第一章：Python金融工具库——做市商的“工具箱”

做利率衍生品做市，说白了就是跟市场博弈。你手里得有趁手的家伙。Python的金融工具库，就是我的“瑞士军刀”。今天咱们聊聊这些工具怎么用，哪些坑我踩过。

1.1 NumPy金融函数：别小看数组运算

NumPy是Python金融计算的基石。我刚开始做量化时，觉得NumPy就是快一点的列表。后来做利率曲线拟合，才明白向量化运算有多香。

常用的金融函数其实不多，但个个要命：

• np.pv()、np.fv()：现值、终值计算。做债券定价时天天用。
• np.irr()、np.npv()：内部收益率和净现值。评估交易策略时绕不开。
• np.pmt()：等额还款计算。做利率互换时，算固定端现金流就靠它。

举个例子，计算一笔债券的现值：

import numpy as np

# 假设票息率5%，期限5年，面值100，折现率4%
cashflows = np.array([5, 5, 5, 5, 105])
discount_rates = np.array([0.04, 0.04, 0.04, 0.04, 0.04])

# 向量化计算现值
pv = np.sum(cashflows / (1 + discount_rates) ** np.arange(1, 6))
print(f"债券现值: {pv:.2f}")

嗯，这里要注意。NumPy的金融函数默认是期末现金流。如果你做的是期初付息的债券，记得调整参数。我曾经因为这个疏忽，算错了一笔IRS的估值，被风控追着问了一下午。

1.2 SciPy优化与插值：曲线拟合的利器

做利率衍生品做市，最核心的工作之一就是构建收益率曲线。市场给你的数据是离散的，你需要一条连续的曲线。SciPy的插值和优化模块，就是干这个的。

我个人最常用的是：

• scipy.interpolate.interp1d：一维插值。做即期利率曲线时，线性插值够用。
• scipy.interpolate.CubicSpline：三次样条。做远期利率曲线时，平滑度更好。
• scipy.optimize.minimize：优化求解。校准模型参数时，比如Hull-White模型。

你看这个例子，用三次样条插值构建收益率曲线：

from scipy.interpolate import CubicSpline
import numpy as np

# 市场数据：期限和对应的即期利率
tenors = np.array([0.25, 0.5, 1, 2, 3, 5, 10])
rates = np.array([0.02, 0.025, 0.03, 0.035, 0.038, 0.04, 0.042])

# 构建三次样条插值
cs = CubicSpline(tenors, rates, bc_type='natural')

# 插值得到任意期限的利率
target_tenor = 4.5
interpolated_rate = cs(target_tenor)
print(f"4.5年期即期利率: {interpolated_rate:.4f}")

为什么会选择三次样条而不是线性插值？你想想看，利率曲线应该是光滑的。线性插值在节点处有尖角，做衍生品定价时会产生不合理的套利机会。我在做国债期货做市时，就因为这个吃过亏。

1.3 QuantLib基础用法：专业级定价引擎

QuantLib是金融工程界的“标准答案”。做利率衍生品做市，不懂QuantLib就像厨师不会用刀。但说实话，这库的学习曲线有点陡。

我建议你从这几个模块入手：

• Date & Calendar：日期计算。做市商最烦的就是节假日调整。QuantLib内置了全球主要交易所的日历。
• YieldTermStructure：收益率曲线。构建曲线、插值、贴现，一条龙。
• PricingEngine：定价引擎。利率互换、利率上限/下限、互换期权，都有现成的。

看一个简单的利率互换定价例子：

import QuantLib as ql

# 设置日期
today = ql.Date(15, 6, 2024)
ql.Settings.instance().evaluationDate = today

# 构建收益率曲线（简化版）
rates = [0.02, 0.025, 0.03, 0.035]
tenors = [ql.Period(1, ql.Years), ql.Period(2, ql.Years), 
          ql.Period(3, ql.Years), ql.Period(5, ql.Years)]
curve = ql.ZeroCurve(tenors, rates, ql.Actual360())
curve_handle = ql.YieldTermStructureHandle(curve)

