- 博客(77)
- 资源 (12)
- 收藏
- 关注
原创 利用pandas进行数据框操作
利用pandas进行数据框操作import pandas as pdimport numpy as npimport osimport tushare as tspro=ts.pro_api('7fac027f24db4e9bddd02e3f998cd48f9f28551050860e2c402d87fc')import matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['simhei']#用于正常显示中文标签plt.rcPar
2020-05-12 17:10:28 1683 1
原创 matplotlib作图基本操作
import matplotlib.pyplot as pltimport pandas as pdimport numpy as npimport seaborn as snsplt.rcParams['font.sans-serif']=['simhei']#用于正常显示中文标签plt.rcParams['axes.unicode_minus']=False#用于正常显示负号'''各种图形'''if __name__=='__main__': plt.plot()#折线图
2020-05-12 16:55:12 438
原创 使用python做FamaMacBeth回归
金融资产定价常常需要用到FamaMacBeth回归。我们用python写一个模板,可以直接将数据调成需要的格式,代入代码即可出结果。所要求的数据格式,可以从链接下载。
2023-05-30 21:14:03 1345
原创 计算单变量的Newey-West的t值
我们用Y对常数1序列做OLS回归,那么回归系数便是Y的期望均值。如果给这次回归设置Newey-West调整,那么回归系数的t值便是Y的Newey-West的t值。对于单时间序列Y,我们可以通过t检验的方式,检验其是否显著异于0。
2023-05-30 13:46:40 1249
原创 用python计算标普500期权的持有至到期delta对冲收益,参考Bakish(2003)
我们参考Bakish(2003)计算标普500期权的持有一个月到期收益率,并按照在值程度进行分类分组,然后观察各组的平均收益率。参考文献:Bakshi, G., and N. Kapadia. “Delta-Hedged Gains and the Negative Market Volatility Risk Premium.” Review of Financial Studies, 16 Bakish (2003), 527–566.
2023-05-22 18:25:32 491
原创 用python的statamodels模块拟合VAR模型
import pandas as pdimport statsmodels.api as smfrom statsmodels.tsa.vector_ar.var_model import VARimport statsmodels.stats.diagnosticimport numpy as np# 其他包#创建数据t=300data=pd.DataFrame({'Y1':np.random.normal(0,1,t), 'X1':-3*np.ra
2021-08-26 19:29:40 1002
原创 python的statamodels模块的VAR模型实例
import pandas as pdimport statsmodels.api as smimport numpy as np# 其他包#创建数据t=300data=pd.DataFrame({'Y1':np.random.normal(0,1,t), 'X1':-3*np.random.normal(0,1,t), 'X2':5*np.random.normal(0,1,t)},
2021-08-26 19:13:12 2172
原创 用python将数据保存至现存excel的指定sheet内
import openpyxlimport pandas as pddef save_to_excel_sheet(data,path_excel,sheet_name): """将DataFrame数据存入指定excel的指定表格名称""" wb = openpyxl.load_workbook(path_excel) # 将空白表格指定为wb writer = pd.ExcelWriter(path_excel, engine='openpyxl') # 准备往空白表
2021-08-16 23:38:17 7384
原创 使用python的模拟退火算法估计heston期权定价模型的五个参数(新)
一、Heston期权定价模型理论1973年BS期权定价模型的诞生标志着期权定价进入精确的数量化测度阶段。但是BS模型假设标的资产波动率为常数,这与现实市场观测到的“波动率微笑”曲线严重不符。heston假设标的资产的价格服从如下过程,其中波动率为时变函数[1]:并且求出了欧式看涨期权定价公式[2]:本文使用python实现了上述定价公式。该公式需要输入一共九个参数,其中[v0,kappa,theta,sigma,rho]需要提前自行设置并填入。另外四个 [K,t,s0,r]:[执行价格,剩余
2021-08-11 17:00:10 3427 8
原创 python的matplotlib的常用绘图函数模版
import matplotlib.pyplot as plt# from mpl_toolkits.mplot3d import Axes3Dimport matplotlib as mplimport numpy as npimport pandas as pdimport timeplt.rcParams['font.sans-serif']=['simhei']#用于正常显示中文标签plt.rcParams['axes.unicode_minus']=False#用于正常显示负号fr
