2025年Python金融量化考試試卷：交易策略實戰(zhàn)訓練考試時間：______分鐘總分：______分姓名：______一、請編寫Python代碼，使用`pandas`庫讀取存儲在本地CSV文件`stock_data.csv`中的股票數(shù)據(jù)。該文件包含以下列：`Date`（日期）、`Open`（開盤價）、`High`（最高價）、`Low`（最低價）、`Close`（收盤價）、`Volume`（成交量）。請將讀取的數(shù)據(jù)存儲在一個名為`df`的`pandas`DataFrame對象中，并將`Date`列轉換為`datetime`類型。二、假設`df`是上題中創(chuàng)建的股票數(shù)據(jù)`DataFrame`。請使用`pandas`庫對`df`進行處理，完成以下任務：1.刪除`df`中包含缺失值的行。2.計算`df`中每行的`日內(nèi)漲幅`，即`(Close-Open)/Open`，并將結果存儲在新列`Return`中。3.將`df`按照`Date`列進行降序排序。4.選擇`df`中`Volume`大于平均成交量1000行，并將結果存儲在新的`DataFrame`對象`df_large_volume`中。三、請編寫Python代碼，使用`matplotlib`庫繪制`df`中`Close`（收盤價）和`Volume`（成交量）隨時間變化的折線圖。其中，`Date`列作為X軸，`Close`列作為第一條Y軸（左軸），`Volume`列作為第二條Y軸（右軸）。請為兩條Y軸添加合適的標簽。四、請定義一個Python函數(shù)`calculate_moving_average`，該函數(shù)接收三個參數(shù)：一個包含股票價格的`pandas.Series`對象`price`，一個整數(shù)`window`（窗口大?。约耙粋€字符串`type`（表示移動平均的類型，'simple'或'exponential'）。如果`type`為'simple'，則函數(shù)返回計算得到的簡單移動平均（SMA）；如果`type`為'exponential'，則函數(shù)返回計算得到的指數(shù)移動平均（EMA）。請使用該函數(shù)計算`df`中`Close`列的10日簡單移動平均和20日指數(shù)移動平均，并將結果存儲在新的列`SMA_10`和`EMA_20`中。五、請編寫Python代碼，實現(xiàn)一個基于簡單移動平均交叉的股票交易策略。策略邏輯如下：1.當`SMA_10`上穿`EMA_20`時，視為買入信號。2.當`SMA_10`下穿`EMA_20`時，視為賣出信號。請假設初始資金為10000元，每次交易的手續(xù)費為交易金額的0.1%。請記錄策略的買入日期、賣出日期、買入價、賣出價、交易盈虧等信息。請將結果存儲在一個名為`trades`的`pandas.DataFrame`對象中。六、假設`trades`是上題中創(chuàng)建的交易記錄`DataFrame`。請計算該交易策略的總收益率，并計算其年化收益率（假設一年有252個交易日）。七、請使用`pandas`庫計算`df`中`Close`列的日收益率。然后，請使用`numpy`庫計算該日收益率序列的均值、標準差、偏度、峰度。八、請編寫Python代碼，實現(xiàn)以下風險管理措施：1.設置止損：當交易虧損達到初始資金的5%時，自動平倉。2.設置止盈：當交易盈利達到初始資金的10%時，自動平倉。請在原有的交易策略基礎上，加入上述風險管理措施，并記錄加入風險管理后的交易結果，存儲在名為`trades_with_risk_management`的`pandas.DataFrame`對象中。九、請比較`trades`和`trades_with_risk_management`兩個`DataFrame`對象，分析加入風險管理措施對交易策略績效的影響。十、請簡要描述在使用簡單移動平均交叉策略進行交易時，該策略的潛在優(yōu)勢和局限性。試卷答案一、```pythonimportpandasaspddf=pd.read_csv('stock_data.csv')df['Date']=pd.to_datetime(df['Date'])```解析：使用`pandas.read_csv`函數(shù)讀取CSV文件，并將`Date`列轉換為`datetime`類型。二、```pythondf.dropna(inplace=True)df['Return']=(df['Close']-df['Open'])/df['Open']df.sort_values(by='Date',ascending=False,inplace=True)df_large_volume=df[df['Volume']>df['Volume'].mean()]```解析：使用`dropna`刪除缺失值行，計算日內(nèi)漲幅并存儲在新列，按日期降序排序，篩選成交量大于平均值的行。三、```pythonimportmatplotlib.pyplotaspltfig,ax1=plt.subplots()color='tab:red'ax1.set_xlabel('Date')ax1.set_ylabel('Close',color=color)ax1.plot(df['Date'],df['Close'],color=color)ax1.tick_params(axis='y',labelcolor=color)ax1.tick_params(axis='x',rotation=45)ax2=ax1.twinx()#instantiateasecondaxesthatsharesthesamex-axiscolor='tab:blue'ax2.set_ylabel('Volume',color=color)#wealreadyhandledthex-labelwithax1ax2.plot(df['Date'],df['Volume'],color=color)ax2.tick_params(axis='y',labelcolor=color)fig.tight_layout()#tomakesurethatthelabelsdon'tgetcutoffplt.show()```解析：創(chuàng)建一個圖形和第一個軸，設置X軸和Y軸標簽，繪制收盤價折線圖；使用`twinx`創(chuàng)建共享X軸的第二個軸，設置第二個Y軸標簽，繪制成交量折線圖；調(diào)整布局并顯示圖形。四、```pythonimportnumpyasnpdefcalculate_moving_average(price,window,type):iftype=='simple':returnprice.rolling(window=window).mean()eliftype=='exponential':returnprice.ewm(span=window,adjust=False).mean()else:raiseValueError("Invalidtype.Use'simple'or'exponential'.")df['SMA_10']=calculate_moving_average(df['Close'],10,'simple')df['EMA_20']=calculate_moving_average(df['Close'],20,'exponential')```解析：定義函數(shù)根據(jù)類型計算簡單移動平均或指數(shù)移動平均，使用`rolling`和`ewm`方法計算移動平均，并將結果存儲在新列。