# 定义利率互换
start_date = today
maturity_date = today + ql.Period(5, ql.Years)
fixed_rate = 0.03
swap = ql.MakeVanillaSwap(ql.Period(1, ql.Years), fixed_rate, 
                          ql.Euribor6M(), start_date, maturity_date)

# 定价
engine = ql.DiscountingSwapEngine(curve_handle)
swap.setPricingEngine(engine)
npv = swap.NPV()
print(f"利率互换净现值: {npv:.2f}")

嗯，这里要注意。QuantLib的日期处理很严格。如果你传入的日期是周末或节假日，它会自动调整。但调整规则取决于你选择的日历。我刚开始用的时候，经常因为日历选错导致定价结果差好几个基点。

1.4 Pandas时间序列处理：做市商的“记账本”

做市商每天要处理海量的行情数据。Pandas就是我的“电子表格”。没有它，我根本没法做回测和风险管理。

核心功能就三个：

• 时间索引：用DatetimeIndex管理时间序列数据。重采样、滑动窗口，都是基础操作。
• 数据对齐：不同频率的数据自动对齐。比如日频数据和分钟频数据合并。
• 滚动计算：移动平均、滚动波动率。做市商的库存管理全靠它。

举个例子，计算利率的滚动波动率：

import pandas as pd
import numpy as np

# 模拟利率时间序列
dates = pd.date_range('2024-01-01', '2024-06-15', freq='D')
rates = 0.03 + 0.01 * np.random.randn(len(dates))
ts = pd.Series(rates, index=dates)

# 计算20日滚动波动率
rolling_vol = ts.rolling(window=20).std() * np.sqrt(252)
print(f"最近20日年化波动率: {rolling_vol.iloc[-1]:.4f}")

你想想看，做市商最怕什么？市场突然波动。滚动波动率能告诉你，现在的市场环境是“正常”还是“异常”。我每天开盘前，第一件事就是看这个指标。

1.5 Matplotlib可视化：把数字变成故事

做市商不是数学家，是交易员。你给交易员看一堆数字，他看不懂。你给他画一张图，他秒懂。Matplotlib就是我的“翻译器”。

我常用的可视化类型：

• 收益率曲线图：展示不同期限的利率水平。做市商每天必看。
• 波动率曲面：展示不同期限和行权价的隐含波动率。期权做市商的核心工具。
• 库存损益曲线：展示持仓的盈亏变化。风控用的。

画一条收益率曲线：

import matplotlib.pyplot as plt
import numpy as np

# 收益率曲线数据
tenors = np.array([0.25, 0.5, 1, 2, 3, 5, 10, 20, 30])
rates = np.array([0.02, 0.025, 0.03, 0.035, 0.038, 0.04, 0.042, 0.043, 0.044])

plt.figure(figsize=(10, 6))
plt.plot(tenors, rates, 'b-o', linewidth=2, markersize=8)
plt.xlabel('期限 (年)')
plt.ylabel('即期利率')
plt.title('收益率曲线 (2024-06-15)')
plt.grid(True, alpha=0.3)
plt.show()

我个人习惯，画图时一定要加网格线。交易员看盘时，需要快速定位数值。没有网格线，他得拿尺子比划，太慢了。

知识体系总览

说了这么多，咱们用一张图把今天的内容串起来：

这张图把今天讲的内容串起来了。你看，五个工具各司其职：NumPy做底层计算，SciPy做曲线拟合，QuantLib做专业定价，Pandas做数据处理，Matplotlib做可视化展示。少了哪一个，你的做市系统都不完整。

好了，第一章就到这里。这些工具你得多练，光看代码是学不会的。打开你的Jupyter Notebook，把每个例子跑一遍。遇到问题很正常，我当年也是这么过来的。