第二章 量化交易基础回顾：Python金融数据处理库快速复习

好，咱们直接进入正题。这一章我打算带大家快速过一遍量化交易里最基础、也最常用的几个工具——Pandas和NumPy。别担心，我不会讲成教科书式的语法大全。我会结合自己做碳排放权期货套利时的实际经验，告诉你哪些东西真正有用，哪些坑你最好提前避开。

2.1 NumPy：高性能数值计算的基础

NumPy，说白了就是Python里的数学引擎。我刚开始做量化的时候，总觉得用纯Python列表也能算，干嘛要学NumPy？直到有一次我处理10万条逐笔交易数据，用列表跑了快5分钟还没出结果……嗯，从那以后我再也不敢小看NumPy了。

2.1.1 ndarray：核心数据结构

NumPy的核心是ndarray，也就是N维数组。它比Python列表快几十倍，原因在于底层是用C语言实现的，而且数据在内存里是连续存储的。

import numpy as np

# 创建数组
prices = np.array([28.5, 28.7, 28.3, 29.0, 28.9])
print(prices.dtype)  # float64

# 向量化运算——这才是精髓
returns = np.diff(prices) / prices[:-1]
print(returns)
# 输出: [ 0.0070 -0.0140  0.0247 -0.0034]

2.1.2 常用统计函数

做套利分析时，我们经常要算均值、标准差、相关系数。NumPy直接提供了这些函数：

# 假设这是某碳排放权期货的日收益率序列
daily_returns = np.array([0.002, -0.001, 0.003, -0.002, 0.001, 0.004, -0.003])

mean_return = np.mean(daily_returns)      # 平均收益率
std_return = np.std(daily_returns, ddof=1) # 样本标准差
max_drawdown = np.min(daily_returns)       # 最大回撤（简化版）

print(f"均值: {mean_return:.4f}, 标准差: {std_return:.4f}")

2.2 Pandas：金融数据分析的瑞士军刀

如果说NumPy是发动机，那Pandas就是整辆车。它把数据、索引、标签整合在一起，让你能像操作Excel一样操作数据，但功能强大得多。

2.2.1 DataFrame和Series

这两个概念必须搞明白。Series是一列带标签的数据，DataFrame是多列组成的表格。我个人习惯把DataFrame想象成一个带行索引和列索引的Excel表格。

import pandas as pd

# 创建时间序列数据
dates = pd.date_range('2024-01-01', periods=5, freq='D')
prices_cef = pd.Series([28.5, 28.7, 28.3, 29.0, 28.9], index=dates, name='CEF')

# 创建DataFrame，包含两个品种的数据
data = pd.DataFrame({
    'CEF': [28.5, 28.7, 28.3, 29.0, 28.9],
    'EUA': [32.1, 32.3, 31.9, 32.6, 32.4]
}, index=dates)

print(data.head())

2.2.2 数据清洗：真实世界的必修课

你想想看，交易所给的数据能是干干净净的吗？不可能。缺失值、异常值、重复数据，这些才是常态。我在做碳排放权期货数据清洗时，遇到过最头疼的问题是：某个合约在换月期间，新旧合约的数据同时存在，导致价差计算出现巨大偏差。

# 处理缺失值
data_clean = data.dropna()                    # 删除缺失行
data_filled = data.fillna(method='ffill')     # 前向填充

# 检测异常值（3倍标准差法）
z_scores = (data - data.mean()) / data.std()
outliers = (z_scores.abs() > 3).any(axis=1)
data_no_outliers = data[~outliers]

2.2.3 时间序列重采样

碳排放权期货的交易频率可能不一致，有的品种1分钟成交一次，有的可能5分钟才成交一次。重采样就是把这些数据对齐到统一的时间频率上。

# 假设有1分钟级别的数据
minute_data = pd.Series(...)  # 省略具体数据

# 重采样为5分钟数据
resampled_5min = minute_data.resample('5T').agg({
    'open': 'first',
    'high': 'max',
    'low': 'min',
    'close': 'last',
    'volume': 'sum'
})

2.3 时间序列分析基础

做套利，本质上就是在分析时间序列之间的关系。平稳性、自相关性、协整性，这三个概念你必须吃透。

2.3.1 平稳性检验

为什么平稳性重要？因为大多数统计模型都假设数据是平稳的。如果数据不平稳，你算出来的相关系数可能是假的——这叫伪回归。

from statsmodels.tsa.stattools import adfuller

# ADF检验
result = adfuller(data['CEF'].values)
print(f"ADF统计量: {result[0]:.4f}")
print(f"p值: {result[1]:.4f}")

if result[1] < 0.05:
    print("序列平稳，可以进行后续分析")
else:
    print("序列不平稳，需要差分处理")

2.3.2 自相关与偏自相关

这两个概念用来判断时间序列的滞后结构。说白了，就是看今天的价格和昨天的价格有没有关系，和前天有没有关系。

from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# 计算自相关函数
acf_values = plot_acf(data['CEF'].diff().dropna(), lags=20)
pacf_values = plot_pacf(data['CEF'].diff().dropna(), lags=20)

2.4 统计套利理论基础

统计套利的核心理念很简单：找到两个或多个价格走势相关的品种，当它们的价差偏离正常范围时，做多被低估的、做空被高估的，等待价差回归。

2.4.1 协整关系

协整是统计套利的数学基础。两个非平稳序列，如果它们的线性组合是平稳的，就说它们存在协整关系。这就像两个人喝醉了走路，虽然各自摇摇晃晃，但始终保持在一定的距离内。

from statsmodels.tsa.stattools import coint

# 检验CEF和EUA是否存在协整关系
score, pvalue, _ = coint(data['CEF'], data['EUA'])
print(f"协整检验p值: {pvalue:.4f}")

if pvalue < 0.05:
    print("存在协整关系，可以进行配对交易")
else:
    print("不存在协整关系，需要寻找其他配对")

2.4.2 价差与Z-score

一旦确认了协整关系，下一步就是计算价差，然后用Z-score来标准化。Z-score告诉你当前价差偏离均值多少个标准差，这是触发交易信号的关键指标。

# 计算价差
spread = data['CEF'] - data['EUA'] * hedge_ratio

# 计算Z-score
spread_mean = spread.mean()
spread_std = spread.std()
z_score = (spread - spread_mean) / spread_std

# 交易信号
entry_threshold = 2.0  # 入场阈值
exit_threshold = 0.5   # 出场阈值

long_signal = z_score < -entry_threshold
short_signal = z_score > entry_threshold
exit_signal = abs(z_score) < exit_threshold

2.5 本章知识体系总览

下面这张图是我自己整理的，把本章的核心知识点串在了一起。你可以把它当作一个快速索引，以后忘了哪个部分，回来瞄一眼就行。

好了，这一章的内容就到这里。NumPy和Pandas是基本功，花时间练熟它们，后面搭建套利系统时会顺手很多。下一章我们会正式进入碳排放权期货市场，看看这个市场的独特之处在哪里。

---

公众号:蓝海资料掘金营，微信deep3321