QuantLib 金融計算——自己動手封裝 Python 介面（2）
- 概述
- 如何封裝一項復雜功能？
  - 尋找最小功能集合的策略
- 實踐
  - 估計期限結構引數
  - 修改官方介面檔案
- 下一步的計劃
- 擴展閱讀

QuantLib 金融計算——自己動手封裝 Python 介面（2）

概述

對于一項簡單功能，通常只需要包裝少數幾個類就可以，正如《自己動手封裝 Python 介面（1）》演示的那樣，

下面，將演示如何包裝 QuantLib 中的復雜功能，最終實作從固息債交易資料中估計期限結構模型的引數，

如何封裝一項復雜功能？

經過一翻摸索后發現，要封裝一項復雜功能，首先要找到最小功能集合，即這項功能直接或間接涉及的類和函式有哪些，然后，找到最小功能集合后再對涉及到的類或函式分別撰寫介面檔案，最后，按照常規流程生成包裝好的 Python 介面，

對于簡單功能來說最小功能集合可能就是一兩個類或函式，而對于復雜功能來說，尋找最小功能集合是一個遞回的程序（A 用到 B，B 用到 C，...），最終可能找到很多類或函式需要包裝，

尋找最小功能集合的策略

尋找最小功能集合有一些經驗性的方法，以“從固息債交易資料中估計期限結構模型的引數”這項功能為例：

找到核心功能類，即 FittedBondDiscountCurve，最小功能集合要包含這個類、它的基類以及基類的基類，等等；
找到構造 FittedBondDiscountCurve 物件時涉及到一系列的類，例如 Calendar 和 FittingMethod 等，這些類、它們的基類以及基類的基類也要包含在最小功能集合中；
找到 FittedBondDiscountCurve 成員函式涉及到一系列的類，這些類、它們的基類以及基類的基類也要包含在最小功能集合中；
把第 2 和第 3 步遞回地進行下去，直到最小功能集合中的類和函式不再增加，

需要注意的是，到現在為止最小功能集合中出現的類有的可以發揮實際作用，例如 Date；而有的只是充當介面的基類，例如 FittingMethod，對于這些情況，要把它們能夠發揮實際作用的派生類包含進最小功能集合，

實踐

QuantLib-SWIG 從 1.16 開始修改了智能指標的包裝方式，為了和最新版本保持一致，這里以 QuantLib 1.17 的 SWIG 介面檔案為基礎做適當修改，刪去一些冗余代碼，用以包裝 QuantLib 1.15 的介面，

官方發布的介面檔案中 FittingMethod 的建構式不能接受 OptimizationMethod 物件，也不能進行 \(L^2\) 正則化約束，在本次自定義的介面檔案中擴展了建構式的介面，克服上述局限，

介面檔案請見 QuantLibEx-SWIG，

估計期限結構引數

把《收益率曲線之構建曲線（5）》中的 C++ 代碼翻譯成 Python，驗證封裝后的介面是否可用，

import QuantLibEx as qlx

print(qlx.__version__)

bondNum = 16

cleanPrice = [100.4941, 103.5572, 104.4135, 105.0056, 99.8335, 101.25, 102.3832, 97.0053,
              99.5164, 101.2435, 104.0539, 101.15, 96.1395, 91.1123, 122.0027, 92.4369]
priceHandle = [qlx.QuoteHandle(qlx.SimpleQuote(p)) for p in cleanPrice]
issueYear = [1999, 1999, 2001, 2002, 2003, 1999, 2004, 2005,
             2006, 2007, 2003, 2008, 2005, 2006, 1997, 2007]
issueMonth = [qlx.February, qlx.October, qlx.January, qlx.January, qlx.May, qlx.January, qlx.January, qlx.April,
              qlx.April, qlx.September, qlx.January, qlx.January, qlx.January, qlx.January, qlx.July, qlx.January]
issueDay = [22, 22, 4, 9, 20, 15, 15, 26, 21, 17, 15, 8, 14, 11, 10, 12]

maturityYear = [2009, 2010, 2011, 2012, 2013, 2014, 2014, 2015,
                2016, 2017, 2018, 2019, 2020, 2021, 2027, 2037]

maturityMonth = [qlx.July, qlx.January, qlx.January, qlx.July, qlx.October, qlx.January, qlx.July, qlx.July,
                 qlx.September, qlx.September, qlx.January, qlx.March, qlx.July, qlx.September, qlx.July, qlx.March]

maturityDay = [15, 15, 4, 15, 20, 15, 15, 15,
               15, 15, 15, 15, 15, 15, 15, 15]

issueDate = []
maturityDate = []
for i in range(bondNum):
    issueDate.append(
        qlx.Date(issueDay[i], issueMonth[i], issueYear[i]))
    maturityDate.append(
        qlx.Date(maturityDay[i], maturityMonth[i], maturityYear[i]))

couponRate = [
    0.04, 0.055, 0.0525, 0.05, 0.038, 0.04125, 0.043, 0.035,
    0.04, 0.043, 0.0465, 0.0435, 0.039, 0.035, 0.0625, 0.0415]

