2025年Python金融量化分析模擬試卷 技術實戰

2025年Python金融量化分析模擬試卷技術實戰考試時間：______分鐘總分：______分姓名：______第一題假設你已經通過某種方式獲取了以下格式的股票日頻數據（存為`stock_data.csv`文件），其中包含股票代碼（`code`）、日期（`date`）、開盤價（`open`）、最高價（`high`）、最低價（`low`）、收盤價（`close`）和成交量（`volume`）。```csvcode,date,open,high,low,close,volume000001,2023-01-01,10.00,10.50,9.80,10.20,100000000001,2023-01-02,10.20,10.60,10.10,10.40,120000000001,2023-01-03,10.40,10.70,10.30,10.50,150000...(更多數據)```請編寫Python代碼，完成以下任務：1.讀取`stock_data.csv`文件到`pandas`的`DataFrame`對象`df`中。2.將`date`列轉換為`datetime`類型，并將其設置為`DataFrame`的索引。3.計算每日的日收益率（使用收盤價計算，`rtn=(close-previous_close)/previous_close`），并將結果作為新的列`daily_rtn`添加到`df`中。注意處理第一個交易日的收益率計算（可以設置為0或NaN，需明確說明）。4.篩選出`daily_rtn`大于0.05的交易日，并打印出這些交易日的日期和對應的`daily_rtn`值。5.計算并打印出該股票總成交量（`volume`列的總和）。6.計算并打印出該股票日收益率的標準差。第二題繼續使用上一題的`DataFrame`對象`df`。假設你想分析該股票的價格趨勢和波動性。請編寫Python代碼，完成以下任務：1.使用`Matplotlib`繪制該股票的收盤價隨時間變化的折線圖。圖表應包含清晰的標題、X軸標簽（日期）和Y軸標簽（收盤價）。2.在同一張圖上，繪制該股票的日收益率隨時間變化的折線圖，使用不同的顏色或線型區分。圖表應有圖例說明兩條線的含義。3.使用`pandas`的內置函數，計算并繪制該股票的簡單移動平均線（SMA），設置窗口期為5天和20天。在折線圖上疊加這兩條SMA線，使用不同的顏色。圖表應有圖例說明三條線的含義。第三題假設你想為該股票構建一個簡單的技術分析交易策略。策略規則如下：*買入信號：當5日SMA（已計算，存儲在`sma5`列）上穿20日SMA（已計算，存儲在`sma20`列）時，生成買入信號。*賣出信號：當5日SMA下穿20日SMA時，生成賣出信號。請編寫Python代碼，完成以下任務：1.在`df`中添加兩列`signal`和`action`。*`signal`列：當5日SMA上穿20日SMA時，值為`'buy'`；下穿時，值為`'sell'`；其他情況為`'hold'`。*`action`列：只有當`signal`列的值發生變化時（相對于前一交易日），才記錄`'buy'`、`'sell'`或`'hold'`。例如，如果`signal`序列是`['hold','buy','hold','sell','hold']`，則`action`序列應是`['hold','buy','hold','sell','hold']`（第一個`'buy'`是買入信號，`'sell'`是賣出信號）。2.篩選出`action`列不為`'hold'`的行（即買入或賣出的交易日），并按日期排序。3.打印出這些買入和賣出的交易日、對應的`action`值、當日的`daily_rtn`以及當時的`sma5`和`sma20`值。第四題請編寫Python代碼，對第三題構建的簡單交易策略進行回測。1.假設初始投資額為100,000元。2.模擬根據`action`列的信號進行交易：*當`action`為`'buy'`時，用所有可用資金買入股票，計算買入的股數（`shares=funds/close_price`）。*當`action`為`'sell'`時，賣出所有持有的股票，計算賣出后的資金余額（`funds=funds+shares*close_price`）。3.忽略交易成本。4.每日結束時，根據當日的收盤價（`close`）計算持有股票的價值（`holding_value=shares*close_price`），更新總資產價值（`total_value=funds+holding_value`）。5.將每日的日期、投資組合總價值（`total_value`）、可用資金（`funds`）和持有股票價值（`holding_value`）存儲到一個新的`pandas``DataFrame`對象`backtest_df`中。6.繪制`backtest_df`中的`total_value`隨時間變化的折線圖。圖表應有清晰的標題、X軸標簽（日期）和Y軸標簽（總價值）。第五題假設你想使用機器學習方法預測該股票的日收益率。請編寫Python代碼，完成以下任務：1.從`df`中創建一個新的特征列`lag1_rtn`，表示滯后1天的日收益率（即`daily_rtn`的上一行值）。注意處理第一個交易日的`lag1_rtn`（可以設置為0或NaN）。2.為了簡化模型訓練，篩選出`df`中`lag1_rtn`和`daily_rtn`都非NaN的行，并將這些行存儲到一個新的`DataFrame`對象`train_data`中。3.從`train_data`中，將`lag1_rtn`作為特征（X），將`daily_rtn`作為目標變量（y）。4.使用`Scikit-learn`的`train_test_split`函數，將數據隨機劃分為訓練集和測試集，比例分別為80%和20%。