五、```pythoninitial_capital=10000trades=pd.DataFrame(columns=['Buy_Date','Sell_Date','Buy_Price','Sell_Price','Profit/Loss'])position=Falseentry_price=0foriinrange(1,len(df)):ifdf['SMA_10'].iloc[i]>df['EMA_20'].iloc[i]andnotposition:position=Trueentry_price=df['Close'].iloc[i]shares=initial_capital*0.9/entry_price#Allocate90%ofcapitalforthetradetrade_cost=shares*entry_price*0.001#Transactioncostinitial_capital-=(shares*entry_price+trade_cost)elifdf['SMA_10'].iloc[i]<df['EMA_20'].iloc[i]andposition:position=Falseexit_price=df['Close'].iloc[i]profit_loss=(exit_price-entry_price)*sharesprofit_loss_after_cost=profit_loss-trade_cost#Adjustfortransactioncostinitial_capital+=(shares*exit_price-trade_cost)trades=trades.append({'Buy_Date':df['Date'].iloc[i-1],'Sell_Date':df['Date'].iloc[i],'Buy_Price':entry_price,'Sell_Price':exit_price,'Profit/Loss':profit_loss_after_cost},ignore_index=True)ifposition:#Ifstillinpositionattheend,closeitatthelastpriceexit_price=df['Close'].iloc[-1]profit_loss=(exit_price-entry_price)*sharesprofit_loss_after_cost=profit_loss-trade_costinitial_capital+=(shares*exit_price-trade_cost)trades=trades.append({'Buy_Date':df['Date'].iloc[i-1],'Sell_Date':df['Date'].iloc[-1],'Buy_Price':entry_price,'Sell_Price':exit_price,'Profit/Loss':profit_loss_after_cost},ignore_index=True)```解析：初始化資金和交易記錄DataFrame。使用循環(huán)遍歷數(shù)據(jù)，根據(jù)SMA和EMA的交叉信號判斷買入和賣出。記錄交易細節(jié)并計算資金變化。處理交易成本。六、```pythontotal_profit_loss=trades['Profit/Loss'].sum()annualized_return=(1+total_profit_loss/initial_capital)(252/len(df))-1```解析：計算所有交易盈虧的總和，根據(jù)總盈虧和初始資金計算總收益率，再根據(jù)交易日數(shù)和一年交易日數(shù)計算年化收益率。七、```pythondaily_returns=df['Close'].pct_change()mean_return=daily_returns.mean()std_deviation=daily_returns.std()skewness=daily_returns.skew()kurtosis=daily_returns.kurtosis()```解析：使用`pct_change`方法計算日收益率。使用`mean`、`std`、`skew`、`kurtosis`方法計算均值、標準差、偏度和峰度。八、```pythontrades_with_risk_management=pd.DataFrame(columns=['Buy_Date','Sell_Date','Buy_Price','Sell_Price','Profit/Loss'])initial_capital_rmg=10000position_rmg=Falseentry_price_rmg=0止損_threshold=initial_capital*0.05止盈_threshold=initial_capital*0.1foriinrange(1,len(df)):ifdf['SMA_10'].iloc[i]>df['EMA_20'].iloc[i]andnotposition_rmg:position_rmg=Trueentry_price_rmg=df['Close'].iloc[i]shares_rmg=initial_capital_rmg*0.9/entry_price_rmgtrade_cost_rmg=shares_rmg*entry_price_rmg*0.001initial_capital_rmg-=(shares_rmg*entry_price_rmg+trade_cost_rmg)elifdf['SMA_10'].iloc[i]<df['EMA_20'].iloc[i]andposition_rmg:position_rmg=Falseexit_price_rmg=df['Close'].iloc[i]profit_loss_rmg=(exit_price_rmg-entry_price_rmg)*shares_rmgprofit_loss_after_cost_rmg=profit_loss_rmg-trade_cost_rmginitial_capital_rmg+=(shares_rmg*exit_price_rmg-trade_cost_rmg)ifprofit_loss_after_cost_rmg>=止盈_thresholdorprofit_loss_after_cost_rmg<=-止損_threshold:trades_with_risk_management=trades_with_risk_management.append({'Buy_Date':df['Date'].iloc[i-1],'Sell_Date':df['Date'].iloc[i],'Buy_Price':entry_price_rmg,'Sell_Price':exit_price_rmg,'Profit/Loss':profit_loss_after_cost_rmg},ignore_index=True)position_rmg=False#Closetheposition#Checkforstop-lossortake-profitattheendoftheloopifstillinpositionifposition_rmg:current_profit_loss_rmg=(df['Close'].iloc[i]-entry_price_rmg)*shares_rmg-trade_cost_rmgifcurrent_profit_loss_rmg>=止盈_thresholdorcurrent_profit_loss_rmg<=-止損_threshold:exit_price_rmg=df['Close