# 配置 helper

frequency = qlx.Annual
dayCounter = qlx.Actual365Fixed(qlx.Actual365Fixed.Standard)
paymentConv = qlx.Unadjusted
terminationDateConv = qlx.Unadjusted
convention = qlx.Unadjusted
redemption = 100.0
faceAmount = 100.0
calendar = qlx.Australia()

today = calendar.adjust(qlx.Date(30, qlx.January, 2008))
qlx.Settings.instance().evaluationDate = today

bondSettlementDays = 0
bondSettlementDate = calendar.advance(
    today,
    qlx.Period(bondSettlementDays, qlx.Days))

instruments = []
maturity = []

for i in range(bondNum):
    bondCoupon = [couponRate[i]]

    schedule = qlx.Schedule(
        issueDate[i],
        maturityDate[i],
        qlx.Period(frequency),
        calendar,
        convention,
        terminationDateConv,
        qlx.DateGeneration.Backward,
        False)

    helper = qlx.FixedRateBondHelper(
        priceHandle[i],
        bondSettlementDays,
        faceAmount,
        schedule,
        bondCoupon,
        dayCounter,
        paymentConv,
        redemption)

    maturity.append(dayCounter.yearFraction(
        bondSettlementDate, helper.maturityDate()))

    instruments.append(helper)

accuracy = 1.0e-6
maxEvaluations = 5000
weights = qlx.Array()

# 正則化條件

l2Ns = qlx.Array(4, 0.5)
guessNs = qlx.Array(4)
guessNs[0] = 4 / 100.0
guessNs[1] = 0.0
guessNs[2] = 0.0
guessNs[3] = 0.5

l2Sv = qlx.Array(6, 0.5)
guessSv = qlx.Array(6)
guessSv[0] = 4 / 100.0
guessSv[1] = 0.0
guessSv[2] = 0.0
guessSv[3] = 0.0
guessSv[4] = 0.2
guessSv[5] = 0.15

optMethod = qlx.LevenbergMarquardt()

# 擬合方法

nsf = qlx.NelsonSiegelFitting(
    weights, optMethod, l2Ns)
svf = qlx.SvenssonFitting(
    weights, optMethod, l2Sv)

tsNelsonSiegel = qlx.FittedBondDiscountCurve(
    bondSettlementDate,
    instruments,
    dayCounter,
    nsf,
    accuracy,
    maxEvaluations,
    guessNs,
    1.0)

tsSvensson = qlx.FittedBondDiscountCurve(
    bondSettlementDate,
    instruments,
    dayCounter,
    svf,
    accuracy,
    maxEvaluations,
    guessSv)

print("NelsonSiegel Results: \t", tsNelsonSiegel.fitResults().solution())
print("Svensson Results: \t\t", tsSvensson.fitResults().solution())

NelsonSiegel Results: 	[ 0.0500803; -0.0105414; -0.0303842; 0.456529 ]
Svensson Results: 		[ 0.0431095; -0.00716036; -0.0340932; 0.0391339; 0.228995; 0.117208 ]

所得結果和《收益率曲線之構建曲線（5）》中的完全一致，

修改官方介面檔案

如果已經安裝了 1.16 以后的 QuantLib，只要對官方介面檔案稍加修改再重新包裝 Python 介面，就可以擴展 FittingMethod 的建構式，使其能接受 OptimizationMethod 物件，并能進行正則化，

以 NelsonSiegelFitting 為例，需要在 fittedbondcurve.i 檔案中用

class NelsonSiegelFitting : public FittingMethod {
  public:
    NelsonSiegelFitting(
        const Array& weights = Array(),
        boost::shared_ptr< OptimizationMethod > optimizationMethod = boost::shared_ptr< OptimizationMethod >(),
        const Array &l2 = Array());
};

替換

class NelsonSiegelFitting : public FittingMethod {
  public:
    NelsonSiegelFitting(const Array& weights = Array());
};

下一步的計劃

包裝 QuantLibEx 中的幾個期限結構模型；
scipy 的優化演算法引擎要相較于 QuantLib 自身提供的要更豐富，嘗試使 FittingMethod 能接受 scipy 的演算法，

擴展閱讀

《QuantLib 金融計算》系列合集

轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/189863.html

標籤：Python

上一篇：python做個谷歌內核瀏覽器

下一篇：經典類與新式類、鉆石繼承(菱形繼承)、多繼承之“廣度優先”“深度優先”