2025年P(guān)ython金融量化分析模擬試卷：金融行業(yè)數(shù)據(jù)分析技能提升考試時(shí)間：______分鐘總分：______分姓名：______一、請(qǐng)編寫(xiě)Python代碼，使用Pandas庫(kù)從名為`market_data.csv`的文件中讀取數(shù)據(jù)，該文件包含日期（格式為YYYY-MM-DD）、股票代碼、收盤(pán)價(jià)、最高價(jià)、最低價(jià)和交易量六列。假設(shè)日期列為字符串類(lèi)型，收盤(pán)價(jià)、最高價(jià)、最低價(jià)和交易量為浮點(diǎn)數(shù)類(lèi)型。將日期列轉(zhuǎn)換為Pandas的datetime類(lèi)型，并將股票代碼設(shè)置為DataFrame的索引。最后，輸出DataFrame的前5行數(shù)據(jù)，并顯示其基本信息（如形狀、數(shù)據(jù)類(lèi)型等）。二、假設(shè)你已加載了一個(gè)包含每日對(duì)數(shù)收益率的DataFrame`log_returns`，其中索引為日期，列名為"Stock_A"和"Stock_B"。請(qǐng)使用Pandas計(jì)算Stock_A和Stock_B之間對(duì)數(shù)收益率的滾動(dòng)30天標(biāo)準(zhǔn)差，并將結(jié)果存儲(chǔ)在一個(gè)新的DataFrame`rolling_std`中。請(qǐng)使用默認(rèn)的滾動(dòng)窗口大小計(jì)算標(biāo)準(zhǔn)差。三、在上一題的`log_returns`DataFrame基礎(chǔ)上，請(qǐng)使用Pandas計(jì)算股票Stock_A和Stock_B對(duì)數(shù)收益率的相關(guān)系數(shù)，并使用Matplotlib庫(kù)繪制Stock_A和Stock_B對(duì)數(shù)收益率的散點(diǎn)圖。在散點(diǎn)圖中，請(qǐng)使用不同的顏色區(qū)分兩種股票，并添加標(biāo)題"Stock_AvsStock_BLogReturnsScatterPlot"，以及x軸和y軸標(biāo)簽。四、假設(shè)你有一個(gè)名為`portfolio_values.csv`的文件，其中包含某投資組合每日的價(jià)值數(shù)據(jù)。請(qǐng)使用Pandas讀取該文件，并將日期列轉(zhuǎn)換為datetime類(lèi)型，設(shè)置為索引。接著，計(jì)算該投資組合每日的日收益率（使用收盤(pán)價(jià)計(jì)算），并將結(jié)果存儲(chǔ)在名為`daily_returns`的新列中。最后，計(jì)算該投資組合年化收益率（假設(shè)每年252個(gè)交易日），并打印結(jié)果。五、使用Seaborn庫(kù)，基于上一題計(jì)算得到的`daily_returns`DataFrame，繪制投資組合日收益率的核密度估計(jì)圖（KDEPlot）。請(qǐng)確保圖表具有清晰的標(biāo)題和軸標(biāo)簽。此外，請(qǐng)計(jì)算并顯示`daily_returns`的均值和標(biāo)準(zhǔn)差。六、請(qǐng)編寫(xiě)Python代碼，使用Scikit-learn庫(kù)中的線性回歸模型（`LinearRegression`），基于以下模擬數(shù)據(jù)構(gòu)建一個(gè)簡(jiǎn)單的股票價(jià)格預(yù)測(cè)模型。訓(xùn)練數(shù)據(jù)（X_train）包含兩個(gè)特征（Feature1,Feature2），目標(biāo)變量（y_train）是股票的收盤(pán)價(jià)。```pythonimportnumpyasnp#模擬數(shù)據(jù)np.random.seed(42)X_train=np.random.rand(100,2)*100#100個(gè)樣本，2個(gè)特征y_train=50+0.5*X_train[:,0]+2*X_train[:,1]+np.random.randn(100)*10#真實(shí)關(guān)系+噪聲```請(qǐng)完成以下步驟：1.創(chuàng)建一個(gè)`LinearRegression`對(duì)象。2.使用`X_train`和`y_train`訓(xùn)練該模型。3.打印模型的斜率（系數(shù)）和截距。4.使用訓(xùn)練好的模型，預(yù)測(cè)`X_train`中的股票價(jià)格，并將預(yù)測(cè)結(jié)果存儲(chǔ)在`y_pred`中。5.計(jì)算平均絕對(duì)誤差（MAE），比較`y_train`和`y_pred`。七、請(qǐng)編寫(xiě)Python代碼，計(jì)算一個(gè)包含以下股票每日收盤(pán)價(jià)的DataFrame`stock_prices`的夏普比率。假設(shè)無(wú)風(fēng)險(xiǎn)年化利率為0.02（2%）。請(qǐng)使用過(guò)去30天的數(shù)據(jù)窗口計(jì)算滾動(dòng)夏普比率，并打印結(jié)果。DataFrame的列名分別為"Stock_X","Stock_Y","Stock_Z"。