Загрузка видео...

Не удалось загрузить видео

На главную

卧槽!期权、CDS、债券、利率互换——全部定价模型 Python 一把梭!FinancePy,真金融工程利器。 domokane 开源的 FinancePy,专注金融衍生品的定价和风险管理,覆盖固收、股票、外汇和信用等产品,目前有 3.1K Star。 核心能力包括: 1️⃣ 债券、可转债、利率衍生品定价 2️⃣ 股票期权(欧式、美式、亚式、障碍等) 3️⃣ 外汇期权和相关产品 4️⃣ 信用违约互换(CDS)等信用衍生品 5️⃣ 多种定价模型(Black-Scholes、树模型、随机波动率等) 6️⃣ 使用 Numba 加速,性能比较好,同时保持纯 Python 可读性 对做衍生品定价、风险计算,或者想系统学习量化金融建模的人来说,这个库内容比较扎实。 现在 FinancePy 纯 Python 加中文注释,pip install 就能跑。想做衍生品方向的,先把这个库吃透。

151,934 просмотров • 3 месяцев назад •via X (Twitter)

Комментарии: 0

Нет доступных комментариев

Здесь появятся комментарии из оригинального поста

Похожие видео

全球最贵的金融团队都在 GitHub 上开源了什么? 普通人怎么了解量化?直接上手是最快的 Jane Street、Goldman Sachs、J.P. Morgan 等顶级量化与高频交易机构,都放出了代表性的金融/工程工具,帮助普通量化爱好者免费学到机构级的定价模型、实时数据可视化和高精度性能调试能力👇 1. Jane Street magic-trace(5.4k stars) 基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候,它能以纳秒级分辨率记录 CPU 每一条指令的完整执行过程。想深入调试性能、搞清楚程序到底卡在哪里的同学,强烈推荐试试 2. Goldman Sachs gs-quant(10.2k stars) 高盛交易员日常使用的衍生品定价和风险管理 Python 工具包。包含期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用,适合想系统学习机构级量化定价的同学,实用性很强 3. Perspective(原 J.P. Morgan 项目,10.5k stars) J.P. Morgan 开源的实时数据可视化利器,特别擅长处理海量流式行情数据。能快速搭建漂亮的交互式仪表盘和实时监控界面,支持 Jupyter,比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好 这三个开源项目,能让你直接用上机构级的定价模型、实时行情仪表盘和高精度性能调试工具,帮普通开发者提升量化分析、数据可视化和代码优化能力,完全免费

梭哈.AI

100,594 просмотров • 6 месяцев назад

彭博终端一年好几万。这套开源桌面终端把研报、组合、新闻、节点编辑收在一个窗口里。 Fincept Terminal,31.8K stars。AGPL-3.0。C++20 + Qt6,内嵌 Python 3.11。 以前想碰专业终端,要么 Bloomberg 天价,要么自己把行情、宏观、研报、回测拆成十个网站。 它不只是一个看行情的软件,而是把股票研究、宏观数据、AI Agent、量化分析、组合管理、新闻、交易和全球情报,全整合进一个桌面终端里。 核心能力: 1️⃣ 支持股票、固定收益、衍生品、Crypto 等多类资产,可以做 DCF、VaR、Sharpe、组合优化和衍生品定价 2️⃣ 内置 37 个 AI Agent,覆盖 Buffett、Graham、Lynch、Munger 等投资框架,以及经济和地缘政治分析 3️⃣ 接入 100+ 数据源,包括 FRED、IMF、World Bank、Yahoo Finance、Polygon、AkShare、Kraken 等 4️⃣ 自带 18 个 QuantLib 量化模块,可以做定价、风险、波动率、固定收益和随机模型研究 5️⃣ 支持 AI Quant Lab,可以继续做机器学习、因子发现、强化学习和量化策略研究 6️⃣ 内置 Node Editor,可以把数据、分析和 Agent 组合成自己的自动化研究流程 7️⃣ 支持 Paper Trading 和 16 个 Broker 接口,还覆盖 Crypto 和股票行情 8️⃣ 除了金融数据,还加入海运追踪、地缘政治、关系图谱和卫星数据等 Global Intelligence 我比较喜欢它的一点是: 它不是简单做一个“AI 股票聊天框”,而是真想把专业投研终端需要的东西全部放到一套系统里。 Bloomberg 一年 2.7 万美元的活,它开源版 0 元就能干个七七八八。 做股票投研桌面、想看开源版彭博壳的,这个值得留着。

