В Python есть более 50 встроенных модулей, но они имеют ограниченный функционал для анализа финансовых данных.

В Python есть более 50 встроенных модулей, но они имеют ограниченный функционал для анализа финансовых данных. Мы расскажем про самые полезные. Материалами поделились .

NymPy стала 7 по популярности библиотекой в 2018 году. Позволяет работать с матрицами и массивами данных, применять функции для генерации случайных чисел, необходимых для реализации некоторых методов оптимизации, таких как бустинг и бэггинг. Большая часть кода библиотеки написана на C, что позволяет компенсировать относительную медлительность Python.

Эта библиотека основана на базовых функциях, предлагаемых NumPy. Позволяет работать с финансовыми данными с помощью инструментов линейной алгебры, обработки сигналов, статистики, интерполяции и оптимизации.

Библиотека для представления и визуализации данных. Позволяет построить любой график или диаграмму в 2D или 3D. Потребуется некоторое время, чтобы привыкнуть к интерфейсу Matplotlib, т.к. он имитирует интерфейс Matlab, что очень раздражает пользователей Python.

Pandas основан на функционале SciPy и NumPy и является широко используемой библиотекой для обработки и анализа данных. В частности, эта библиотека идеально подходит для работы с временными рядами, поэтому необходима для анализа движения цен на финансовых рынках. Pandas создавался разработчиками AQR - крупнейшей инвестиционной фирмы, долго использовался только внутри компании, а позже был выпущен в открытый доступ.

Вместе NumPy, SciPy, Matplotlib и pandas образуют стек “NumPy / SciPy”. Установка стека может вызвать проблемы из-за множества зависимостей. Одним из решений этой проблемы является дистрибутив Anaconda, который позволяет установить эти пакеты (и многие другие) и использовать их в аккуратной виртуальной среде.

Самый популярный пакет 2008 года. Построен на основе SciPy, NumPy и matplotlib. Пакет позволяет работать с самыми распространенными методами машинного обучения, включая классификацию и кластеризацию.

Эта библиотека пришла в Python из C++, позволяет оценить и рассчитать риски финансовых деривативов. Работает быстро, т.к. код написан на C. Минус заключается в том, что QuantLib не является нативной библиотекой Python, поэтому не имеет привычной документации. Если вы работаете в структуризации и оценке, то лучше разобраться в этой библиотеке, чем работать в медленной встроенной библиотеке Python.

Комментарии: