量化交易基础入门，量化数据分析计算利器之Numpy

前言

正如我前面所讲，量化交易背后是有着一套严谨计算的过程的。我们进行量化交易时，如果进行原始数据的分析，一般避免不了进行数据的运算。

所以，按照我跟大家讲的量化交易学习路线，我们需要先学习下numpy和pandas，这两个是python进行数据运算和处理的两个比较重要的依赖包。

我们本篇文章先来看下，量化交易计算的Numpy。

这里，我必须先友情提示下，接下去两章的内容会比较枯燥，因为涉及到一些数据计算和统计的东西，而且后续不一定直接使用这两个包，因为大部分量化工具都已封装好数据处理。但是学好这两个知识，对于我们后续对行情数据的分析，了解量化工具包如何处理数据流的处理方法有比较重要的意义。

numpy & pandas

Numpy是什么？

首先，我们来了解下啥是Numpy。

先看下概念：

NumPy是使用Python进行科学计算的基本包。其中包括：

1. 一个强大的N维数组对象
2. 复杂（广播）功能
3. C/C++与FORTRAN代码集成工具
4. 有用的线性代数、傅立叶变换和随机数能力

除了明显的科学用途外，NumPy还可以作为通用数据的高效多维容器。可以定义任意数据类型。这使得NumPy能够无缝、快速地与各种数据库集成。

稍等。。是不是看的有点头晕，分分钟想放弃学习，有没有？特别是第4点，感觉又要回到高中大学时学习数学，高数的痛苦感觉啦？

别急！！！

深奥的理论概念一般都是用来吓唬学生的，其实我们在实际应用Numpy的时候，没有涉及到这么深奥的东西。我们只需要掌握以下内容：

• 数据类型
• 数组类型
• 类型转换
• 创建数组
• 数组索引
• 数组切片
• 改变维度

这些都是跟数组有关的，是不是就比较清晰了？虽然里面有些概念还不懂，比如啥切片啊，索引啊~没事，不急，后续介绍。

Numpy包在量化交易中，起到的作用是数据的计算。使用这个包，我们可以很轻松的处理量化数据，比如股票行情数据，期货行情数据等等。

下面我们开始numpy的学习。

Numpy安装

首先，我们来看下如何安装numpy。
win+R，输出cmd打开，确认，命令窗口。

直接命令行安装Numpy，记得需要先安装python。python安装前面已经讲过了哦。

<code>
pip
 install numpy/<code>

安装Numpy

数组生成及基本操作

指定数据，创建一个简单的数组

<code>
import
 numpy 
as
 np

a = np.array([
1
, 
2
, 
3
], dtype=np.int32)
print
(a)
print
(a.dtype)/<code>

我们指定了一个一维数组，3个元素分别1,2,3。控制台输出：

[1 2 3]

int32

同理，我们可以构建多维数组，可以直接使用自带方法构建全1数组，全零数组等。

<code> 
a
 
=
 
np.array([[1,
 
2
, 
 
3
],
 
[2,
 
3
,
 
4
]])
print(a)

 
a
 
=
 
np.ones((4,
 
4
),
 
dtype=np.int)
print(a)

 
a
 
=
 
np.zeros((3,
 
4
))
print(a)

 
a
 
=
 
np.empty((4,
 
5 
))
print(a)
/<code>

打印查看结果：

[[1 2 3]

[2 3 4]]

[[1 1 1 1]

[1 1 1 1]

[1 1 1 1]

[1 1 1 1]]

[[0. 0. 0. 0.]

[0. 0. 0. 0.]

[0. 0. 0. 0.]]

[[6.23042070e-307 4.67296746e-307 1.69121096e-306 1.37962524e-306

1.89146896e-307]

[7.56571288e-307 3.11525958e-307 1.24610723e-306 1.37962320e-306

1.29060871e-306]

[2.22518251e-306 1.33511969e-306 1.78022342e-306 1.05700345e-307

1.11261027e-306]

[1.11261502e-306 1.42410839e-306 7.56597770e-307 6.23059726e-307

1.78016909e-306]]

连续数组及变换

下面我们重点看下连续数组和变换。我们之所以独立开来讲，是因为这个跟我们的行情数据关系密切。我们的行情数据，不管股票还是期货，外汇等的所有数据，都是连续不断的数据构成的一个段完整的行情。

连续数组创建，创建一个数组，从1到50，步长为1.注意，arrange产生数组是左闭右开的，所以下标要到51，才是创建50个数据。生成数组之后，我们将其变换为2行的二维数组，注意列数乘以行数要等于改数组的元素个数。

<code>传/<code>

[ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

49 50]

[[ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25]

[26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50]]

数组基本运算

数组的基本运算，我们需要掌握一些基本的运算即可，我们下面结合行情数据来讲解相关运算内容。

假设有一段行情，我们需要知道这段的最高价，最低价，以及行情的五日均线。我们可以用numpy的素组一些内置函数的运算来实现，很简单。

下面我们通过示例来演示。

1 首先，我们来看下数组的运算。构造数组，分别一个整数型数组和一个小数型数组，再分别将两个数组相加，形成新的数组。代码如下：

<code># 生成
10
到
20
的随机数组
np.set_printoptions(precision=
1
)
data_1 = np.
random
.rand(
50
)
print
(
"生成小数型数组："
, data_1)
data_2 = np.
random
.randint(
15
, 
20
, size=
50
)
print
(
"生成整数型数组：" 
, data_2)
data = data_2 + data_1
print
(
"合并后生成的数组："
, data)/<code>

生成小数型数组： [0.8 0.2 0. 0.3 1. 0.4 1. 0.4 1. 0.8 0.1 0.7 0.6 1. 0.7 0.9 0.6 1.