2021-05-28 23:35:07 295
原创 用python的pyautogui模块模拟鼠标点击和键盘输入
import pyautoguiimport numpy as npimport time#屏幕坐标与定位width, height = pyautogui.size()#获取屏幕宽高location=pyautogui.position()#获得鼠标当前的位置location.x;location.y#屏幕宽和高pyautogui.onScreen(x=40, y=150)# 判断(x,y)是否在屏幕上#移动鼠标位置pyautogui.moveTo(x=40, y=50, dur
2021-05-11 22:07:33 5528
原创 把python的字典文件保存为.json格式的文件
#将字典结构数据保存为 .json 格式文件,并打开import jsondict_={'a':4,'b':[2,6,4,3,2],'c':{'d':4,'e':5}}#代保存字典文件dict_json=json.dumps(dict_)#转化为json格式文件#将json文件保存为.json格式文件with open('file.json','w+') as file: file.write(dict_json)#读取.json格式文件的内容with open('file.js
2021-05-02 23:15:17 6469
原创 python计算上证50ETF的已实现波动率
本文使用某个交易日内的上证50ETF的5分钟收盘价(原始数据:),计算该交易日的已实现波动率。日度已实现波动率的计算公式如下:同时,周度已实现波动率和月度已实现波动率的计算公式如下:import pandas as pdimport numpy as npimport matplotlib.pyplot as pltimport timeplt.rcParams['font.sans-serif']=['simhei']#用于正常显示中文标签plt.rcParams['axes.unicod
2021-03-24 20:10:13 7946 7
原创 高斯核函数回归
假设自变量为X,因变量为Y。X中含有n个样本,并且与Y中的值一一对应。对于自变量样本的任意取值x,它有个一唯一对应的y。为了计算y,利用其他自变量样本对应的y取加权平均值,权重为其他自变量样本距离该x的样本距离。距离x越远的样本,则对应的y的权重越小。这种回归方式称为高斯核函数回归。依据不同形式的核函数,可以计算出不同的自变量样本权重。期权的隐含波动率与期权的在值程度和期权剩余到期时间具有函数关系。本文用高斯核函数回归的方式,选取2020年12月30日上证50ETF期权的数据,建立隐含波动率模型。样本数据
2021-03-10 14:12:08 2967
原创 多元核密度回归
import statsmodels.nonparametric.kernel_regression as kderegimport pandas as pdimport numpy as npX=pd.DataFrame(np.random.randint(0,100,size=[100,2]))#自变量Y=pd.DataFrame(np.random.normal(9,5,size=[100]))#因变量model=kdereg.KernelReg(endog=Y,
2021-03-03 17:55:48 919 7
原创 利用python的pyqt5制作页面的一般模板
本文以制作一个简陋的计算器页面为例,来介绍制作页面时必不可少的一些部分首先是主页面,该页面用于汇集页面和功能,如下:main.pyimport sys#必要部分1:必须导入sys模块from PyQt5.QtWidgets import QMainWindow, QApplication#必要部分2:QMainWindow可以提供.show()方法,从而展示窗口from 计算两个数字 import *#必要部分3:计算两个数字.py是生成界面的文件class window(QMainWind
2021-02-11 19:51:58 1981 2
原创 安装pyqt5和配置QTdesigner
首先,安装PyQt5和pyqt5-tools由于使用pip方法安装非常缓慢,并且容易中途断网下载失败,所以最好先去官网下载PyQt5和pyqt5-tools的.whl文件,将文件放置在python的scripts目录下,再将cmd切换至scripts目录下,最后再用pip方法安装。详细过程参考下面:https://blog.csdn.net/midulg_cn5513/article/details/104684371?ops_request_misc=%25257B%252522request%252
2021-02-11 19:08:44 600 2
原创 python的matplotlib常用绘图函数
matplotlib具有强大的绘图功能,但是语句琐碎,每次使用都需要一句一句书写未免太过麻烦。本文根据平时绘图经验总结了常用绘图函数,可以直接使用,非常方便import matplotlib.pyplot as pltimport pandas as pdimport numpy as npplt.rcParams['font.sans-serif']=['simhei']#用于正常显示中文标签plt.rcParams['axes.unicode_minus']=False#用于正常显示负号1
2021-01-23 15:50:48 893 1
原创 使用python的statsmodels模块拟合ARIMA模型
