2025年P(guān)ython二級(jí)考試沖刺押題試卷：Python在金融科技中的應(yīng)用考試時(shí)間：______分鐘總分：______分姓名：______一、1.請(qǐng)簡(jiǎn)述Python列表和元組的區(qū)別，并分別列舉至少三個(gè)它們各自適用的場(chǎng)景。2.在Python中，如何定義一個(gè)函數(shù)，并說(shuō)明函數(shù)的參數(shù)傳遞方式有哪些種？請(qǐng)分別解釋其特點(diǎn)。3.什么是面向?qū)ο缶幊?？?qǐng)解釋類(lèi)、對(duì)象、封裝、繼承、多態(tài)這五個(gè)核心概念。二、1.假設(shè)有一個(gè)包含以下內(nèi)容的CSV文件`stock_data.csv`：```Date,Symbol,Open,High,Low,Close,Volume2023-10-27,AAPL,150.0,152.5,149.8,151.2,12345672023-10-26,AAPL,148.0,151.0,147.5,150.810-25,AAPL,145.0,149.0,144.5,148.5,1467890```請(qǐng)編寫(xiě)Python代碼，使用`pandas`庫(kù)讀取該文件到DataFrame對(duì)象`df`中，然后篩選出`Symbol`為`AAPL`且`Close`價(jià)格高于150.0的所有行，并將結(jié)果存儲(chǔ)到新的DataFrame對(duì)象`filtered_df`中。最后，輸出`filtered_df`的形狀（行數(shù)和列數(shù)）。三、1.編寫(xiě)Python代碼，使用`pandas`庫(kù)創(chuàng)建一個(gè)DataFrame`data`，包含兩列：一列是`dates`，包含從`'2023-10-27'`到`'2023-10-31'`的日期；另一列是`prices`，包含對(duì)應(yīng)日期的模擬收盤(pán)價(jià)（例如：150,151,149,152,150.5）。要求：計(jì)算`prices`列的3日簡(jiǎn)單移動(dòng)平均線（SMA），并將結(jié)果作為新列`SMA3`添加到`data`DataFrame中。最后，輸出添加了新列后的`data`。四、1.編寫(xiě)一個(gè)Python函數(shù)`calculate_sharpe_ratio`，它接收兩個(gè)參數(shù)：`returns`（一個(gè)包含投資回報(bào)率的列表或NumPy數(shù)組）和`risk_free_rate`（無(wú)風(fēng)險(xiǎn)利率，如年化國(guó)債利率）。該函數(shù)計(jì)算并返回Sharpe比率。Sharpe比率的計(jì)算公式為：(平均回報(bào)率-無(wú)風(fēng)險(xiǎn)利率)/回報(bào)率的標(biāo)準(zhǔn)差。請(qǐng)確保函數(shù)能夠處理輸入，并能返回正確的浮點(diǎn)數(shù)值結(jié)果。五、1.假設(shè)有一個(gè)包含股票收盤(pán)價(jià)的列表`close_prices`，其中數(shù)據(jù)如下：[150.0,151.0,149.0,152.0,150.5,151.5,149.5]。請(qǐng)編寫(xiě)Python代碼，計(jì)算該列表的波動(dòng)率（標(biāo)準(zhǔn)差）。要求：不得使用`pandas`或`numpy`庫(kù)提供的標(biāo)準(zhǔn)差函數(shù)，需自行編寫(xiě)計(jì)算標(biāo)準(zhǔn)差的邏輯。六、1.編寫(xiě)Python代碼，使用`matplotlib.pyplot`庫(kù)繪制一個(gè)簡(jiǎn)單的折線圖。圖表應(yīng)包含以下元素：*X軸標(biāo)簽為"Day"*Y軸標(biāo)簽為"Price($)"*圖表標(biāo)題為"SampleStockPrice"*X軸刻度標(biāo)簽為`[1,2,3,4,5,6,7]`，對(duì)應(yīng)于數(shù)據(jù)點(diǎn)的索引。*Y軸刻度標(biāo)簽為`[149,150,151,152,153]`。*使用藍(lán)色線條繪制折線，線條寬度為2。七、1.假設(shè)我們想用簡(jiǎn)單的線性回歸模型預(yù)測(cè)股票價(jià)格。請(qǐng)簡(jiǎn)述使用`scikit-learn`庫(kù)進(jìn)行線性回歸分析的基本步驟（至少包括三個(gè)關(guān)鍵步驟），并說(shuō)明在模型評(píng)估時(shí)通常會(huì)關(guān)注哪些指標(biāo)（至少列舉兩個(gè)）。