設置`random_state=42`以確保結果可復現。5.使用`Scikit-learn`中的`LinearRegression`模型，在訓練集上擬合線性回歸模型。6.在測試集上，使用擬合好的模型預測`daily_rtn`。7.計算并打印出測試集上模型預測值與實際值之間的均方誤差（MSE）。試卷答案第一題```pythonimportpandasaspd#1.讀取數據df=pd.read_csv('stock_data.csv')#2.轉換日期索引df['date']=pd.to_datetime(df['date'])df.set_index('date',inplace=True)#3.計算日收益率df['previous_close']=df['close'].shift(1)df['daily_rtn']=(df['close']-df['previous_close'])/df['previous_close']#或者:df['daily_rtn']=df['close'].pct_change()#第一個值設為0df['daily_rtn'].iloc[0]=0.0#或者df['daily_rtn'].iloc[0]=pd.NA#4.篩選收益率大于0.05的交易日rtn_positive=df[df['daily_rtn']>0.05]print(rtn_positive[['daily_rtn']])#5.計算總成交量total_volume=df['volume'].sum()print(total_volume)#6.計算日收益率標準差rtn_std=df['daily_rtn'].std()print(rtn_std)```解析思路：1.使用`pandas.read_csv`讀取CSV文件到`DataFrame`。2.使用`pd.to_datetime`將`date`列轉換為`datetime`類型，然后用`set_index`設置為索引。3.使用`shift(1)`獲取上一行的收盤價作為`previous_close`列。計算日收益率`daily_rtn`。第一個交易日的收益率由于沒有前一日數據，通常設為0或NaN，這里設為0。也可以直接使用`pct_change()`方法計算百分比變化。4.使用布爾索引`df['daily_rtn']>0.05`篩選出滿足條件的行，并選擇`daily_rtn`列打印。5.使用`sum()`函數對`volume`列進行求和，得到總成交量。6.使用`std()`函數計算`daily_rtn`列的標準差，衡量收益率的波動性。第二題```pythonimportmatplotlib.pyplotasplt#1.繪制收盤價折線圖plt.figure(figsize=(12,6))plt.plot(df.index,df['close'],label='ClosePrice',color='blue')#2.繪制日收益率折線圖plt.plot(df.index,df['daily_rtn'],label='DailyReturn',color='red',alpha=0.7)#3.繪制SMAdf['sma5']=df['close'].rolling(window=5).mean()df['sma20']=df['close'].rolling(window=20).mean()plt.plot(df.index,df['sma5'],label='SMA5',color='green')plt.plot(df.index,df['sma20'],label='SMA20',color='purple')#添加圖表元素plt.title('StockPriceandReturns')plt.xlabel('Date')plt.ylabel('Value')plt.legend()plt.grid(True)plt.show()```解析思路：1.使用`plt.plot`繪制`df.index`（X軸，日期）和`df['close']`（Y軸，收盤價），設置標簽和顏色。2.使用`plt.plot`再次繪制`df.index`和`df['daily_rtn']`，使用不同顏色并設置透明度。3.使用`rolling`方法分別計算5天和20天的收盤價移動平均線（SMA），存儲到新列`sma5`和`sma20`中。然后分別用`plt.plot`繪制這兩條線。4.使用`plt.title`,`plt.xlabel`,`plt.ylabel`添加標題和軸標簽。5.使用`plt.legend`添加圖例，區分不同線條。6.使用`plt.grid(True)`添加網格線，使用`plt.show()`顯示圖表。第三題```python#1.添加signal和action列df['sma5']=df['close'].rolling(window=5).mean()df['sma20']=df['close'].rolling(window=20).mean()condition=df['sma5']>df['sma20']df['signal']='buy'df.loc[~condition,'signal']='sell'df.loc[condition&df['sma5'].shift(1)<=df['sma20'].shift(1),'signal']='hold'df.loc[~condition&df['sma5'].shift(1)>df['sma20'].shift(1),'signal']='hold'df['action']=df['signal']df['action'][df['action']!=df['action'].shift(1)]=df['signal'][df['action']!