导入必要包和模块from scipy import statsimport pandas as pdimport matplotlib.pyplot as pltimport statsmodels.api as smfrom statsmodels.tsa.arima.model import ARIMAfrom statsmodels.graphics.tsaplots import plot_predictplt.rcParams['font.sans-serif']=['simhei'
2021-01-19 13:36:20 9066 8
原创 R语言拟合ARIMA模型
对于时间序列数据,常常需要用ARIMA模型作出拟合。本文使用R语言对客运量数据作出ARIMA拟合,提供一个一般化的ARIMA模型模板。在开始前,安装并导入必要的包install.packages('fUnitRoots')#安装单位根检验包library(fUnitRoots) install.packages('tseries')library(tseries)install.packages('forecast')#安装预测用的包library(forecast)1.读取数据并画图d
2021-01-13 20:08:15 18488 5
原创 三、连接查询
连接查询所使用的数据,主要是女生信息表、男生信息表、男生所在城市表和女生身高评价表一、创建数据#创建表DROP TABLE table_1;DROP TABLE table_2;DROP TABLE table_3;DROP TABLE table_4;#table_1:表1 女生信息表CREATE TABLE table_1(id INT(6),name_ VARCHAR(16),location VARCHAR(16),highth INT(4),phone VARCHAR(
2021-01-11 19:25:04 159
原创 二、函数的使用
使用的数据为上一节中的员工信息数据employes/*select 函数名(实参列表) from 表;分类:1.单行函数:字符函数、数学函数、日期函数、其他函数、流程控制函数 2.分组函数:又称统计函数*/#一.字符函数#length():返回参数值字节个数SELECT LENGTH('john');SELECT LENGTH('祖国');#concat():拼接字符串SELECT CONCAT(name_last,'_',name_first) FROM employe
2021-01-11 19:07:27 111
原创 一、MySQL的查询
本文主要是关于常用语句SELECT的应用,首先需要导入数据。这些数据是关于员工的信息。1、创建数据#创建数据CREATE TABLE employes(id INT(6),name_first VARCHAR(20),name_last VARCHAR(25),email VARCHAR(25),phone VARCHAR(20),job_id VARCHAR(10),salary DOUBLE(10,2),commission_pet DOUBLE(4,2),manager_id
2021-01-11 18:58:45 107
原创 MySQL常用指令
show databases; 展示所有数据库use sys; 使用指定数据库show tabels; 展示当前数据库内的数据表show tabels from mysql; 展示mysql数据库内的所有数据表select database(); 查看当前使用的库create database test;创建新的数据库testuse test; 使用test数据库在当前的数据库中创建数据表studentscreate table students(id int,name varch
2021-01-04 11:06:41 175
原创 MySQL登录
MySQL安装参考https://blog.csdn.net/s15936634286/article/details/102809229?ops_request_misc=%25257B%252522request%25255Fid%252522%25253A%252522160964327416780304623455%252522%25252C%252522scm%252522%25253A%25252220140713.130102334…%252522%25257D&request_id=
2021-01-03 22:22:57 129
原创 观察分组方式对股票收益率平均偏度和峰度的影响_20201115_
本文使用从20031231到20201113上证50指数对数收益率样本共计4099个。按照每组包含20、40、60…600个样本的分组方式,将数据分别划分为相应的组数。先分别计算每个样本组的均值、标准差、偏度和峰度,再对所有样本组数据进行标准化处理,计算总体均值,标准差,偏度和峰度。"""计算各种样本分组情况下的,数据标准化统计量平均值"""import pandas as pdimport numpy as npimport osimport copyimport matplotlib.pyp
2020-11-15 11:25:14 1174
原创 通过tushare pro获得股票和期权数据
通过tushare pro获得股票和期权数据1.导入模块# -*- coding: utf-8 -*-import tushare as tspro=ts.pro_api()#该token需要登录tushare金融社区获得,详情加QQ群885229735"""tushare pro网址链接https://www.waditu.com/document/2"""2.获得股票数据"""一,基础数据"""stock_info = pro.stock_basic(exchange='', li
2020-11-14 12:33:07 1779 1
原创 国内供应链管理案例资料搜索_2020_7_22
