Python金融大数据分析
_无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家。教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家。教程链接:
https://www.cbedai.net/qtlyx _
1.简单的例子
了解一点金融工程的对这个公式都不会太陌生,是用现在股价预测T时间股价的公式,其背后是股价符合几何布朗运动,也就是大名鼎鼎的BSM期权定价模型的基础。
我们假设现在一个股票的价值是100,那么两年后是多少呢?
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
S0 = 100
r = 0.05
sigma = 0.25
T = 2.0
I = 10000
ST1 = S0*np.exp((r - 0.5*sigma**2)*T+sigma*np.sqrt(T)*np.random.standard_normal(I))
plt.hist(ST1,bins = 50)
plt.xlabel('price')
plt.ylabel('ferquency')
[/code]
运行的结果如下所示:
![](https://img-
blog.csdn.net/20161213212014882?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvcXRseXg=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
很明显,是一个lognormal分布,因为这样的假设下,价格符合lognormal分布,收益率符合正态分布。
## 2.简单的蒙特卡洛路径
上面是一步到位的,那么如果我们中间分很多个小时间段来仿真呢?可以知道,物理问题是一样的,结果也不会有差异。
```code
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import scipy.stats as scs
S0 = 100
r = 0.05
sigma = 0.25
T = 2.0
I = 10000
#ST1 = S0*np.exp((r - 0.5*sigma**2)*T+sigma*np.sqrt(T)*np.random.standard_normal(I))
#plt.hist(ST1,bins = 50)
#plt.xlabel('price')
#plt.ylabel('ferquency')
M = 50
dt = T/M
S = np.zeros((M + 1,I))
S[0] = S0
print S[0]
for t in range(1,M+1):
S[t] = S[t-1]*np.exp((r-0.5*sigma**2)*dt+sigma*np.sqrt(dt)*np.random.standard_normal(I))
plt.hist(S[-1],bins = 50)
plt.xlabel('price')
plt.ylabel('frequency')
plt.show()
plt.plot(S[:,:],lw = 1.5)
plt.xlabel('time')
plt.ylabel('price')
plt.show()
我们不仅可以得到最终的分布,也可以知道价格路径,而这一价格路径,才是真正代表了蒙特卡洛的精髓。
如果我们绘制得路径更加多一点,就是这样的一个效果:
从侧面看,其实就是一个lognormal分布。