王圣元 (FRM, CAIA)
新加坡某金融咨询公司总监
新加坡国立大学金融数学硕士
新加坡国立大学量化金融学士
《快乐机器学习》的作者
《Python - 金工, 机学, 可视化
》(已完成)
《金融工程 - 从入门到入迷》(正在写)
本次课是整套 Python 第二阶段的课。我把整套知识体系分成四个模块：
Python 基础： 已直播完 (录播已上传)，点击【课程介绍】和【课后复盘】看详细信息
Python 数据分析：这次的课程，NumPy, Pandas, SciPy
Python 数据可视化：Matplotlib, Seaborn, Plotly, PyEcharts, Bokeh
Python 机器学习：Scikit Learn, Scikit Plot, Keras
上面提到的四个模块见下图：
有个人可能会问 NumPy-Pandas-SciPy 不都是免费资源吗，为什么还要花钱来上课？没错，我也是参考了大量书籍、优质博客和付费课程中汲取众多精华，才打磨出来的前七节课。
我先来谈谈我的学习思路和教课理念，看是不是符合你的胃口：
WHY：为什么会有三者？
每一个工具包的创建必是解决痛点。
WHAT：三者是什么？
NumPy 和 Pandas 是数据结构
SciPy 是基于 NumPy 添加的功能。
HOW：怎么去学三者？
HOW WELL：怎么学好三者？
需要你们用心去学（必要条件）
需要我用心去准备（充分条件）
接下来看我的表演。
WHY
看下面数组和列表之间的计算效率对比：两个大小都是 1000000，把每个元素翻倍，运行 10 次用 %time 记时。(前者比后者快 20-30 倍)
%%timelst = list(range(1000000))for _ in range(10): my_list = [x * 2 for x in lst]
arr = numpy.arange(1000000)for _ in range(10): my_arr = arr * 2
WHAT
NumPy 数组是一种数据结构。很多资料都从它的表象开始教，比如一维、二维、多维数组长什么样子。但这都不是本质，NumPy 数组的本质是“计算机内存的连续一维段 (1D segment)，并与若干个指针一起来在视图中展示高维度”。
听着很绕口，但这样理解数组之后很多问题都可以轻易理解，比如：
我为上面那句话画了三幅图，注意比较数组“想象中的样子”、“打印出的样子”和“内存里的样子”。
看懂之后，你会了解 NumPy 数组其实就是一连串横向的元素，用指针来控制维度 (axis) 和每个维度包含的元素个数 (shape)。
HOW
了解完数组本质之后，就可以把它当做对象（Python 中万物皆对象嘛）把玩了：
怎么创建数组 (不会创建那还学什么)
怎么存载数组 (存为了下次载，载的是上回存)
怎么获取数组 (和索引切片列表相似又不相似)
怎么
变形数组 (把数组用不同的样子来展示)
怎么计算数组 (这才是数组的最大用处)
总体内容用思维导图来表示，这也是我经常强调的系统化学东西。有了总体框架，你在接触到繁多的细节时才会把握主干线。
HOW WELL
上面提到了要学好，不仅仅需要你们用心学，也需要我用心教。对于一切难点，我都会将其可视化，这样会大大降低了你们的理解门槛。
比如在讲广播机制时，下面的一图胜千言。
比如在讲数组计算时，用神经网络中一个公式可把重塑 (reshape)、点乘 (dot)、广播 (broadcast) 和元素层面 (element-wise) 几个知识点一次性捋清。
其实我觉得这个“课程推广”帖子就已经很多干货了 
。你们看到哪个广告贴会这么用心的去写 
？
WHY
下图左边的「二维 NumPy 数组」 仅仅储存了一组数值 (具体代表什么意思却不知道)，而右边的「数据帧 DataFrame」一看就知道这是平安银行和茅台从 2018-1-3 到 2019-1-3 的价格。
Pandas 的数据结构在每个维度上都有可读性强的标签，比起 NumPy 的数据结构涵盖了更多信息。
此外 Pandas 主要是为异质 (heterogeneous) 的表格 (tabular) 数据而设计的，而 NumPy 主要是为同质 (homogeneous) 的数值 (numerical) 数据而设计的。
WHAT
Pandas DataFrame 是一种数据结构 (Series 可不严谨的看成一维的 DataFrame，而 Panel 已经被废弃)。DataFrame 数据帧可以看成是
数据帧 = 二维数组 + 行索引 + 列索引
