python程序员在银行和对冲基金中的需求旺盛。幸运的是，这种语言很容易学习 - 它经常被英国小学用来当做教授编程的基础知识。但是，在您第一次遇到python之前，您应该了解一些事项 - 特别是如果您想在财务环境中使用它。
Python是一门在金融行业拥有巨大声望的编程语言。最大的投资银行和对冲基金正在使用它来构建包括核心交易项目及风险管理系统在内的广泛的金融应用。 （推荐学习：Python视频教程）
功能不编写在内，但是有库
您还需要知道核心Python库非常轻量级。如果你想做任何有趣的事情，你需要导入预先打包的库。这些库包含执行大多数数学运算，导入和处理数据以及执行常见系统任务的函数。
立即学习“Python免费学习笔记（深入）”；
然而，当您开始下载众多免费提供的第三方库时，Python的真正威力就来了。对于金融财务工作，您需要numpy（处理大型数组上的操作），scipy（高级统计和数学函数）和matplotlib（数据可视化）。对机器学习感兴趣的数据科学家可能希望研究tensorflow。Pandas是数据操纵的必需品 - 它最初是在巨型对冲基金AQR资本管理层开发的。
用户可能希望在整洁的预打包环境中查看Anaconda发行版，其中包括所有上述软件包等。
Python很慢。但是很容易将它与C混合
习惯于C或C ++闪电般速度的程序员，或Julia或Java相对较快的程序员，会发现Python有些迟钝（尽管它仍然比R和Matlab快一点，这两种都是量化金融中的流行语言）。
程序员喜欢吹嘘他们的代码有多快和多快，但大多数代码都不必快速运行。但是，对于在大型数据集或延迟敏感的交易算法上重复运行的函数，Python肯定会太慢。
幸运的是，编写快速的C或C ++函数非常容易，然后将它们嵌入到Python模块中。了解如何做到这一点。
Python喜欢大数据
寻求在当今市场中占据优势的金融公司正在关注新的数据来源。这些替代数据源有一个共同点 - 它们很大。使用Twitter提要数据预测市场情绪是一个很酷的想法，但每天有大约5亿条新推文。这需要存储，处理和分析的大量数据。
幸运的是，Python可以很好地融入大数据生态系统，可以使用与Spark和Hadoop交互的软件包。Python还为MongoDB等NoSQL数据库提供API，并为所有主要的云存储提供商提供API。
不要害怕GIL
GI是臭名昭着的Python的致命弱点。解释器在任何时候都只能执行一个线程，从而产生一个瓶颈，减慢执行速度并且不利用现代多核CPU。然而，GIL在实践中很少引起问题。大多数真实世界的程序花费更多时间等待输入或输出。
GIL会影响大型计算密集型操作，但只有受虐狂才会尝试在台式机或笔记本电脑上运行这些操作。将代码并行化，然后将其分配给本地群集或云计算提供商更有意义。