八、1.編寫(xiě)Python代碼，定義一個(gè)名為`Stock`的類(lèi)，用于表示股票信息。該類(lèi)應(yīng)有以下屬性：`symbol`（股票代碼，字符串類(lèi)型）、`price`（當(dāng)前價(jià)格，浮點(diǎn)類(lèi)型）。同時(shí)，該類(lèi)應(yīng)有一個(gè)方法`update_price(new_price)`，用于更新股票價(jià)格，并返回更新后的價(jià)格值。九、1.編寫(xiě)Python代碼，實(shí)現(xiàn)一個(gè)簡(jiǎn)單的“移動(dòng)平均線交叉”量化交易策略回測(cè)邏輯。假設(shè)我們使用5日和10日簡(jiǎn)單移動(dòng)平均線。輸入?yún)?shù)包括：`prices`（一個(gè)包含收盤(pán)價(jià)的列表）、`short_window`（短期移動(dòng)平均窗口，如5）、`long_window`（長(zhǎng)期移動(dòng)平均窗口，如10）。代碼應(yīng)輸出每次買(mǎi)賣(mài)信號(hào)（"BUY"或"SELL"）以及對(duì)應(yīng)的日期（假設(shè)`prices`列表的索引代表日期）。買(mǎi)賣(mài)信號(hào)規(guī)則：*當(dāng)短期移動(dòng)平均線從下方交叉到長(zhǎng)期移動(dòng)平均線時(shí)，發(fā)出"BUY"信號(hào)。*當(dāng)短期移動(dòng)平均線從上方交叉到長(zhǎng)期移動(dòng)平均線時(shí)，發(fā)出"SELL"信號(hào)。*初始階段無(wú)信號(hào)。試卷答案一、1.區(qū)別：*列表（list）是可變的（mutable），可以修改其內(nèi)容（增刪改）；元組（tuple）是不可變的（immutable），一旦創(chuàng)建其內(nèi)容不能修改。*列表用`[]`定義；元組用`()`定義。*列表通常用于需要修改的數(shù)據(jù)集合；元組通常用于存儲(chǔ)不可變的數(shù)據(jù)，或作為字典的鍵。適用場(chǎng)景（列表）：*存儲(chǔ)一組可能變化的選項(xiàng)，如菜單項(xiàng)。*記錄一系列需要順序處理的數(shù)據(jù)，如任務(wù)隊(duì)列。*作為字典的值，存儲(chǔ)關(guān)聯(lián)的其他數(shù)據(jù)項(xiàng)。適用場(chǎng)景（元組）：*存儲(chǔ)不可變的數(shù)據(jù)序列，如坐標(biāo)點(diǎn)（x,y）。*作為字典的鍵，因?yàn)殒I必須是不可變的。*返回多個(gè)值時(shí)，用元組比列表更簡(jiǎn)潔。2.定義函數(shù)：使用`def`關(guān)鍵字，后跟函數(shù)名和括號(hào)內(nèi)的參數(shù)列表，再是冒號(hào)，最后是函數(shù)體（縮進(jìn)）。```pythondeffunction_name(parameter1,parameter2,...):#函數(shù)體邏輯returnresult#可選，返回值```參數(shù)傳遞方式及特點(diǎn)：*位置參數(shù)（PositionalArguments）：按函數(shù)定義時(shí)參數(shù)的順序傳遞參數(shù)值。這是最基本的方式。*關(guān)鍵字參數(shù)（KeywordArguments）：通過(guò)指定參數(shù)名來(lái)傳遞參數(shù)值，順序可以任意?？梢员苊忭樞蚧煜?，提高可讀性。*默認(rèn)參數(shù)（DefaultArguments）：在函數(shù)定義時(shí)為參數(shù)指定默認(rèn)值。調(diào)用函數(shù)時(shí)，如果未傳遞該參數(shù)，則使用默認(rèn)值。*可變長(zhǎng)度參數(shù)（ArbitraryArguments）：*`*args`：接收一個(gè)非鍵值對(duì)的可變數(shù)量的位置參數(shù)，在函數(shù)內(nèi)部以元組形式訪問(wèn)。*`kwargs`：接收一個(gè)非鍵值對(duì)的可變數(shù)量的關(guān)鍵字參數(shù)，在函數(shù)內(nèi)部以字典形式訪問(wèn)。3.面向?qū)ο缶幊蹋∣OP）是一種編程范式，使用“對(duì)象”來(lái)設(shè)計(jì)軟件。核心概念：*類(lèi)（Class）：藍(lán)圖或模板，定義了具有共同屬性和方法的對(duì)象的數(shù)據(jù)結(jié)構(gòu)。