Python程序員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做教授編程的基礎知識。但是，在您第一次遇到Python之前，您應該了解一些事項 – 特別是如果您想在財務環境中使用它。

Python是一門在金融行業擁有巨大聲望的編程語言。最大的投資銀行和對沖基金正在使用它來構建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。 （推薦學習：Python視頻教程）

功能不編寫在內，但是有庫

您還需要知道核心Python庫非常輕量級。如果你想做任何有趣的事情，你需要導入預先打包的庫。這些庫包含執行大多數數學運算，導入和處理數據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庫時，Python的真正威力就來了。對于金融財務工作，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（數據可視化）。對機器學習感興趣的數據科學家可能希望研究tensorflow。Pandas是數據操縱的必需品 – 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打包環境中查看Anaconda發行版，其中包括所有上述軟件包等。

Python很慢。但是很容易將它與C混合

習慣于C或C ++閃電般速度的程序員，或Julia或Java相對較快的程序員，會發現Python有些遲鈍（盡管它仍然比R和Matlab快一點，這兩種都是量化金融中的流行語言）。

程序員喜歡吹噓他們的代碼有多快和多快，但大多數代碼都不必快速運行。但是，對于在大型數據集或延遲敏感的交易算法上重復運行的函數，Python肯定會太慢。

幸運的是，編寫快速的C或C ++函數非常容易，然后將它們嵌入到Python模塊中。了解如何做到這一點。

Python喜歡大數據

尋求在當今市場中占據優勢的金融公司正在關注新的數據來源。這些替代數據源有一個共同點 – 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，但每天有大約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交互的軟件包。Python還為MongoDB等NoSQL數據庫提供API，并為所有主要的云存儲提供商提供API。

不要害怕GIL

GI是臭名昭著的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，減慢執行速度并且不利用現代多核CPU。然而，GIL在實踐中很少引起問題。大多數真實世界的程序花費