首页 / Python 补充实践
Python 补充实践
除 R 示例外,每章均配有 Python 实践,帮助读者使用熟悉的语言学习金融计量。每章选取核心方法,串联数据处理、模型估计、图形展示与结果解释,适合与教材及 R 代码对照学习。
从一个例子开始
本版本使用 Python 3.14 验证。在终端下载代码并安装依赖后,即可运行第 3 章的回归示例。
git clone https://github.com/Jiajing-Sun/financial-econometrics-python.git
cd financial-econometrics-python
python3 -m venv .venv
source .venv/bin/activate
python -m pip install -r requirements.txt
python CH03/run.py
Windows 环境设置、多章运行和数据字段说明,见仓库运行指南。
如何与 R 代码对照学习
本仓库选编了十二章的核心演示,并补充了 Python 实践;并非对正文中所有 R 片段的逐行翻译。具体方法、数据口径以及与 R 实现的差异,请参见各章说明。
显示 12 章 Python 实践
从 R 到 Python:数据与函数
同一个计算问题,换一种语言如何实现?本章从自然常数的近似计算入手,练习数组操作、函数定义、分组汇总和绘图,为后续建模做好准备。
动手实践:计算自然常数的两种近似;汇总汽车数据;绘制直方图和散点图。
数据说明:mtcars 为公开历史样本,包含 32 款汽车;自然常数示例为确定性计算。
运行方法与结果解读
python CH01/run.py比较极限近似与级数近似的误差,再观察汽车重量与燃油经济性之间的关系。
第 1 章以 R 入门为主,此处补充对应的 Python 基础。汽车原始字段沿用 R 数据集的单位。
收益率与投资组合
单期收益看似简单,但跨期累积与资产加权遵循不同的规则。本章通过简短的数值例子,说明简单收益率、对数收益率和组合权重之间的关系。
动手实践:计算简单与对数收益率;核对持仓价值与组合收益;观察圣彼得堡赌局的截断期望。
数据说明:给定价格路径与持仓数量,不使用市场行情数据。
运行方法与结果解读
python CH02/run.py先观察价格从 100 降至 50 再回到 100 的变化,再验证组合收益与期初权重的关系。
圣彼得堡赌局的奖金为 2^(N−1)。有限截断的期望并非无限赌局的期望,图形仅展示截断上限变化的效果。
回归系数的估计与解释
先用汽车数据理解单位变换对回归系数的影响,再用匿名 A 公司案例估计 CAPM。比较普通标准误与 HAC 标准误,区分系数估计与统计推断。
动手实践:拟合公制单位下的汽车回归;处理价格缺失值;估计 CAPM 与 HAC 标准误。
数据说明:使用 mtcars 与出版社提供的匿名 A 公司历史教学数据;缺失值处理会单独记录。
运行方法与结果解读
python CH03/run.py检查插值标记和收益率表,随后解释 alpha、beta 及标准误。
为与正文 R 演示对照,内部缺失值按行线性插值,无风险利率按年化百分数除以 100 和 365 近似换算。此口径用于复现教学案例,不用于构造事前交易信号。
ARMA 识别、估计与预测
从一条已知生成机制的 AR(2) 序列出发,观察其自相关与偏自相关,再比较候选 ARMA 模型的拟合和预测表现。
动手实践:模拟 AR(2) 序列;计算 Yule–Walker 估计;根据训练样本 BIC 选择模型并进行预测。
数据说明:模拟 AR(2) 序列,系数为 0.6 和 −0.4;预留后 200 期用于预测评价。
运行方法与结果解读
python CH04/run.py对照真实系数、估计值以及 ACF/PACF,观察预测区间如何随预测期延长而变化。
采用固定起点的多步预测,不在测试样本中反复估计模型。R 与 NumPy 的随机数生成方式不同,相同种子不意味着相同的样本路径。
GARCH 条件波动率
波动率为何会持续升高,又逐渐回落?通过模拟、估计和预测,理解 GARCH 模型如何将过去的冲击传递到未来的条件方差。
动手实践:模拟并估计 GARCH(1,1);检查标准化残差平方;计算十期条件方差预测。
数据说明:默认使用模拟收益;也可提供包含 date, close 两列的价格 CSV 文件,至少 250 行。
运行方法与结果解读
python CH05/run.py将估计方差与模拟真实方差对照,再查看参数持续性、残差诊断和预测表。
收益使用百分数,条件方差单位为百分数的平方。采用零条件均值和正态创新设定;残差检验不能单独证明模型正确。
用方差比检验收益可预测性
