金融和数据分析指的是将应用软件、科技，与（可能是先进的）算法、数据收集、数据处理及分析方法相结合，以获得深刻的洞察力、做出决策或者满足监管需求的学科。这类分析的例子包括银行零售部门中某个金融产品定价结构的变化对销售情况影响的估算。另一个例子是投资银行衍生品复杂投资组合信用价值调整（CVA）的大规模隔夜计算。
    111.png
    《Python金融大数据分析第2版》中文PDF，671页，原版，彩色配图，英文pdf，586页，配套资源。
    下载: https://pan.baidu.com/s/1r6oROK1MUUEfTCA2b_hZXQ
    提取码: nkq3
    《Python金融大数据分析第二版》介绍了Python 在金融学中的应用，其内容涵盖了Python 用于金融行业的原因、Python 的基础架构和工具，以及Python 在计量金融学中的一些具体入门实例；介绍了Python 的基础知识以及Python 中非常有名的库NumPy 和pandas 工具集，还介绍了面向对象编程；介绍金融数据科学的相关基本技术和方法，包括数据可视化、输入/输出操作和数学中与金融相关的知识等；介绍Python 在算法交易上的应用，重点介绍常见算法，包括机器学习、深度神经网络等人工智能相关算法；讲解基于蒙特卡洛模拟开发期权及衍生品定价的应用，其内容涵盖了估值框架的介绍、金融模型的模拟、衍生品的估值、投资组合的估值等知识。
    222.png
    分析领域的一个重要趋势是利用中央处理单元（CPU）的并行结构和通用计算图形处理单元（GPGPU）的大规模并行结构。现在的GPGPU 往往有1000 多个计算核心，有时候有必要彻底反思并行性对不同算法的意义。用户通常必须学习新的范型和技术才能利用这种硬件，这仍是障碍。
    333.png
    在大数据出现之前，银行和其他金融机构就必须处理海量数据。然而，单一分析任务所处理的数据量随着时间的推移而有了很大的增长，从而要求计算能力有所提高并有更大的内存与存储能力。过去，决策者只能依赖结构化的定期计划、决策和风险管理过程，而今天决策者面对的是实时完成这些任务的需求。过去在后台通过隔夜批量运行可以完成的任务，现在已经转向前台实时执行。