如何在 Python 中以 C++ 的速度计算衍生品风险和价格

如果你曾经尝试用 Python 编写期权、互换或债券定价的金融模型，你可能遇到过一个人尽皆知的困境。一方面是缓慢的纯 Python，蒙特卡洛模拟耗时过长；另一方面是像 QuantLib 这样带有 C++ 封装的重型库，阅读源代码或调试模型行为变得非常困难。

FinancePy 库提供了一条不同的道路。它由 Dominic O'Kane 创建，他是 EDHEC 商学院前金融学教授，在金融行业有十二年经验。他致力于创建一个开源工具，所有代码都用 Python 编写，计算结果尽可能接近彭博等专业系统。

项目结构

该库的架构围绕一个清晰的概念。任何估值计算都通过以下公式描述：

估值 = 产品 + 模型 + 市场

在代码中，这看起来很有逻辑性。库模块被分成几个主要目录：

• utils：日期、财务日历和支付计划生成器
• market：利率曲线、波动率曲面和市场数据
• models：从 Black-Scholes 到 Vasicek 模型的数学定价模型
• products：具体工具，按债券、信用、股票、外汇和利率分类

每个产品都有一个 2 方法。你创建一个金融工具对象，向其传递模型和当前市场状况，然后获取价值或风险参数。对于大多数产品，作者添加了蒙特卡洛模拟。这有助于理解合同收益随时间的运作方式。

速度是如何实现的

FinancePy 用纯 Python 编写，但积极使用 Numba 库。在首次函数调用时，JIT 编译器将模型数学转换为机器码。因此，首次导入模块可能需要几秒钟。

然而，所有后续调用只需不到一毫秒。编译后的函数被存储在缓存中。因此，你获得了 C/C++ 级别的速度，同时保留了打开源代码文件逐行阅读算法的能力，无需编译 Cython 或编写 C 扩展。

一个清晰的示例和笔记本

安装通过标准 pip 调用完成：

0

然后你可以导入日期工具：

1

开发者无需从源代码中猜测函数签名。在仓库中，你会发现超过 90 个 Jupyter 笔记本，包含现成的示例。这些包含详细场景：从基本公司债券估值和货币障碍期权，到构建复杂贴现曲线和信用违约互换。

代码风格和贡献

作者有意避免复杂的继承和重载架构。优先考虑可读性和性能，而不是巧妙的语言技巧。FinancePy 代码中更喜欢简单的 3 循环，而不是复杂的列表推导式，因为 Numba 对常规循环的优化效果更好。

如果你想向项目提交拉取请求，作者有明确的要求：

• 严格遵守 PEP8 标准
• 每个函数和类都有清晰的注释
• 每个方法都存在单元测试和至少一个集成测试

值得使用吗

FinancePy 适合需要清晰工具进行快速价格和敏感性验证的量化分析师、风险和投资组合管理者。这个项目对学生和金融课程教师也很有用，可以用来学习衍生品数学。

该项目仅需要 NumPy、SciPy 和 Numba 作为依赖项。GPL-3.0 许可证提供对所有源代码的访问。项目处于测试状态，作者坦诚地警告日期生成或插值方法可能与专有终端存在差异。然而，对于个人研究、测试交易策略和快速衍生品估值，库的功能已经足够完善。