample() 函数使用频繁，因为它为时间序列的频率转换提供了精细而灵活的控制：除了指定新的时间间隔，处理缺失数据以外，还能选择对数据重新采样的方式，如上述代码所示。asfreq() 方法与之类似，不过只能实现前两项功能。
提示：在 IPython 控制台中尝试代码 aapl.asfreq(“M”, method=“bfill”)，并查看其输出结果。
最后，在进行数据可视化和常见的金融分析这些进阶的数据探索之前，你可能已经开始计算每天开盘价和收盘价之间的差值了。在Pandas的帮助下，可以轻易地实现这一算数运算；只需将 aapl 数据的 Open 列数值减去该数据的 Close 列数值即可。换言之，就是从 aapl.Open 中减去 aapl.Close。将结果存入 aapl 数据框中新的一列 diff 中，另外可以使用 del 将其删除：
提示：请确保注释掉最后一行代码，这样 aapl 数据框的新列不会被删除，并且你可以检查算术运算的结果！
当然，了解绝对收益可帮助你知道自己是否做了一个好的投资。但是作为一名定量分析者，你可能对使用相对方法衡量股票价值更感兴趣，比如某只股票上涨或下跌的幅度。计算每日的百分比变化便是这样一种方法。
现在知道这一点很好，不过也不用担心，接下来你将会越来越深入地进行了解。
本节介绍了在开始预分析之前，进行数据探索的一些方法。但是仍有可提高的余地，如果你想了解更多，可阅读 Python Exploratory Data Analysis 这篇教程。
可视化时间序列数据
在使用 head(), tail()，索引等方法探索数据之后，你大概想要可视化时间序列数据。多亏了Pandas的绘图功能整合了 Matplotlib 包，使这项任务变得容易了；只要使用 plot() 函数并传递给它相关的参数即可。另外，也可以使用 grid 参数来为图片添加网格背景。
让我们检查并运行以下代码，看看如何绘制这样一幅图！
用Python玩 金融：基础入门篇，（算法交易）
文章来自网络，如有侵权联系小编删除！