若对数价格服从随机游走,不同期限的增量方差应呈现怎样的关系?本章将这一问题转化为方差比检验,并与收益序列相关检验进行对照。
动手实践:生成随机游走序列;进行 Ljung–Box 检验;计算多个期限的异方差稳健方差比检验。
数据说明:默认使用模拟对数随机游走;可提供 date,close 价格 CSV,至少 100 行。
运行方法与结果解读
python CH06/run.py比较不同期限的统计量与 p 值,结合检验原假设解释结果。
方差比函数输入对数价格水平,不能误传收益率。此处实现固定期限的稳健检验,不等同于 R 示例中的自动期限选择与 bootstrap 程序。
核密度与局部线性回归
不预先指定完整的函数形式,能否从数据中看出收益分布与市场间的关系?通过核函数、带宽和局部拟合,体会非参数估计的灵活性与取舍。
动手实践:绘制三种核函数;估计 DAX 收益密度;局部拟合 FTSE 与 DAX 收益的关系。
数据说明:使用 EuStockMarkets 公开历史样本;以观测序号保存,不补造交易日期。
运行方法与结果解读
python CH07/run.py改变带宽并观察曲线的平滑程度,留意尾部和样本稀疏区域。
DAX 与 FTSE 均采用百分数简单收益。核密度使用 SciPy 的 Scott 带宽,其默认值可能不同于 R density(),不能将曲线差异直接视为计算错误。
从特征排序到多因子回归
规模和价值特征如何转化为因子?先按上期特征构造组合,再用模拟资产收益估计因子载荷,理解因子构造与回归检验的衔接。
动手实践:按滞后特征构造简化的 SMB/HML;估计多因子模型;检验 alpha 与因子载荷限制。
数据说明:模拟 100 只股票、240 期的特征与收益。
运行方法与结果解读
python CH08/run.py核对分组使用的时间点,再阅读 HAC 标准误和联合限制检验结果。
采用独立等权排序进行演示,并非官方 Fama–French 2×3 市值加权因子的复现。模拟因子不能用于推断真实市场溢价。
高频观测与波动率估计
采样越密,波动率估计一定越好吗?将连续价格路径与带有测量噪声的观测放在一起,观察采样频率如何改变已实现方差。
动手实践:模拟布朗运动和几何布朗运动;计算不同采样间隔的已实现方差;绘制波动率特征图。
数据说明:模拟连续价格路径及独立观测噪声,时间区间长度为 1。
运行方法与结果解读
python CH09/run.py将两类已实现方差与已知积分方差比较,理解高频噪声的影响。
本例展示基础已实现方差和噪声机制,不包含双尺度估计量或已实现核的完整实现。
Nelson–Siegel 收益率曲线
一条收益率曲线怎样同时描述短端与长端?先考察 Nelson–Siegel 参数的含义,再用美国国债历史零息收益率截面拟合曲线。
动手实践:计算贴现因子、即期与远期利率;处理零期限极限;用多组初值拟合历史截面。
数据说明:使用美国联储 GSW 研究数据的固定快照;脚本自动选择快照中最后一个完整的 1—30 年期限截面。
运行方法与结果解读
python CH10/run.py比较观测收益率与拟合曲线,结合误差和参数解释曲线形状。
SVENY 字段为年化百分数形式的连续复利零息收益率,建模时需除以 100。此处最小化的是零息收益率的误差,而非息票债券的价格误差。
尾指数、VaR 与 ES
极端损失的风险无法仅用平均值刻画。本章先观察 Hill 估计对阈值的敏感性,再基于历史月度收益计算 VaR 和 ES。
动手实践:估计模拟 Pareto 分布的尾指数;绘制 Hill 图;计算历史分位数与尾部期望损失。
数据说明:Pareto 模拟样本,以及第 12 章数据目录中的 SPY 月度历史快照。
运行方法与结果解读
python CH11/run.py比较不同阈值下的尾指数估计值,并检查 95% 与 99% 置信水平对应的风险数值。
损失定义为负对数收益,风险期限为月度。ES 按经验分位数积分计算,并考虑分位点处的部分概率质量;全样本结果是描述性统计,并非事前风险预测。
机器学习的滚动样本外比较
模型能否预测未来,应在未参与训练的数据上进行检验。本章使用同一组模拟股票特征,比较决策树、随机森林与逻辑回归对上涨概率的预测能力。
动手实践:构造模拟股票面板数据;采用 24 个月滚动训练窗口;比较 Brier 分数、AUC 与准确率。
数据说明:模拟 40 只股票、42 个月的数据;每个模型产生 18 个月、共计 720 条样本外预测。
运行方法与结果解读
python CH12/run.py先核对训练窗口与标签的可获得时间,再比较概率预测的表现;Brier 分数越小越好。
标准化仅在训练窗口内拟合,模型的超参数预先设定,测试窗口不参与调参。scikit-learn 与 rpart 的剪枝规则不同,因此不要求树结构完全一致。
没有找到匹配的示例,可换一个关键词或选择全部章节。