Økonomisk modellering i Python - Oversikt, hvordan bruke?

Hva er økonomisk modellering i Python?

Økonomisk modellering i Python refererer til metoden som brukes til å bygge en økonomisk modell ved hjelp av høyt nivå python programmeringsspråk som har en rik samling med innebygde datatyper. Dette språket kan brukes til modifisering og analyse av Excel-regneark, samt automatisering av visse oppgaver som viser repetisjon. Gitt at økonomiske modeller bruker regneark mye, har Python blitt et av de mest populære programmeringsspråkene innen finans.

PPF-pakke for Python

PPF-pakken eller biblioteket refererer til Python-pakken som består av en familie av underpakker. Med andre ord er det en blanding av forskjellige støttende utvidelsesmoduler som letter implementeringen av Python-programmering. Nedenfor finner du en oversikt over de forskjellige PPF-underpakningene:

  • com: Den brukes til handel, marked og prisfunksjonalitet.
  • kjerne: Den brukes i representasjon av typer og funksjoner av økonomiske mengder.
  • date_time: Den brukes i manipulering og beregning av dato og tid.
  • marked: Det brukes i representasjon av typer og funksjoner til vanlige kurver og overflater i økonomisk programmering (f.eks. volatilitetsflater, rabattfaktorkurver, etc.).
  • matematikk: Den brukes til generelle matematiske algoritmer.
  • modell: Den brukes til å kode forskjellige numeriske prismodeller.
  • pricer: Det er for typer og funksjoner som brukes til å verdsette økonomiske strukturer.
  • tekst: Den brukes til testpakken.
  • verktøy: Den brukes til oppgaver som er generelle i naturen (f.eks. algoritmer for søk og sortering).

Matematiske verktøy for Python

Noen av de viktigste matematiske verktøyene som er tilgjengelige i Python er som følger:

  1. N (.): Det er en funksjon i ppf.math.special functions-modulen som hjelper tilnærmingen av standard normal kumulativ distribusjonsfunksjon, som brukes i Black-Scholes-prissettingsmodellen.
  2. Interpolasjon: Det er prosessen som brukes til å estimere verdiene til en funksjon y (x) for argumenter mellom flere kjente datapunkter (x 0 , y 0 ), (x 1 , y 1 )…, (x n , y n ). Modulen ppf.utility.bound brukes i implementeringen. Noen av variantene av interpolasjon er:
    1. Lineær interpolering
    2. Loglinear interpolasjon
    3. Lineær på null interpolasjon
    4. Kubisk splineinterpolasjon
  3. Root Finding: Det brukes til å finne roten med eller uten avledet informasjon ved hjelp av ppf.math.root-funnmodulen. Noen av variantene av rotfunn er:
    1. Biseksjonsmetode
    2. Newton-Raphson-metoden
  4. Lineær algebra: Lineære algebrafunksjoner er for det meste dekket av NumPy-pakken. Den er implementert ved hjelp av modulen ppf.math.linear-algebra. Noen av variantene av lineær algebra er:
    1. Matriksmultiplikasjon
    2. Matriseinversjon
    3. Matrise Pseudo-invers
    4. Løse lineære systemer
    5. Løse trekantede systemer
  5. Generaliserte lineære minste kvadrater: Det er prosessen som brukes til å tilpasse et sett med datapunkter til en lineær kombinasjon av noen grunnleggende funksjoner. Algoritmene for denne funksjonen er implementert ved hjelp av ppf.math.generalized minste kvadratmodulen.
  6. Kvadratiske og kubiske røtter: Disse funksjonene brukes til å finne de virkelige røttene til en kvadratisk eller kubisk ligning. Modulen ppf.math.quadratic roots brukes til å finne de virkelige røttene til en kvadratisk ligning, mens modulen ppf.math.cubic roots brukes til algoritmen for kubiske røtter.
  7. Integrasjon: Dette verktøyet brukes til å beregne den forventede verdien av en funksjon med tilfeldige variabler. Den brukes primært i beregningen av økonomiske utbetalinger. Noen av variantene av integrasjon er:
    1. Piecewise konstant polynomial montering
    2. Piecewise Polynomial Integration
    3. Semi-analytiske betingede forventninger

Utvider Python

Det er visse begrensninger i Python som kan overvinnes med utvidelsesmodulene ved hjelp av C. Disse utvidelsesmodulene kan brukes til å legge til nye innebygde objekttyper til Python og kan ringe til funksjoner fra C-biblioteket. Et visst sett med funksjoner, makroer og variabler tilgjengelig i Python API for å støtte slike utvidelser. Overskriften 'Python.h' er inkludert i en C-kildefil for Python API.

Python Excel-integrasjon

Noen av Python Excel-integreringsverktøyene som kan brukes til å overbelaste eksisterende Excel-funksjonalitet er som følger:

  • xlwings: Denne pakken kan brukes til å flytte backendbehandlingen fra VBA til Python. Etter det kan brukerne fortsette å bruke Excel sømløst mens de bruker hver kontrollknapp for å ringe Python-skript.
  • Jupyter Notebook: Den lar brukerne utnytte Python for å lage interaktive, delbare og nettbaserte dokumenter som kan inneholde visualiseringer, kode og tekst.
  • Pandas-bibliotek: Den kan brukes til å raskt laste inn data fra Excel-regneark til SQL-database eller pandas DataFrames. I begge tilfeller kan data analyseres og utforskes raskt.

Python Data Model

Objekter er den underliggende essensen av en Python-datamodell. Alle dataene i et Python-program representeres enten av objekter med en gang eller av forholdet mellom objekter. Et objekt kan gjenkjennes av dets identitet, type og verdi.

  1. Identitet: Det refererer til adressen til et objekt i minnet, og det endres aldri når det er opprettet.
  2. Type: Den definerer operasjonene som et objekt støtter sammen med den mulige verdien for den objekttypen.
  3. Verdi: Verdien på et objekt kan endres. De som forandrer seg er kjent som foranderlige, mens de uforanderlige er kjent som uforanderlige.

Misforståelser om Python

  • Det er et rent skriptspråk da det bruker enkel syntaks og støtte på tvers av plattformer.
  • Den har ikke en kompilator som andre språk.
  • Den mangler skalerbarhet, og som sådan kan den ikke støtte noen betydelig stor brukerbase.
  • Det oppfattes som veldig tregt.
  • Den støtter ikke samtidighet.

Betydningen av økonomisk modellering i Python

Python har vokst til å bli et av de mest populære programmeringsspråkene som brukes til økonomisk modellering. Bedrifter søker i dag innovative verktøy for å håndtere store mengder økonomiske data på en mye enklere måte, og Python passer perfekt inn i kriteriene.

Interessante artikler...