```pythonimportpandasaspd#模擬數(shù)據(jù)dates=pd.date_range(start='2023-01-01',periods=100)np.random.seed(42)data={"Stock_X":np.random.randn(100).cumsum()*100+1000,"Stock_Y":np.random.randn(100).cumsum()*50+500,"Stock_Z":np.random.randn(100).cumsum()*200+2000}stock_prices=pd.DataFrame(data,index=dates)```請(qǐng)確保計(jì)算結(jié)果考慮了年化收益率（基于252個(gè)交易日）和標(biāo)準(zhǔn)差。八、假設(shè)你有一個(gè)包含多個(gè)特征（如開(kāi)盤(pán)價(jià)、最高價(jià)、最低價(jià)、交易量）和目標(biāo)變量（收盤(pán)價(jià)）的DataFrame`regression_data`。請(qǐng)編寫(xiě)代碼，使用Pandas計(jì)算每個(gè)數(shù)值型特征與目標(biāo)變量（收盤(pán)價(jià)）之間的皮爾遜相關(guān)系數(shù)。然后，根據(jù)相關(guān)系數(shù)的絕對(duì)值，找出與收盤(pán)價(jià)最正相關(guān)和最負(fù)相關(guān)的兩個(gè)特征（不包括收盤(pán)價(jià)自身），并打印這兩個(gè)特征名稱及其對(duì)應(yīng)的相關(guān)系數(shù)。九、請(qǐng)編寫(xiě)Python代碼，對(duì)名為`market_data.csv`的文件中的股票數(shù)據(jù)執(zhí)行以下操作：1.識(shí)別并處理`收盤(pán)價(jià)`列中的缺失值，使用該列的前向填充（`ffill`）方法處理。2.計(jì)算處理后的數(shù)據(jù)中，每個(gè)股票代碼（索引）的`交易量`的累積最大值，并將結(jié)果添加為新列`cumulative_max_volume`。3.將DataFrame按`日期`列和`股票代碼`列進(jìn)行排序，先按日期升序，再按股票代碼升序。4.選擇股票代碼為"AAPL"的數(shù)據(jù)子集，計(jì)算其`收盤(pán)價(jià)`的對(duì)數(shù)收益率，并將結(jié)果存儲(chǔ)在名為`aapl_log_returns`的新列中。5.最后，輸出處理后的DataFrame的后10行數(shù)據(jù)。試卷答案一、```pythonimportpandasaspd#讀取數(shù)據(jù)df=pd.read_csv('market_data.csv',parse_dates=['日期'],#直接解析日期列dtype={'股票代碼':str,'收盤(pán)價(jià)':float,'最高價(jià)':float,'最低價(jià)':float,'交易量':float})#轉(zhuǎn)換日期類(lèi)型并設(shè)為索引df['日期']=pd.to_datetime(df['日期'])df.set_index('日期',inplace=True)stock_code=#保存原索引名#輸出前5行和基本信息print(df.head())print(())```解析思路：使用`pd.read_csv`讀取CSV文件，通過(guò)`parse_dates`參數(shù)指定日期列并自動(dòng)解析。使用`dtype`參數(shù)明確指定各列數(shù)據(jù)類(lèi)型。使用`pd.to_datetime`顯式轉(zhuǎn)換日期列（可選，如果`read_csv`解析成功可省略）。使用`set_index`將日期列設(shè)為DataFrame的索引，并可保存原索引名。最后使用`head()`和`info()`展示結(jié)果。二、```pythonimportpandasaspd#假設(shè)log_returns已定義#log_returns=pd.DataFrame(...)#計(jì)算滾動(dòng)30天標(biāo)準(zhǔn)差rolling_std=log_returns.rolling(window=30).std()print(rolling_std)```解析思路：Pandas的`rolling()`方法用于創(chuàng)建滾動(dòng)窗口。`window=30`指定窗口大小為30天。`std()`方法計(jì)算窗口內(nèi)數(shù)據(jù)的滾動(dòng)標(biāo)準(zhǔn)差。結(jié)果`rolling_std`是一個(gè)DataFrame，其索引與原數(shù)據(jù)相同，但前29行數(shù)據(jù)因不足30天而填充為NaN。