0.8 0.6 0.1 0.9 0.3 0.5 0.7 0.8 0.6 0.5 0.7 0.6 1. 0.1 0.3 0.4 0.8 0.8

1. 0.5 1. 0.9 0.9 0.9 0.9 0.6 0.1 0.2 0.9 0.3 0.8 0.9]

生成整数型数组： [15 17 18 15 16 15 18 16 18 18 16 19 18 15 18 16 16 17 19 17 19 16 15 17

15 17 15 15 18 15 18 16 17 15 18 15 19 18 19 18 16 19 19 17 18 19 19 19

19 19]

合并后生成的数组： [15.8 17.2 18. 15.3 17. 15.4 19. 16.4 19. 18.8 16.1 19.7 18.6 16.

18.7 16.9 16.6 18. 19.8 17.6 19.1 16.9 15.3 17.5 15.7 17.8 15.6 15.5

18.7 15.6 19. 16.1 17.3 15.4 18.8 15.8 20. 18.5 20. 18.9 16.9 19.9

19.9 17.6 18.1 19.2 19.9 19.3 19.8 19.9]

以上，我们构造了一段行情数据，设置行情价格为15~20元范围波动。下面，我们求出行情最大价格，

2 调用内部函数求数组最大最小值。

<code> 
max_index = np.argmax(data)
print
(
'最大值元素索引%d'
 % np.argmax(data))
 
min_index = np.argmin(data)
print
(
'最小值元素索引%d'
 % np.argmin(data))/<code>

最大值元素索引38

最小值元素索引3

我们求最终获得数组的：

最大值索引为38，即从第38个元素（从0开始数）,值为20.

最大值索引为3，即从第3个元素（从0开始数）,值为15.3

3 求出5日移动平均价格数组

下面，我们求5日移动均线的数组，5日均线的计算方法，就是第5个数的时候，将其前面4个包括自身值相加除以5.

<code>
def
 
moving_average
(a, n=
5
)
:
    ret = np.cumsum(a, dtype=float)
    ret[
n:
] = ret[
n:
] - ret[
:-n
]
    
return
 ret[n - 
1
:
] / n
 
print(
'5日移动均线：' 
, moving_average(data))/<code>

控制台输出：

5日移动均线： [16.7 16.6 16.9 16.6 17.3 17.7 17.8 18. 18.4 17.8 17.8 18. 17.4 17.2 18. 17.8 18.2 18.3 17.7 17.3 16.9 16.6 16.4 16.4 16.7 16.6 16.9 17. 17.3 16.7 17.3 16.7 17.4 17.7 18.6 18.6 18.8 18.8 19.1 18.6 18.5 18.9 18.9 18.8 19.2 19.6]

以上三个步骤就是我们求利用numpy数组求得行情最大最小值，并且求出5日移动均线数据。

这样的数据，看的是不是很累？下面我们利用plot将其画出来。

利用matplotlib画图，我们之前的文章已经稍微讲过了，下面我们利用plot直接画出图形。

<code># 画图整理
x = np.arange(
1
, 
51
, 
1
)
plt.plot(x, 
data
,
'--*y'
)
# 最大值
plt.plot(max_index, 
data
[max_index], 
'rs'
)
show_max=
'[key:'
+str(max_index)+
'  value:'
+str(round(
data
[max_index],
1
))+
']'
plt.annotate(show_max, xytext=(max_index, 
data
[max_index]), xy=(max_index,  
data
[max_index]))
# 最小值
plt.plot(min_index, 
data
[min_index], 
'gs'
)
show_max=
'[key:'
+str(min_index)+
'  value:'
+str(round(
data
[min_index],
1
))+
']'
plt.annotate(show_max, xytext=(min_index+
1
, 
data
[min_index]), xy=(min_index, 
data
[min_index]))

# 均线
x_2 = np.arange(
5
, 
51
, 
1
)
plt.plot(x_2, moving_average(
data
))

mpl.rcParams[
'font.sans-serif'
]=[
'SimHei'
] #用来指定默认字体 SimHei为黑体
mpl.rcParams[
'axes.unicode_minus'
]=False
plt.title(
'行情及五日均线模拟图'
)

plt.savefig(
'./20200414.png'
)
plt.show()/<code>

最终，画出的图形如下:

numpy计算

这里，我们画出了整段行情，并且标注除了最大最小价格，画出5日的移动均线。

以上完整代码均已传到VX公号：大操手量化投资，欢迎关注并获取相关代码。后续最新文章会陆续在上面更新。

以上是我们本章的内容，关于numpy，进行数组运行，结合我们量化交易的行情数据进行的讲解。希望大家能学有所得！

好啦，本章内容就到这里。欢迎关注【大操手量化投资】，一起学习量化交易相关知识，量化交易从小白到高手的路程！