*對(duì)象（Object）：類(lèi)的實(shí)例，是具體的數(shù)據(jù)實(shí)體，擁有類(lèi)定義的屬性和方法。*封裝（Encapsulation）：將數(shù)據(jù)（屬性）和操作數(shù)據(jù)的方法捆綁在一起，形成對(duì)象，并隱藏對(duì)象的內(nèi)部實(shí)現(xiàn)細(xì)節(jié)，只暴露必要的接口。提高模塊化和安全性。*繼承（Inheritance）：允許創(chuàng)建一個(gè)新類(lèi)（子類(lèi)），繼承一個(gè)現(xiàn)有類(lèi)（父類(lèi)）的屬性和方法。子類(lèi)可以擁有自己獨(dú)特的屬性和方法，也可以重用父類(lèi)的代碼，實(shí)現(xiàn)代碼復(fù)用和擴(kuò)展。*多態(tài)（Polymorphism）：指不同類(lèi)的對(duì)象對(duì)同一消息（方法調(diào)用）做出不同響應(yīng)的能力。通常通過(guò)方法重載（在同一個(gè)類(lèi)中定義多個(gè)同名但參數(shù)不同的方法）或方法重寫(xiě)（子類(lèi)重新定義父類(lèi)的方法）實(shí)現(xiàn)。提高代碼的靈活性和可擴(kuò)展性。二、```pythonimportpandasaspd#假設(shè)文件路徑正確#file_path='stock_data.csv'#讀取CSV文件到DataFrame#df=pd.read_csv(file_path)#示例，如果直接給出DataFrame結(jié)構(gòu)data={'Date':['2023-10-27','2023-10-26','2023-10-25'],'Symbol':['AAPL','AAPL','AAPL'],'Open':[150.0,148.0,145.0],'High':[152.5,151.0,149.0],'Low':[149.8,147.5,144.5],'Close':[151.2,150.8,148.5],'Volume':[1234567,1345678,1467890]}df=pd.DataFrame(data)#篩選條件：Symbol為'AAPL'且Close>150.0filtered_df=df[(df['Symbol']=='AAPL')&(df['Close']>150.0)]#輸出filtered_df的形狀（行數(shù),列數(shù)）result_shape=filtered_df.shape#print(result_shape)#如果需要查看結(jié)果```解析思路：1.使用`pandas`的`read_csv`函數(shù)讀取CSV文件到DataFrame對(duì)象`df`。2.使用布爾索引篩選數(shù)據(jù)。首先篩選`Symbol`列等于`'AAPL'`的行，然后篩選`Close`列大于150.0的行。這兩個(gè)條件需要用`&`（邏輯與）連接，并且每個(gè)條件都需要用()`括起來(lái)。3.篩選結(jié)果存儲(chǔ)到新的DataFrame對(duì)象`filtered_df`中。4.使用DataFrame的`shape`屬性獲取其維度，`shape`返回一個(gè)元組`(行數(shù),列數(shù))`。三、```pythonimportpandasaspdfromdatetimeimportdatetime,timedelta#創(chuàng)建日期范圍start_date=datetime.strptime('2023-10-27','%Y-%m-%d')dates=[start_date+timedelta(days=i)foriinrange(5)]#將日期轉(zhuǎn)換為字符串格式，或直接使用datetime對(duì)象#這里使用字符串格式，與pandas兼容性更好dates_str=[date.strftime('%Y-%m-%d')fordateindates]#創(chuàng)建模擬價(jià)格數(shù)據(jù)prices=[150,151,149,152,150.5]#創(chuàng)建DataFramedata={'dates':dates_str,'prices':prices}df=pd.DataFrame(data)#將'dates'列轉(zhuǎn)換為datetime類(lèi)型，以便后續(xù)可能的時(shí)間操作df['dates']=pd.to_datetime(df['dates'])#計(jì)算3日簡(jiǎn)單移動(dòng)平均線(SMA)df['SMA3']=df['prices'].rolling(window=3).mean()#輸出添加了新列后的df#print(df)```解析思路：1.