In der Datenanalyse und Datenwissenschaft tätige Finance-Fachleute verwenden R, Python und andere Programmiersprachen zur Analyse von Datensätzen. Die voranschreitende Kopplung von menschlicher Expertise mit intelligenten Maschinen, welche als Augmented Intelligence und mit dem Akronym AI definiert wird, hat zur Folge, dass mit dem „Financial Data Scientist“ ein neues Berufsbild entsteht (↗).
Python gewinnt in diesem Zusammenhang stark an Bedeutung und wird zu einer bevorzugten Programmiersprache für Datenanalysen und -auswertungen. Zudem verfügt Python über eine sehr aktive Community, welche stetig dem Wachstum der Python-Bibliotheken beitragen. Allein auf Github, einer bekannten Plattform für Code-Hosting, finden sich Python-Pakete für nahezu alle Anwendungsbereiche.
Das Folgende zeigt einen Auszug der populärsten Python-Pakete und -Bibliotheken, welche von Finance-Fachleuten und Financial Data Scientists zur quantitative Analyse verwendet werden.
Python-Finanzinstrumente
Python-for-Data-Science – Python-for-Data-Science ist eine Python-Bibliothek zum Ausführen grundlegender Finance-Operationen, speziell im Bereich der Aktienanalyse.
QuantPy – Einige aktuelle Funktionen: Portfolio-Klasse, welche tägliche Renditen von Yahoo importieren kann; Berechnung der optimalen Gewichtungen für das Sharpe-Ratio und der Effizienzkurve, respektive des effizienten Randes.
pynance – PyNance ist eine Open-Source-Software zum Abrufen, Analysieren und Visualisieren von Daten von Aktien- und Derivatemärkten. Es enthält Werkzeuge zum Generieren von Features und Labels für Algorithmen zum maschinellen Lernen.
tia – TIA ist ein Toolkit, das Bloomberg-Datenzugriff, einfachere PDF-Generierung, Backtesting-Funktionalität, technische Analysefunktionen, Renditeanalyse und einige Windows-Tools bietet.
vollib – vollib ist eine Python-Bibliothek zur Berechnung von Optionspreisen, der Impliziten Volatilität und Griechen (Delta, Gamma, Vega und Theta) unter der Verwendung von Black, Black-Scholes und Black-Scholes-Merton.