AL123 人文社科文学 2024-01-10

Python金融大数据分析（第2版）_【德】伊夫·希尔皮斯科_AZW3_MOBI_EPUB_PDF_电子书（无页码）_【德】伊夫·希尔皮斯科

内容节选

第10章高性能的Python 不要降低预期去屈就性能，而要提升性能满足预期。 ——拉尔夫·马斯顿有一种长期存在的偏见，认为Python本身是一种相对低效的编程语言，不适合用来处理金融业务的计算任务。除了Python是一种解释型语言之外，出现这种偏见的推理方式通常是：Python处理循环时很慢，金融算法的实现往往需要循环，因此，Python对于金融算法的实现来说太慢了。另一种推理方式是：其他（编译型）语言（如C或者C++）可以快速执行循环，金融算法常常需要循环，因此，这些（编译型）编程语言适合于金融业和金融算法。必须承认，即便写出合适的Python代码，也有可能执行得很慢——可能对于许多应用领域太慢。本章介绍的是加速金融环境下常见典型任务及算法的方法。本章将介绍，如何明智地使用数据结构、选择合适的实现方法及范型，以及使用正确的高性能软件包。Python甚至可以与编译型编程语言匹敌，这是因为它本身也是编译后执行的。为此，本章将介绍让代码加速的不同方法。向量化利用Python的向量化功能，是前几章已经广泛使用的方法。动态编译 Numba软件包可以让我们使用LLVM技术来动态地编译纯Python代码。静态编译 Cython不仅是一个Python软件包，还是一种组合了Python和C的混合语言。例如，它可以使用静态类型声明，静态编译经过调整的代码。多进程 Python的multiprocessing模块可以简便地实现代码并行执行。本章介绍如下内容。循环本节介绍Python循环及其加速方法。算法本节讲解的是常用作性能基准的标准数学算法，例如斐波那契数列的生成。二叉树二项式期权定价模型是广泛使用的金融模型，可作为更复杂金融算法的一个案例分析。蒙特卡洛模拟类似地，蒙特卡洛模拟在金融实践中广泛用于定价和风险管理。这种算法对计算的要求很高，长期被视为C或者C++语言的“领地”。 pandas递归算法本节介绍基于金融时间序列数据的递归算法的加速。特别地，它还介绍了计算指数加权移动平均数（EWMA）的不同实现方法。 10.1 循环本节解决Python的循环问题。任务相当简单：编写一个函数提取“大量”随机数，然后返回平均值。我们感兴趣的是执行时间，这可以用神奇的%time和%timeit函数估算。 10.1.1Python 让我们“慢慢”地开始——原谅我的双关语。在纯Python中，这样的函数可能像下面的average_py()：In [1]: import randomIn [2]: def average_py(n): s = 0 ❶ for i in range(n): s += random.random() ❷ return s / n ❸ In [3]: n = 10000000 ❹ In [4]: %time average_py(n) ❺ CPU times: user 1.82 s, sys: 10.4 ms, total: 1.83 s Wall time: 1.93 s Out[4]: 0.5000590124747943 In [5]: %timeit average_py(n) ❻ 1.31 s ± 159 ms per loop (mean ± std. dev. of 7 runs, 1 loop each) In [6]: %time sum([random.random() for _ in range(n)]) / n ❼ CPU times: user 1.55 s, sys: 188 ms, total: 1.74 s Wall time: 1.74 s Out[6]: 0.49987031710661173 ❶ 初始化变量s的值。 ❷ 在s中添加区间（0,1）的均匀分布随机值。 ❸ 返回平均值。 ❹ 定义循环次数。 ❺ 测定函数执行一次的时间。 ❻ 多次测定函数执行时间，得到更可靠的估算。 ❼ 使用列表推导代替函数。这为以后的其他方法设置了基准。 10.1.2 NumPyNumPy也可以使用专用的数学库，如Intel数学核心库。——原注 NumPy的优势在于其向量化能力。从形式上看，Python级别的循环消失了；循环在更深的一级上，由NumPy提供的优化和预编译例程执行。average_np()函数利用了这种方法：In [7]: import numpy as npIn [8]: def average_np(n): s = np.random.random(n) ❶ return s.mean() ❷ In [9]: %time average_np(n) CPU times: user 180 ms, sys: 43.2 ms, total: 223 ms Wall......