使用`datetime`和`timedelta`生成從`'2023-10-27'`開(kāi)始的5個(gè)連續(xù)日期。2.將日期對(duì)象轉(zhuǎn)換為字符串格式，以便創(chuàng)建DataFrame。3.創(chuàng)建包含日期和價(jià)格的字典。4.使用`pd.DataFrame`創(chuàng)建DataFrame`df`。5.（可選但推薦）將`dates`列的數(shù)據(jù)類(lèi)型轉(zhuǎn)換為`datetime`類(lèi)型，以便進(jìn)行時(shí)間序列相關(guān)的操作。6.使用`pandas`Series的`rolling`方法，指定窗口大小`window=3`，對(duì)`prices`列進(jìn)行滾動(dòng)計(jì)算。7.在`rolling`對(duì)象上調(diào)用`mean()`方法計(jì)算每個(gè)窗口內(nèi)的平均值，得到3日SMA。8.將計(jì)算結(jié)果作為新列`SMA3`添加到原始DataFrame`df`中。四、```pythonimportnumpyasnpdefcalculate_sharpe_ratio(returns,risk_free_rate):#將列表或數(shù)組轉(zhuǎn)換為numpy數(shù)組，便于計(jì)算returns_np=np.array(returns)#計(jì)算平均回報(bào)率mean_return=np.mean(returns_np)#計(jì)算回報(bào)率的標(biāo)準(zhǔn)差std_dev=np.std(returns_np)#計(jì)算Sharpe比率#注意：通常Sharpe比率是年化的，需要乘以sqrt(年化周期數(shù))#如果returns已經(jīng)是日回報(bào)率，年化需要乘以sqrt(252)（假設(shè)每年252個(gè)交易日）#這里假設(shè)risk_free_rate是年化的，直接計(jì)算ifstd_dev==0:#避免除以零return0.0else:sharpe_ratio=(mean_return-risk_free_rate)/std_devreturnsharpe_ratio```解析思路：1.函數(shù)接收兩個(gè)參數(shù)：`returns`（投資回報(bào)率列表/數(shù)組）和`risk_free_rate`（無(wú)風(fēng)險(xiǎn)利率）。2.將輸入的`returns`轉(zhuǎn)換為NumPy數(shù)組，以便使用NumPy的數(shù)學(xué)函數(shù)。3.使用`np.mean()`計(jì)算`returns_np`的平均值，得到平均回報(bào)率`mean_return`。4.使用`np.std()`計(jì)算`returns_np`的標(biāo)準(zhǔn)差，得到回報(bào)率的標(biāo)準(zhǔn)差`std_dev`。5.根據(jù)Sharpe比率的定義公式`(平均回報(bào)率-無(wú)風(fēng)險(xiǎn)利率)/回報(bào)率的標(biāo)準(zhǔn)差`進(jìn)行計(jì)算。6.在計(jì)算前檢查標(biāo)準(zhǔn)差是否為0，避免除以零的錯(cuò)誤，如果為0則返回0.0。7.返回計(jì)算得到的Sharpe比率浮點(diǎn)數(shù)。五、```pythonimportmath#可能需要math庫(kù)計(jì)算平方根#股票收盤(pán)價(jià)列表close_prices=[150.0,151.0,149.0,152.0,150.5,151.5,149.5]#計(jì)算平均值(mean)mean_price=sum(close_prices)/len(close_prices)#計(jì)算每個(gè)數(shù)據(jù)點(diǎn)與平均值的差的平方squared_diffs=[(price-mean_price)2forpriceinclose_prices]#計(jì)算方差(variance)-使用樣本方差公式(n-1)分母n=len(close_prices)variance=sum(squared_diffs)/(n-1)#計(jì)算標(biāo)準(zhǔn)差(standarddeviation)-方差的平方根std_dev=math.sqrt(variance)#輸出標(biāo)準(zhǔn)差#print(std_dev)```解析思路：1.計(jì)算價(jià)格列表的平均值（均值）。這是計(jì)算標(biāo)準(zhǔn)差的基礎(chǔ)。