Python程式設計師在銀行和對沖基金中的需求旺盛。 幸運的是，這種語言很容易學習 - 它經常被英國小學用來當教授程式設計的基礎知識。但是，在您第一次遇到Python之前，您應該了解一些事情 - 特別是如果您想在財務環境中使用它。
Python是一門在金融業擁有巨大聲望的程式語言。最大的投資銀行和對沖基金正在使用它來建立包括核心交易項目及風險管理系統在內的廣泛的金融應用。 （建議學習：Python影片教學）
功能不寫在內，但有函式庫
你還需要知道核心Python庫非常輕量級。如果你想做任何有趣的事情，你需要匯入預先打包的庫。這些函式庫包含執行大多數數學運算，匯入和處理資料以及執行常見系統任務的函數。
然而，當您開始下載眾多免費提供的第三方函式庫時，Python的真正威力就來了。對於金融財務工作，您需要numpy（處理大型數組上的操作），scipy（高級統計和數學函數）和matplotlib（資料視覺化）。對機器學習有興趣的資料科學家可能希望研究tensorflow。 Pandas是資料操縱的必需品 - 它最初是在巨型對沖基金AQR資本管理層開發的。
用戶可能希望在整潔的預先包裝環境中查看Anaconda發行版，其中包括所有上述軟體包等。
Python很慢。但很容易將它與C混合
習慣於C或C 閃電般速度的程式設計師，或Julia或Java相對較快的程式設計師，會發現Python有些遲鈍（儘管它仍然比R和Matlab快一點，這兩種都是量化金融中的流行語言）。
程式設計師喜歡吹噓他們的程式碼有多快和多快，但大多數程式碼都不必快速運行。但是，對於在大型資料集或延遲敏感的交易演算法上重複運行的函數，Python肯定會太慢。
幸運的是，編寫快速的C或C 函數非常容易，然後將它們嵌入到Python模組中。了解如何做到這一點。
Python喜歡大數據
尋求在當今市場中佔據優勢的金融公司正在關注新的數據來源。這些替代資料來源有一個共同點 - 它們很大。使用Twitter提要數據預測市場情緒是一個很酷的想法，但每天大約有5億條新推文。這需要存儲，處理和分析的大量數據。
幸運的是，Python可以很好地融入大數據生態系統，可以使用與Spark和Hadoop互動的軟體包。 Python也為MongoDB等NoSQL資料庫提供API，並為所有主要的雲端儲存提供者提供API。
不要害怕GIL
GI是臭名昭彰的Python的致命弱點。解釋器在任何時候都只能執行一個線程，從而產生一個瓶頸，減慢執行速度並且不利用現代多核心CPU。然而，GIL在實務上很少引起問題。大多數真實世界的程式花費更多時間等待輸入或輸出。
GIL會影響大型運算密集型操作，但只有受虐狂才會嘗試在桌上型電腦或筆記型電腦上執行這些操作。將程式碼並行化，然後將其指派給本地叢集或雲端運算提供者更有意義。
以上是python在財務裡面有用嗎的詳細內容。更多資訊請關注PHP中文網其他相關文章！
