Python est-il utile en finance ?

Les programmeurs Python sont très demandés par les banques et les hedge funds. Heureusement, le langage est facile à apprendre : il est souvent utilisé dans les écoles primaires britanniques pour enseigner les bases de la programmation. Cependant, avant de rencontrer Python pour la première fois, vous devez savoir certaines choses, surtout si vous souhaitez l'utiliser dans un contexte financier.

Python est un langage de programmation qui jouit d'une énorme réputation dans le secteur financier. Les plus grandes banques d'investissement et fonds spéculatifs l'utilisent pour créer un large éventail d'applications financières, notamment des projets de trading de base et des systèmes de gestion des risques. (Apprentissage recommandé : Tutoriel vidéo Python)

Les fonctions ne sont pas écrites, mais il existe des bibliothèques

Vous devez également connaître le noyau Python La bibliothèque est très légère. Si vous voulez faire quelque chose d'intéressant, vous devez importer des bibliothèques préemballées. Ces bibliothèques contiennent des fonctions permettant d'effectuer la plupart des opérations mathématiques, d'importer et de traiter des données et d'effectuer des tâches système courantes.

Cependant, la véritable puissance de Python apparaît lorsque vous commencez à télécharger les nombreuses bibliothèques tierces disponibles gratuitement. Pour le travail financier, vous aurez besoin de numpy (gère les opérations sur de grands tableaux), de scipy (fonctions statistiques et mathématiques avancées) et de matplotlib (visualisation de données). Les data scientists intéressés par l’apprentissage automatique voudront peut-être se pencher sur le tensorflow. Pandas est une nécessité pour la manipulation de données - il a été initialement développé par la direction du fonds spéculatif géant AQR Capital.

Les utilisateurs souhaiteront peut-être visualiser la distribution Anaconda dans un environnement préemballé soigné, qui comprend tous les packages ci-dessus et plus encore.

Python est lent. Mais il est facile de le mélanger avec C

Les programmeurs habitués à la vitesse fulgurante du C ou du C++, ou aux vitesses relativement rapides de Julia ou de Java, trouveront Python un peu lent (même s'il reste un peu plus rapide que R et Matlab, deux langages populaires en finance quantitative).

Les programmeurs aiment se vanter de la rapidité et de la rapidité de leur code, mais la plupart des codes ne doivent pas nécessairement être rapides. Cependant, Python sera certainement trop lent pour les fonctions exécutées de manière répétée sur de grands ensembles de données ou sur des algorithmes de trading sensibles à la latence.

Heureusement, il est très simple d'écrire des fonctions rapides en C ou C++, puis de les intégrer dans des modules Python. Apprenez à faire cela.

Python adore le Big Data

Les sociétés financières qui cherchent à prendre l'avantage sur le marché actuel se tournent vers de nouvelles sources de données. Ces sources de données alternatives ont une chose en commun : elles sont volumineuses. Utiliser les données du fil Twitter pour prédire le sentiment du marché est une bonne idée, mais il y a environ 500 millions de nouveaux tweets chaque jour. Cela nécessite de stocker, traiter et analyser de grandes quantités de données.

Heureusement, Python s'intègre bien dans l'écosystème du Big Data, avec des packages disponibles pour interagir avec Spark et Hadoop. Python fournit également des API pour les bases de données NoSQL telles que MongoDB, ainsi que des API pour tous les principaux fournisseurs de stockage cloud.

N'ayez pas peur du GIL

GI est notoirement le talon d'Achille de Python. L'interpréteur ne peut exécuter qu'un seul thread à la fois, créant un goulot d'étranglement qui ralentit l'exécution et ne tire pas parti des processeurs multicœurs modernes. Cependant, le GIL pose rarement des problèmes dans la pratique. La plupart des programmes du monde réel passent plus de temps à attendre les entrées ou les sorties.

Le GIL affecte les opérations volumineuses et gourmandes en calcul, mais seul un masochiste essaierait de les exécuter sur un ordinateur de bureau ou un ordinateur portable. Il est plus logique de paralléliser le code, puis de le distribuer à un cluster local ou à un fournisseur de cloud computing.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!