三、```pythonimportpandasaspdimportmatplotlib.pyplotasplt#假設(shè)log_returns已定義#計(jì)算相關(guān)系數(shù)correlation=log_returns.corr()print("Correlation:")print(correlation)#繪制散點(diǎn)圖plt.figure(figsize=(8,6))plt.scatter(log_returns['Stock_A'],log_returns['Stock_B'],alpha=0.5)plt.title('Stock_AvsStock_BLogReturnsScatterPlot')plt.xlabel('Stock_ALogReturns')plt.ylabel('Stock_BLogReturns')plt.grid(True)plt.show()```解析思路：`log_returns.corr()`方法計(jì)算DataFrame中所有列兩兩之間的皮爾遜相關(guān)系數(shù)，結(jié)果是一個(gè)方陣。使用`plt.scatter()`繪制散點(diǎn)圖，x軸為Stock_A的收益率，y軸為Stock_B的收益率，`alpha`參數(shù)控制點(diǎn)透明度。使用`plt.title()`,`plt.xlabel()`,`plt.ylabel()`添加圖表元素。四、```pythonimportpandasaspd#讀取數(shù)據(jù)#假設(shè)portfolio_values.csv文件存在，且日期列名為'Date'df=pd.read_csv('portfolio_values.csv',parse_dates=['Date'])df.set_index('Date',inplace=True)#計(jì)算日收益率df['daily_returns']=df['Portfolio_Value'].pct_change()*100#百分比形式#計(jì)算年化收益率annualized_return=df['daily_returns'].mean()*252print(f"AnnualizedReturn:{annualized_return:.4f}%")```解析思路：讀取CSV文件并將日期列設(shè)為索引。使用`pct_change()`計(jì)算基于前一行的百分比變化，即日收益率。將結(jié)果乘以100轉(zhuǎn)換為百分比形式。年化收益率通過(guò)將日收益率均值乘以交易日數(shù)量（252）得到。五、```pythonimportpandasaspdimportseabornassns#假設(shè)daily_returns已定義#繪制KDE圖plt.figure(figsize=(8,6))sns.kdeplot(daily_returns.dropna(),fill=True,color='blue')#dropna()處理可能的NaN值plt.title('InvestmentPortfolioDailyReturnsKDEPlot')plt.xlabel('DailyReturns(%)')plt.ylabel('Density')plt.grid(True)plt.show()#計(jì)算均值和標(biāo)準(zhǔn)差mean_return=daily_returns.mean()std_dev=daily_returns.std()print(f"MeanReturn:{mean_return:.4f}%")print(f"StandardDeviation:{std_dev:.4f}%")```解析思路：使用`seaborn.kdeplot()`繪制核密度估計(jì)圖，`fill=True`使曲線下方區(qū)域填充。`dropna()`確保在繪圖前移除NaN值。`plt.title()`,`plt.xlabel()`,`plt.ylabel()`添加圖表元素。使用`mean()`和`std()`分別計(jì)算日收益率的均值和標(biāo)準(zhǔn)差。六、```pythonimportnumpyasnpfromsklearn.linear_modelimportLinearRegression#模擬數(shù)據(jù)np.random.seed(42)X_train=np.random.rand(100,2)*100y_train=50+0.5*X_train[:,0]+2*X_train[:,1]+np.random.randn(100)*10#創(chuàng)建并訓(xùn)練模型model=LinearRegression()model.fit(X_train,y_train)#打印斜率和截距print("Coefficients(Slopes):",model.coef_)print("Intercept:",ercept_)#預(yù)測(cè)y_pred=model.predict(X_train)#計(jì)算MAEfromsklearn.metricsimportmean_absolute_errormae=mean_absolute_error(y_train,y_pred)print("MeanAbsoluteError(MAE):",mae)```解析思路：使用Numpy生成模擬特征`X_train`和目標(biāo)`y_train`。創(chuàng)建`LinearRegression`對(duì)象。使用`fit(X_train,y_train)`方法訓(xùn)練模型。`coef_`屬性返回各特征的系數(shù)（斜率），`intercept_`屬性返回截距。使用`predict(X_train)`進(jìn)行預(yù)測(cè)得到`y_pred`。使用`mean_absolute_error`函數(shù)計(jì)算預(yù)測(cè)值`y_pred`與真實(shí)值`y_train`的平均絕對(duì)誤差。