2.遍歷價(jià)格列表中的每個(gè)價(jià)格，計(jì)算其與平均值的差，然后將該差值平方。3.將所有平方的差值加起來(lái)，得到平方差的總和。4.計(jì)算方差。由于這里的數(shù)據(jù)是樣本（不是整個(gè)總體），通常使用樣本方差公式，即用平方差的總和除以`(n-1)`，其中`n`是數(shù)據(jù)點(diǎn)的數(shù)量。使用`(n-1)`可以提供對(duì)總體方差的無(wú)偏估計(jì)。5.計(jì)算標(biāo)準(zhǔn)差，即對(duì)方差開(kāi)平方根。標(biāo)準(zhǔn)差表示數(shù)據(jù)點(diǎn)圍繞平均值的平均偏離程度。6.返回（或輸出）計(jì)算得到的標(biāo)準(zhǔn)差。六、```pythonimportmatplotlib.pyplotasplt#數(shù)據(jù)x_values=[1,2,3,4,5,6,7]y_values=[149,150,151,152,153,151.5,149.5]#創(chuàng)建圖表plt.figure()#創(chuàng)建一個(gè)圖形對(duì)象#繪制折線圖plt.plot(x_values,y_values,color='blue',linewidth=2)#添加X(jué)軸標(biāo)簽plt.xlabel('Day')#添加Y軸標(biāo)簽plt.ylabel('Price($)')#添加圖表標(biāo)題plt.title('SampleStockPrice')#設(shè)置X軸刻度標(biāo)簽plt.xticks(x_values)#設(shè)置Y軸刻度標(biāo)簽plt.yticks([149,150,151,152,153])#顯示網(wǎng)格（可選）#plt.grid(True)#顯示圖表#plt.show()```解析思路：1.導(dǎo)入`matplotlib.pyplot`模塊，通常簡(jiǎn)寫(xiě)為`plt`。2.準(zhǔn)備要繪制的數(shù)據(jù)：X軸（天數(shù)）`x_values`和Y軸（價(jià)格）`y_values`。3.使用`plt.figure()`創(chuàng)建一個(gè)圖形畫(huà)布。4.使用`plt.plot()`函數(shù)繪制折線圖。傳入`x_values`和`y_values`作為數(shù)據(jù)點(diǎn)，`color='blue'`設(shè)置線條顏色為藍(lán)色，`linewidth=2`設(shè)置線條寬度為2。5.使用`plt.xlabel()`添加X(jué)軸的標(biāo)簽`'Day'`。6.使用`plt.ylabel()`添加Y軸的標(biāo)簽`'Price($)'`。7.使用`plt.title()`設(shè)置圖表的標(biāo)題`'SampleStockPrice'`。8.使用`plt.xticks()`設(shè)置X軸的刻度標(biāo)簽，傳入`x_values`使刻度與數(shù)據(jù)點(diǎn)對(duì)應(yīng)。9.使用`plt.yticks()`設(shè)置Y軸的刻度標(biāo)簽，傳入指定的數(shù)值列表`[149,150,151,152,153]`。10.（可選）使用`plt.grid(True)`添加網(wǎng)格線，使圖表更易讀。11.使用`plt.show()`顯示最終的圖表窗口。七、使用`scikit-learn`進(jìn)行線性回歸分析的基本步驟：1.數(shù)據(jù)準(zhǔn)備：收集并整理數(shù)據(jù)，通常需要將數(shù)據(jù)集分為特征（自變量）和目標(biāo)（因變量）。將數(shù)據(jù)劃分為訓(xùn)練集和測(cè)試集（或驗(yàn)證集）。2.特征工程（可選）：對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，如處理缺失值、編碼分類(lèi)變量、特征縮放（標(biāo)準(zhǔn)化或歸一化）、創(chuàng)建新的特征等。3.模型訓(xùn)練：創(chuàng)建一個(gè)線性回歸模型實(shí)例（如`LinearRegression`），然后使用訓(xùn)練集數(shù)據(jù)（特征`X_train`和目標(biāo)`y_train`）調(diào)用模型的`fit()`方法來(lái)訓(xùn)練模型。模型學(xué)習(xí)特征和目標(biāo)之間的線性關(guān)系。4.模型評(píng)估：使用測(cè)試集數(shù)據(jù)（特征`X_test`和目標(biāo)`y_test`）評(píng)估訓(xùn)練好的模型的性能。