爱吃折耳根的Ace

11,451 просмотров • 1 месяц назад

卧槽!高盛、摩根大通、Jane Street 等 6 家顶级金融机构,居然把自己的量化研究和底层技术工具开源到了 GitHub! 找到 6 个很硬核的项目,分别覆盖金融数据、量化分析、风险管理、低延迟优化和高性能基础设施。 以前想研究华尔街的量化技术,很多只能看论文、读技术文章,真正能拿来运行和修改的代码并不好找。 现在有意思了,这些机构直接把部分技术成果公开,普通开发者也能研究他们是怎么解决实际问题的。 分享 6 个值得研究的项目: 1️⃣高盛 GS Quant|量化金融与风险分析 高盛开发的 Python 量化工具,覆盖衍生品定价、风险管理、时间序列分析和交易策略研究。 2️⃣摩根大通 python-training|金融 Python 摩根大通为分析师和交易员准备的 Python 培训材料,包含金融数据、数值计算和期权分析等案例。 3️⃣Jane Street magic-trace|高性能程序分析 约 40 纳秒级时间分辨率,追踪程序函数调用,快速定位交易系统的性能瓶颈。 4️⃣摩根士丹利 Xpedite|低延迟优化 专门分析 C++ 程序性能,检查 CPU 周期、缓存未命中和关键代码执行速度。 5️⃣Jump Crypto Firedancer|高性能区块链 Jump Crypto 用 C 语言开发的 Solana 验证器,将低延迟系统的性能优化经验用于区块链底层。 6️⃣Man Group ArcticDB|金融时间序列数据库 专门处理海量金融数据,支持 Pandas、历史版本管理和快速查询,适合量化研究和行情存储。 这 6 个项目分开看是工具,结合起来看,能学到不少大型金融机构的技术思路。 比如用 ArcticDB 管理历史行情,GS Quant 做金融分析,再用 magic-trace 和 Xpedite 检查交易程序的性能。 当然,它们并不是下载到一起就能直接跑的交易系统,部分功能还需要授权或额外集成。 但能直接研究这些机构公开的代码、架构和实现方式,本身就很有价值。 做股票量化、金融 AI、高频交易或者 Crypto 基础设施的,这 6 个项目值得一起收藏。

爱吃折耳根的Ace

29,034 просмотров • 19 дней назад

平时同时看加密市场和美股,最麻烦的不是行情太多,而是账户、资金和操作方式一直在来回切换。 最近看了一下 MEXC 的 Stock 产品,感觉它正在把这个过程变得简单一些。 目前 MEXC 提供了两种不同方向的股票产品。 RealStocks 更适合希望买入并持有真实股票的用户。符合条件的用户,可以通过 MEXC 合作的持牌券商参与,也可以使用 USDT 设置每周或每月的定期投资。 如果更关注财报、行业事件或者短期行情,Stock Futures 会更灵活一些。它属于股票衍生品,支持根据行情做多或做空,部分合约也支持杠杆。 目前 MEXC 已经提供三百多种股票相关标的,覆盖个股、指数和 ETF。 对原本就在加密市场交易的人来说,比较方便的是,不需要重新适应一套完全不同的操作环境,就能在熟悉的账户中关注更多市场机会。长期持有和短期交易也有不同的产品入口,不用把所有需求都塞进同一种工具里。 活动期间,MEXC Stock Futures 的挂单(Maker)和吃单(Taker)交易手续费均为零。无论是提前设置价格、等待市场成交,还是按照当前盘口价格直接完成交易,都可以免除对应的交易手续费。 对于关注财报、行业消息或短期行情,需要多次调整仓位的用户来说,这项优惠可以减少交易环节产生的手续费成本。优惠仅适用于活动期间的 Stock Futures 交易手续费,具体开放地区、适用合约和活动时间以 MEXC 官方页面为准;资金费率和点差仍按照相应产品机制计算。 想长期配置,可以了解 RealStocks;想围绕行情波动进行交易,可以关注 Stock Futures。两种不同的产品放在同一个入口里,选择会方便很多。 本内容仅供信息参考,不构成投资建议。不同 Stock 产品具有不同风险,交易前请了解产品机制,并评估自身风险承受能力。 MEXC #MEXC #RealStocks #StockFutures #MEXC0808

Lies

15,521 просмотров • 2 месяцев назад

绝了!股票量化居然有人整理出这么完整的开源资料库。 技术指标、投资组合、风险分析、机器学习,连可视化案例都准备好了。 项目叫 Stock Analysis For Quant,2.1K Stars、517 Forks,MIT 协议。 它不是普通的量化框架,而是一套跨语言金融研究项目合集,涵盖 Python、R、MATLAB、Excel、Power BI、Tableau 六种工具。 核心亮点: 1️⃣ 技术指标:涵盖 RSI、MACD、SuperTrend、VWAP 等,提供 Python、R 等实现案例。 2️⃣ K 线形态:研究吞没形态、锤头线、晨星等,拆解价格形态识别逻辑。 3️⃣ 投资组合优化:包含 CAPM、资产配置、组合优化及风险收益分析。 4️⃣ 机器学习预测:研究时间序列、回归模型、波动率预测和机器学习方法。 5️⃣ 风险绩效分析:涵盖 Sharpe、Sortino、VaR 等指标,研究收益与风险。 6️⃣ 金融数据可视化:通过 Excel、Power BI、Tableau 等工具展示行情和研究结果。 我觉得这个仓库最有价值的,是同一个金融研究问题,可以参考不同语言和工具的实现方式。 比如用 Python 计算技术指标,R 做统计分析,再用 Power BI 展示结果。 不用什么都从零开发,直接参考现成案例,就能逐步搭建自己的量化研究流程。 做股票量化、金融数据分析或者学习 Python、R 量化开发的,这个项目值得收藏。

爱吃折耳根的Ace

10,353 просмотров • 1 месяц назад