七、```pythonimportpandasaspdimportnumpyasnp#模擬數(shù)據(jù)dates=pd.date_range(start='2023-01-01',periods=100)np.random.seed(42)data={"Stock_X":np.random.randn(100).cumsum()*100+1000,"Stock_Y":np.random.randn(100).cumsum()*50+500,"Stock_Z":np.random.randn(100).cumsum()*200+2000}stock_prices=pd.DataFrame(data,index=dates)risk_free_rate=0.02#無(wú)風(fēng)險(xiǎn)年化利率trading_days_per_year=252#計(jì)算日收益率daily_returns=stock_prices.pct_change().dropna()#計(jì)算30天滾動(dòng)年化收益率rolling_annual_returns=(1+daily_returns.rolling(window=30).mean())trading_days_per_year-1#計(jì)算30天滾動(dòng)標(biāo)準(zhǔn)差rolling_std_dev=daily_returns.rolling(window=30).std()#計(jì)算滾動(dòng)夏普比率rolling_sharpe_ratio=rolling_annual_returns/rolling_std_devprint("RollingSharpeRatio(30days):")print(rolling_sharpe_ratio)```解析思路：生成模擬股票價(jià)格數(shù)據(jù)。計(jì)算日收益率（使用`pct_change()`）。計(jì)算30天滾動(dòng)窗口的日收益率均值，并轉(zhuǎn)換為年化收益率（公式：(1+平均日收益率)^周期數(shù)-1，這里周期數(shù)為252）。計(jì)算30天滾動(dòng)窗口的日收益率標(biāo)準(zhǔn)差。滾動(dòng)夏普比率等于滾動(dòng)年化收益率除以滾動(dòng)標(biāo)準(zhǔn)差。結(jié)果是一個(gè)時(shí)間序列，表示不同時(shí)間點(diǎn)的滾動(dòng)夏普比率。八、```pythonimportpandasaspd#假設(shè)regression_data已定義，包含數(shù)值特征和收盤(pán)價(jià)（'Close'）#假設(shè)'Close'是目標(biāo)變量列名#計(jì)算相關(guān)系數(shù)correlation_with_close=regression_data.corr()['Close'].drop('Close')#排除與自身的相關(guān)系數(shù)#找出最相關(guān)和最不相關(guān)的特征most_correlated_feature=correlation_with_close.abs().idxmax()most_inversely_correlated_feature=correlation_with_close.abs().idxmin()#獲取對(duì)應(yīng)的相關(guān)系數(shù)值most_correlated_value=correlation_with_close[most_correlated_feature]most_inversely_correlated_value=correlation_with_close[most_inversely_correlated_feature]print(f"MostCorrelatedFeature:{most_correlated_feature}(Corr={most_correlated_value:.4f})")print(f"MostInverselyCorrelatedFeature:{most_inversely_correlated_feature}(Corr={most_inversely_correlated_value:.4f})")```解析思路：使用`regression_data.corr()`計(jì)算所有數(shù)值列之間的相關(guān)系數(shù)矩陣。使用`['Close']`選擇與收盤(pán)價(jià)相關(guān)的那一行，`drop('Close')`移除該行自身與自身的相關(guān)系數(shù)（通常為1），得到各特征與收盤(pán)價(jià)的相關(guān)系數(shù)Series。使用`abs()`獲取相關(guān)系數(shù)的絕對(duì)值。使用`idxmax()`找到絕對(duì)值最大的索引，即最相關(guān)的特征。使用`idxmin()`找到絕對(duì)值最小的索引，即最不相關(guān)的特征（負(fù)相關(guān)程度最大）。打印出這兩個(gè)特征及其相關(guān)系數(shù)。九、```pythonimportpandasaspd#讀取數(shù)據(jù)#假設(shè)market_data.csv文件存在df=pd.read_csv('market_data.csv',parse_da