NumPy与SciPy：加速量化矩阵计算

NumPy与SciPy：加速量化矩阵计算

小象量化极客小册 · 华尔街量化分析先锋系列

欢迎进入量化矩阵计算的世界！NumPy 是所有 Python 金融库的底层基石。本节你将掌握 ndarray 多维数组的操作，学习如何用高效的向量化计算和广播机制代替缓慢的 Python 循环，计算股票组合的协方差与收益率。

小象量化极客小册 · 华尔街量化分析先锋系列 欢迎进入量化矩阵计算的世界！NumPy 是所有 Python 金融库的底层基石。本节你将掌握 ndarray 多维数组的操作，学习如何用高效的向量化计算和广播机制代替缓慢的 Python 循环，计算股票组合的协方差与收益率。

💡 核心导读

本节将深入介绍Python科学计算生态中的两大核心库：NumPy和SciPy。通过学习，您将掌握多维数组的创建与操作、高效数值计算技巧，以及如何利用SciPy进行科学计算和工程应用。重点内容包括：NumPy数组的核心特性、广播机制、线性代数运算，以及SciPy在优化、插值和统计等领域的典型应用场景。所有知识点均配有可立即运行的代码示例。

基础数据结构：NumPy数组

ndarray对象特性

NumPy的核心是ndarray对象，相比Python原生列表具有以下优势：

• 固定大小的连续内存块
• 同质数据类型元素
• 向量化操作避免循环
• 内置广播功能

import numpy as np

arr = np.array([1, 2, 3], dtype=np.float32)
print(f"数组形状: {arr.shape}")  # 输出 (3,)
print(f"数据类型: {arr.dtype}")  # 输出 float32

matrix = np.array([[1, 2], [3, 4]])
print("矩阵乘法结果:\n", matrix @ matrix)  # 使用@运算符进行矩阵乘法

数组索引技巧

NumPy提供比原生Python更强大的索引功能：

data = np.arange(16).reshape(4,4)
print("原始矩阵:\n", data)

mask = data > 10
print("布尔索引结果:\n", data[mask])

print("第2、3行数据:\n", data[[1,2]])

💡 概念小测：为什么不用 List

在量化交易计算中，我们为什么要强烈推荐使用 NumPy 的 ndarray 替代 Python 的原生 list 进行海量股票价格计算？

• ndarray 支持插入不同类型的数据（如字符串和浮点数混合）。
• ndarray 底层是连续内存存储的 C 语言数组，支持向量化并行计算，速度比原生 List 循环快数十到上百倍。
• ndarray 的内存占用是 Python List 的十倍以上，所以只在大内存服务器上使用。
• ndarray 只能在 Jupyter Notebook 中执行，不能写在 Python 文件里。

📝 选择题

💡 概念小测：为什么不用 List 在量化交易计算中，我们为什么要强烈推荐使用 NumPy 的 ndarray 替代 Python 的原生 list 进行海量股票价格计算？

• A. ndarray 支持插入不同类型的数据（如字符串和浮点数混合）。
• B. ndarray 底层是连续内存存储的 C 语言数组，支持向量化并行计算，速度比原生 List 循环快数十到上百倍。
• C. ndarray 的内存占用是 Python List 的十倍以上，所以只在大内存服务器上使用。
• D. ndarray 只能在 Jupyter Notebook 中执行，不能写在 Python 文件里。

答案：B（ndarray 底层是连续内存存储的 C 语言数组，支持向量化并行计算，速度比原生 List 循环快数十到上百倍。）

科学计算核心：SciPy模块

线性代数运算

SciPy建立在NumPy基础上，提供更专业的数学工具：

from scipy import linalg

A = np.array([[1, 2], [3, 4]])
b = np.array([5, 6])

x = linalg.solve(A, b)
print("方程解:", x)  # 输出 [-4.  4.5]

det = linalg.det(A)
print("行列式值:", round(det, 2))  # 输出 -2.0

优化与插值

SciPy提供多种数值优化算法：

from scipy.optimize import minimize

def rosen(x):
    return sum(100.0*(x[1:]-x[:-1]**2.0)**2.0 + (1-x[:-1])**2.0)

x0 = np.array([1.3, 0.7, 0.8, 1.9, 1.2])

res = minimize(rosen, x0, method='nelder-mead')
print("优化结果:", res.x)

实战应用案例

图像处理示例

利用SciPy进行简单的图像处理：

from scipy import ndimpe_ratio
import matplotlib.pyplot as plt

im = np.zeros((256, 256))
im[64:-64, 64:-64] = 1
im = ndimpe_ratio.rotate(im, 15, mode='constant')

im_blur = ndimpe_ratio.gaussian_filter(im, 8)

plt.figure(figsize=(10, 5))
plt.subplot(121), plt.imshow(im), plt.title('原始图像')
plt.subplot(122), plt.imshow(im_blur), plt.title('高斯模糊')
plt.show()

统计分布分析

使用SciPy的统计模块进行数据分析：

from scipy import stats

data = stats.norm.rvs(size=1000, loc=0, scale=1)

mean, std = stats.norm.fit(data)
print(f"拟合均值: {mean:.2f}, 标准差: {std:.2f}")

t_stat, p_value = stats.ttest_1samp(data, popmean=0)
print(f"t检验p值: {p_value:.4f}")

💡 代码填空：转换数组

补全代码，将一个包含股票历史收盘价的原生 Python 列表转换为 NumPy 的 ndarray 数组：

import numpy as np

price_list = [150.5, 152.3, 149.8, 151.2]
price_arr = np.{blank}(price_list)
print(type(price_arr)) # 输出 <class 'numpy.ndarray'>

• convert
• array
• matrix

✏️ 填空题

💡 代码填空：转换数组 补全代码，将一个包含股票历史收盘价的原生 Python 列表转换为 NumPy 的 ndarray 数组：

import numpy as np
price_list = [150.5, 152.3, 149.8, 151.2]
# 转换为 ndarray
price_arr = np.___(price_list)
print(type(price_arr)) # 输出 <class 'numpy.ndarray'>

答案：array

本章小结

行动清单

• 使用np.linspace创建0到10之间的100个等距点，计算它们的sin值并用Matplotlib绘制曲线
• 用scipy.optimize.curve_fit对随机生成的正弦波数据进行曲线拟合
• 创建一个5x5的随机矩阵，分别用NumPy和SciPy计算其特征值和特征向量，比较结果差异

「小象量化教研组」