使用python的selenium模块驱动浏览器进行网络爬虫,获取指点关键词的所有百度网页内容。from selenium.webdriver.chrome.options import Optionsimport pandas as pdimport numpy as npfrom selenium import webdriver # 导入selenium自动化测试模块from lxml import html # 导入xpath解析模块import time # 导入时间模块etre
2020-11-13 13:50:03 263
原创 修改pycharm的运行选中代码的快捷键
pycharm中运行选中代码的功能名称是:Execute Selection in Python Console快捷键是 Alt+Shift+E
2020-11-11 21:21:07 2706
原创 使用statsmodels模块做多元线性回归
import numpy as npimport pandas as pdimport statsmodels.api as sm#生成数据data=pd.DataFrame({'Y':np.random.normal(0,1,30),'X1':-3*np.random.normal(0,1,30),'X2':5*np.random.normal(0,1,30)})model=sm.formula.ols('Y~X1+X2',data=data).fit()#拟合模型model.params
2020-11-07 15:21:33 2717
原创 用模拟退火算法估价heston期权定价模型的五个参数
1973年BS期权定价模型的诞生标志着期权定价进入精确的数量化测度阶段。但是BS模型假设标的资产波动率为常数,这与现实市场观测到的“波动率微笑”曲线严重不符。heston假设标的资产的价格服从如下过程,其中波动率为时变函数[1]:并且求出了欧式看涨期权定价公式[2]:本文使用python实现了上述定价公式。该公式需要输入一共九个参数,其中[v0,kappa,theta,sigma,rho]需要提前自行设置并填入。另外四个 [K,t,s0,r]:[执行价格,剩余时间,标的资产价格,无风险利率]
2020-11-01 23:13:12 5623 24
原创 python中关键字continue、break和finally的区别用法
for i in range(1,100): print(i) if i >30: continue#立刻结束当前循环,进入下一次循环。比如当前正在i=31处,立刻进入i=32的循环for i in range(1,100): print(i) if i >30: break#立刻结束循环,代码运行结束for i in range(1,100): print(i) try: if i >
2020-10-28 18:52:20 555
原创 SVM支持向量机算法利用python实现:以预测CPU种类(i5,i7,i9)和通过学生成绩判断学生性别为例
#导入模块from sklearn import svmimport pandas as pdimport numpy as npfrom sklearn import model_selectionfrom sklearn import metricsimport matplotlib.pyplot as pltplt.rcParams['font.sans-serif']=['simhei']#用于正常显示中文标签plt.rcParams['axes.unicode_minus']=F
2020-10-26 21:21:25 1115 6
原创 利用螺纹钢期货对钢材采购成本做对冲_2020_10_24
由于钢材市场价格波动较大,因此公司在采购钢材时面临较大的风险。通过螺纹钢期货可以提前锁定钢材价格,从而为公司管理决策减少未知和不确定性。import openpyxlimport pandas as pdpd.set_option('display.max_columns', None)# 显示所有列import matplotlib.pyplot as pltimport numpy as npfrom sklearn.linear_model import LinearRegression
2020-10-24 21:02:58 863
原创 红警2单位属性汇总_20201009_
将红警的规则文件 rules.ini 放置在工作目录,运行如下代码,便可以将红警中的士兵,战车和建筑单位相关属性信息汇总在excel表格中相关文件都放置于资源文件中#红警单位属性信息汇总import pandas as pdpd.set_option('display.max_columns', None)# 显示所有列pd.set_option('display.width', 300)#设置显示数据的宽度import re#1.文件读取file=open('rules.txt')#打开
2020-10-09 22:32:47 4198 1
金融资产定价常常需要用到FamaMacBeth回归 我们用python写一个模板,可以直接将数据调成需要的格式,代入代码即可出结
2023-05-30
隐含波动率样本数据.xlsx
2021-03-10
用模拟退火算法估计heston期权定价模型参数.zip
2020-11-01
台式机电脑CPU参数数据.xlsx
2020-10-26
红警单位数据统计.xlsx
2020-10-09
用于配合机器学习的数据资源
2020-07-18
option_data.xlsx
2020-06-21
附件1:债券日度价格.xlsx
2020-06-13
期权希腊值绘图.zip
2020-05-25
将jpg图片生成gif图片.zip
2020-05-17
学生考试成绩表.xlsx
2020-05-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人