通用函数ufunc：计算对数收益率与累计收益

通用函数ufunc：计算对数收益率与累计收益

小象量化极客小册 · 华尔街量化分析先锋系列

欢迎进入量化矩阵计算的世界！NumPy 是所有 Python 金融库的底层基石。本节你将掌握 ndarray 多维数组的操作，学习如何用高效的向量化计算和广播机制代替缓慢的 Python 循环，计算股票组合的协方差与收益率。

小象量化极客小册 · 华尔街量化分析先锋系列 欢迎进入量化矩阵计算的世界！NumPy 是所有 Python 金融库的底层基石。本节你将掌握 ndarray 多维数组的操作，学习如何用高效的向量化计算和广播机制代替缓慢的 Python 循环，计算股票组合的协方差与收益率。

💡 核心导读

本节将深入探讨NumPy最核心的向量化计算能力和通用函数(ufunc)机制。通过学习，您将掌握：1) 如何用向量化操作替代低效的循环计算；2) 理解ufunc的广播机制和性能优势；3) 熟练使用数学、统计、逻辑等各类通用函数。这些技能将帮助您将Python代码性能提升1-2个数量级，同时保持代码简洁可读。

向量化编程范式

为什么需要向量化

传统Python循环在数值计算时存在显著性能瓶颈：

import numpy as np
import time

def slow_dot(a, b):
    result = 0
    for x, y in zip(a, b):
        result += x * y
    return result

def fast_dot(a, b):
    return np.sum(a * b)

a = np.random.rand(1000000)
b = np.random.rand(1000000)

start = time.time()
slow_dot(a, b)
print(f"循环耗时: {time.time()-start:.4f}s")

start = time.time()
fast_dot(a, b) 
print(f"向量化耗时: {time.time()-start:.4f}s")

典型输出结果：

循环耗时: 0.4521s
向量化耗时: 0.0023s

向量化核心原理

NumPy的向量化操作通过以下机制实现加速：

1. 连续内存布局：数组元素在内存中连续存储
2. 单指令多数据(SIMD)：CPU并行处理多个数据
3. 消除解释器开销：操作在C层面执行

💡 概念小测：对数收益率计算

在量化交易中，为什么我们更倾向于计算和使用对数收益率（Log Return）而不是简单收益率（Simple Return）？

• 对数收益率计算比简单收益率更加简单，不需要进行除法。
• 对数收益率具有时间可加性。即多期对数收益率可以直接相加得到累计收益率，而简单收益率需要进行累乘。
• 对数收益率可以自动保证股票投资永远不发生亏损。
• Python 的 NumPy 库只能计算对数收益率，无法计算简单收益率。

📝 选择题

💡 概念小测：对数收益率计算 在量化交易中，为什么我们更倾向于计算和使用对数收益率（Log Return）而不是简单收益率（Simple Return）？

• A. 对数收益率计算比简单收益率更加简单，不需要进行除法。
• B. 对数收益率具有时间可加性。即多期对数收益率可以直接相加得到累计收益率，而简单收益率需要进行累乘。
• C. 对数收益率可以自动保证股票投资永远不发生亏损。
• D. Python 的 NumPy 库只能计算对数收益率，无法计算简单收益率。

答案：B（对数收益率具有时间可加性。即多期对数收益率可以直接相加得到累计收益率，而简单收益率需要进行累乘。）

通用函数(ufunc)详解

ufunc基本特性

通用函数是对ndarray进行元素级运算的函数，主要特点：

• 支持数组广播
• 提供多种返回方式(out参数)
• 包含丰富的数学运算方法

arr = np.array([1, 4, 9, 16])

sqrt_arr = np.sqrt(arr)  # [1. 2. 3. 4.]

added = np.add(arr, [2, 3, 4, 5])  # [ 3  7 13 21]

result = np.empty(4)
np.multiply(arr, 2, out=result)  # [ 2.  8. 18. 32.]

广播机制实战

广播规则遵循”从右向左”维度匹配原则：

矩阵A (3,4)   向量B (4,)   → 自动广播为 (3,4)

matrix = np.arange(12).reshape(3,4)
vector = np.array([10, 20, 30, 40])

broadcasted = matrix + vector  
"""
结果矩阵:
[[10 21 32 43]
 [14 25 36 47]
 [18 29 40 51]]
"""

常用ufunc分类应用

数学运算函数

angles = np.linspace(0, np.pi, 5)
sines = np.sin(angles)  # [0.0000000e+00 7.0710678e-01 1.0000000e+00 7.0710678e-01 1.2246468e-16]

exps = np.exp([1, 2, 3])  # [ 2.71828183  7.3890561  20.08553692]

arr = np.array([3.1415, 2.7182, 1.6180])
rounded = np.round(arr, 2)  # [3.14 2.72 1.62]

统计函数应用

data = np.random.normal(5, 2, (4,5))

print(f"均值: {np.mean(data):.2f} 标准差: {np.std(data):.2f}")

"""
原始数据形状: (4,5)
axis=0 → 沿行计算 → 结果形状: (5,)
axis=1 → 沿列计算 → 结果形状: (4,)
"""
row_max = np.max(data, axis=1)  # 每行最大值
col_sum = np.sum(data, axis=0)  # 每列求和

💡 代码填空：累积求和

补全代码，使用通用函数计算小象咖啡每日收益率序列的累计求和（以观察收益趋势）：

import numpy as np

daily_rets = np.array([0.01, -0.02, 0.03, 0.01])
cum_rets = np.{blank}(daily_rets)
print(cum_rets) # 输出: [ 0.01 -0.01  0.02  0.03]

• sum
• cumsum
• cumprod

✏️ 填空题

💡 代码填空：累积求和 补全代码，使用通用函数计算小象咖啡每日收益率序列的累计求和（以观察收益趋势）：

import numpy as np
daily_rets = np.array([0.01, -0.02, 0.03, 0.01])
# 计算累积和
cum_rets = np.___(daily_rets)
print(cum_rets) # 输出: [ 0.01 -0.01  0.02  0.03]

答案：cumsum

本章小结

行动清单

• 使用向量化操作重写一个现有的Python循环计算代码，比较性能差异
• 创建一个3x4矩阵和1x4向量，手动推导并验证广播规则的实际效果
• 对随机生成的100万数据点同时计算sin、cos和tan值，统计总耗时

「小象量化教研组」