=df['action'].shift(1)]#2.篩選非hold的行動action_df=df[df['action']!='hold'].sort_index()#3.打印相關信息print(action_df[['action','daily_rtn','sma5','sma20']])```解析思路：1.首先計算`sma5`和`sma20`列。2.初始化`signal`列。使用條件`df['sma5']>df['sma20']`創建一個布爾序列`condition`。根據`condition`設置`signal`列的初始值。3.為了區分“首次交叉”和“反向交叉”，需要比較當前周期和上一周期的SMA狀態。對于買入信號（`'buy'`），需要滿足當前`sma5>sma20`且上一周期`sma5<=sma20`。對于賣出信號（`'sell'`）同理，但方向相反。對于保持持有（`'hold'`），需要滿足信號未發生變化的條件。使用`shift(1)`獲取上一周期的值進行比較，并更新`signal`列。4.初始化`action`列為`signal`列的值。然后，使用`shift(1)`比較當前`action`與上一行的`action`，如果不同，則更新`action`列為當前的`signal`值。這樣，`action`列只記錄信號發生變化的交易日。5.使用布爾索引`df['action']!='hold'`篩選出非持有的交易日，并使用`sort_index()`按日期排序。6.打印出這些行動日期及其對應的`action`,`daily_rtn`,`sma5`,`sma20`列。第四題```python#初始化funds=100000shares=0.0total_value=fundsbacktest_df=pd.DataFrame(columns=['date','total_value','funds','holding_value'])#模擬交易回測fordate,rowindf.iterrows():ifpd.notna(row['action']):#前一天的總價值prev_total_value=total_value#如果是買入ifrow['action']=='buy':shares=funds/row['close']funds=0.0#如果是賣出elifrow['action']=='sell':funds=shares*row['close']shares=0.0#計算當天的總價值和持有股票價值holding_value=shares*row['close']total_value=funds+holding_valueelse:#沒有行動，價值按前一天計算holding_value=shares*row['close']total_value=funds+holding_value#存儲回測數據backtest_df=backtest_df.append({'date':date,'total_value':total_value,'funds':funds,'holding_value':holding_value},ignore_index=True)#繪制總價值曲線plt.figure(figsize=(12,6))plt.plot(backtest_df['date'],backtest_df['total_value'],label='PortfolioTotalValue',color='black')plt.title('Backtest-PortfolioTotalValueOverTime')plt.xlabel('Date')plt.ylabel('TotalValue(CNY)')plt.legend()plt.grid(True)plt.show()```解析思路：1.初始化投資總額`funds`為100,000，持股數量`shares`為0，初始總資產價值`total_value`等于`funds`。創建一個空的`DataFrame``backtest_df`用于存儲回測結果。2.遍歷`df`的每一行（按日期排序），獲取當前日期`date`和行數據`row`。3.檢查當前行是否有`action`（即不是`'hold'`）。如果有：*記錄前一天的總價值`prev_total_value`（用于后續計算收益）。*根據行動類型執行交易：*買入：用所有`funds`買入股票，計算能買的股數`shares`，將`funds`設為0。*賣出：賣出所有股票，計算賣出后的`funds`，將`shares`設為0。*計算當前持有股票的價值`holding_value`。*更新總資產價值`total_value`為`funds`加上`holding_value`。4.如果當前行沒有行動（`action`為`'hold'`）：*總價值`total_value`就是`funds`加上當前持有的股票價值`holding_value`（持股數量`shares`不變）。5.將當天的日期、總價值、可用資金和持有股票價值添加到`backtest_df`中。6.遍歷結束后，使用`plt.plot`繪制`backtest_df`中的`date`和`total_value`，展示投資組合總價值隨時間的變化。添加圖表標題、軸標簽、圖例和網格線。第五題```pythonfromsklearn.model_selectionimporttrain_test_splitfromsklearn.linear_modelimportLinearRegressionfromsklearn.metricsimportmean_squared_error#1.創建滯后收益率特征df['lag1_rtn']=df['daily_rtn'].shift(1)df.dropna(subs