《Python 金融大数据分析》记录

本文记录一些该书中出现的知识,方便需要使用的时候查询。

  • 隐含波动率

隐含波动率是在其他条件下不变的情况下,输入公式不同期权行权价格和到期日测得的市场报价的那些波动率值。
这种情况下隐含波动率不是模型/公式的输入参数,而是对该公式进行某项数字化优化过程的结果

  • 4.1 基础数据结构:
    Python 整数可以为任意大,解释程序简单地使用所需位/字节表现数值。
 a = 10000
 a.bit_length()   #结果为17位
 term = 10**100
 term.bit_lengt()  #结果为333位

字符串
《Python 金融大数据分析》记录_第1张图片

《Python 金融大数据分析》记录_第2张图片
《Python 金融大数据分析》记录_第3张图片
字典
《Python 金融大数据分析》记录_第4张图片
《Python 金融大数据分析》记录_第5张图片

matplotlib可视化:
《Python 金融大数据分析》记录_第6张图片
《Python 金融大数据分析》记录_第7张图片

《Python 金融大数据分析》记录_第8张图片
《Python 金融大数据分析》记录_第9张图片

6.1 pandas
data_range函数
《Python 金融大数据分析》记录_第10张图片
freq参数选值
《Python 金融大数据分析》记录_第11张图片
plot方法(Pandas在matplotplib接口上)
《Python 金融大数据分析》记录_第12张图片
《Python 金融大数据分析》记录_第13张图片
pandas对应时间片处理方法

>>> index = pd.date_range('1/1/2000', periods=9, freq='T')
>>> series = pd.Series(range(9), index=index)
>>> series
2000-01-01 00:00:00    0
2000-01-01 00:01:00    1
2000-01-01 00:02:00    2
2000-01-01 00:03:00    3
2000-01-01 00:04:00    4
2000-01-01 00:05:00    5
2000-01-01 00:06:00    6
2000-01-01 00:07:00    7
2000-01-01 00:08:00    8
Freq: T, dtype: int64

#以三分钟为时间片统计 每三分钟的内数据的累计总和
>>> series.resample('3T').sum() 
2000-01-01 00:00:00     3
2000-01-01 00:03:00    12
2000-01-01 00:06:00    21
Freq: 3T, dtype: int64
#向下填充获得每分钟的数据累计和
a.resample(rule = '1min').ffill()
2000-01-01 00:00:00     3
2000-01-01 00:01:00     3
2000-01-01 00:02:00     3
2000-01-01 00:03:00    12
2000-01-01 00:04:00    12
2000-01-01 00:05:00    12
2000-01-01 00:06:00    21
Freq: T, dtype: int64

高性能Python
由于Python过于动态的特性,因此对科学计算速度并不是很快,因此有三种加速方式:Numba,pypy,Cython。
1. Numba
jit 的全称是 Just-in-time,在 numba 里面则特指 Just-in-time compilation(即时编译)。Numba不支持列表表达式,其优势是对任意函数应用该方法毫不费力。

http://m.blog.csdn.net/hl541867329/article/details/75637324

http://blog.csdn.net/seekiu/article/details/46730951

2.Cython
3.pypy

https://www.zhihu.com/question/24695645?sort=created

4.GPU

你可能感兴趣的:(python,随手记录)