在 Pandas 里出戏的就是行索引和列索引，它们
HOW
了解完数据帧本质之后，我们可从 Pandas 功能角度来学习它：
数据创建 (不会创建那还学什么)
数据存载 (存为了下次载，载的是上回存)
数据获取 (基于位置、基于标签、层级获取)
数据结合 (按键合并、按轴结合)
数据重塑 (行列互转、长宽互转)
数据
分析 (split-apply-combine, pivot_table, crosstab)
数据可视 (df.plot( kind='type') )
数据处理 (处理缺失值和离群值、编码离散值，分箱连续值)
总体内容用思维导图来表示。
HOW WELL
比如在讲拆分-应用-结合 (split-apply-combine) 时，我会先从数据帧上的 sum() 或 mean() 函数引出无条件聚合，但通常希望有条件地在某些标签或索引上进行聚合。这时数据会根据某些规则分组 (split)，然后应用 (apply) 同样的函数在每个组，最后结合 (combine) 成整体。
这波操作称被 Hadley Wickham 称之为拆分-应用-结合，具体而言，该过程有三步：
在 split 步骤：将数据帧按照指定的“键”分组
在 apply 步骤：在各组上平行执行四类操作：
整合型 agg() 函数
转换型 transform() 函数
筛选型 filter() 函数
通用型 apply() 函数
在 combine 步骤：操作之后的每个数据帧自动合并成一个总体数据帧
一图胜千言：
WHY
NumPy 是数据结构，而 SciPy 是基于该数据结构的科学工具包，能够处理插值、积分、优化、常 (偏) 微分方程数值求解、信号处理、图像处理等问题。
此外，原来 SciPy 底下的子工具包 scipy.stats.models 也独立成为 statsmodels 包，它提供了一套完整回归体系，具体操作包括数据访问方式，拟合，绘图和报告诊断。
WHAT / HOW
既然 SciPy 偏向功能，我就从金融方向用到最多的几个功能来介绍 SciPy：
插值：scipy.interpolate
积分：scipy.integrate
优化：scipy.optimize
PDE：scipy.sparse
回归：statsmodels.api
对于以上每种功能，我的想法是先用一个简单例子来介绍如何去用子工具包，再用一个金融例子来巩固学到的东西。
插值：计算远期利率
积分：计算期权价值
优化：最大化效用
PDE：有限差分 - 完全显式、完全隐式和克莱克尼克尔森
回归：CAPM, FF 3 因子, FF 5 因子
总体内容用思维导图来表示。
HOW WELL
偏微分方程有限差分 (finite difference, FD) 算是金融工程中比较难学的，但我会讲里面所有难懂的概念可视化出来。下图可是我用 matplotlib 写代码画出 (敢问谁会这么用心来这么做) 用 FD 求解 PDE 所了解的核心元素：
网格：空间维度的 S (对应标的资产价格)，时间维度的 t (对应衍生品到期日)
终止条件：任何金融产品都是支付函数，可设为 PDE 的终止条件
边界条件：很多金融产品的支付在标的很大或很小时会确定比如看涨期权
求解格式：完全显式 (explicit)、完全隐式 (implicit) 和克莱克尼克尔森 (Crank-Nicolson)
在求解 PDE 时，我只说五句话，配着下面的图 (也是用 matpplotlib 写代码画的)。
水平面上的灰点是网格
红线是终值条件 (产品在到期日支付函数)
两条
深青线是边界条件 (产品在标的上下界时的支付)
蓝点是期权值 (产品在 0 时点的值)
从 T4 到 T0 一步步解的 (从后往前解)
以上步骤弄明白了，要得到更精确的值，需要把 S 和 t 轴上的点打的更密就完事了，你看，其他书讲的很难懂的 PDE FD 我用几张简图可视化一下就好懂多了吧。
FD 对于定价标的少于 4 个的金融衍生品是个很好的方法：
十大案例有的是我亲自为客户做过的项目 (当然讲出来的时候会修改数据)，有的是私募的朋友要发行产品让我帮其估值，有的是业界 best practice。最值钱的是这些案例，除了将 NumPy, Pandas 和 SciPy 应用在金融上，你还能学到各种关于产品定价、风险管理、量化投资等金融工程的知识。只要你们认真学习这些案例，听完之后可以做很多金融从业者做的事情了。
通过微信付费阅读形式，每篇文章就是一节课，包含视频、PDF 课件、和 Jupyter Notebook 代码。