常用的評(píng)估指標(biāo)包括：*均方誤差（MeanSquaredError,MSE）：衡量模型預(yù)測(cè)值與實(shí)際值之間差異的平方的平均值，對(duì)較大的誤差懲罰更重。*均方根誤差（RootMeanSquaredError,RMSE）：MSE的平方根，其單位與目標(biāo)變量相同，更直觀地表示預(yù)測(cè)誤差的大小。*R平方（R-squared,CoefficientofDetermination）：也稱為決定系數(shù)，衡量模型對(duì)數(shù)據(jù)變異性的解釋程度。值范圍通常在0到1之間，越接近1表示模型擬合越好。八、```pythonclassStock:def__init__(self,symbol,price):self.symbol=symbol#屬性：股票代碼self.price=price#屬性：當(dāng)前價(jià)格defupdate_price(self,new_price):self.price=new_price#更新價(jià)格屬性returnself.price#返回更新后的價(jià)格```解析思路：1.使用`class`關(guān)鍵字定義一個(gè)名為`Stock`的類(lèi)。2.類(lèi)定義中包含一個(gè)特殊方法`__init__`，它是類(lèi)的構(gòu)造函數(shù)，在創(chuàng)建類(lèi)的新實(shí)例（對(duì)象）時(shí)自動(dòng)調(diào)用。*`__init__`方法接收三個(gè)參數(shù)：`self`（代表新創(chuàng)建的對(duì)象本身，必須有）、`symbol`（股票代碼）、`price`（當(dāng)前價(jià)格）。*在`__init__`方法內(nèi)部，使用`self.symbol=symbol`將傳入的`symbol`參數(shù)值賦給對(duì)象本身的屬性`symbol`。*使用`self.price=price`將傳入的`price`參數(shù)值賦給對(duì)象本身的屬性`price`。3.定義一個(gè)名為`update_price`的方法，用于更新股票價(jià)格。*該方法接收兩個(gè)參數(shù)：`self`（代表對(duì)象本身）、`new_price`（新的價(jià)格值）。*在方法內(nèi)部，使用`self.price=new_price`將傳入的`new_price`賦值給對(duì)象本身的`price`屬性，從而更新價(jià)格。*方法最后使用`returnself.price`返回更新后的價(jià)格值，方便調(diào)用者確認(rèn)更新結(jié)果。4.通過(guò)創(chuàng)建`Stock`類(lèi)的實(shí)例，可以表示具體的股票對(duì)象，并調(diào)用`update_price`方法來(lái)修改其價(jià)格。九、```pythondefmoving_average_crossover(prices,short_window,long_window):signals=[]#存儲(chǔ)買(mǎi)賣(mài)信號(hào)列表，初始為空short_sma=[]#存儲(chǔ)短期SMA列表long_sma=[]#存儲(chǔ)長(zhǎng)期SMA列表#計(jì)算所有窗口的SMAforiinrange(len(prices)):ifi>=short_window-1:short_sum=sum(prices[i-short_window+1:i+1])short_sma.append(short_sum/short_window)else:short_sma.append(None)#窗口不足時(shí)暫無(wú)SMAifi>=long_window-1:long_sum=sum(prices[i-long_window+1:i+1])long_sma.append(long_sum/long_window)else:long_sma.append(None)#窗口不足時(shí)暫無(wú)SMA#生成買(mǎi)賣(mài)信號(hào)foriinrange(1,len(short_sma)):ifshort_sma[i]isnotNoneandlong_sma[i]isnotNone:ifshort_sma[i]>long_sma[i]andshort_sma[i-1]<=long_sma[i-1]:#短期SMA上穿長(zhǎng)期SMA，發(fā)出買(mǎi)入信號(hào)signals.append((i,'BUY'))elifshort_sma[i]<