1 min de leitura ·

Python para mercado financeiro

Recentemente comecei minha faculdade de contabilidade e entrei pra uma liga de mercado financeiro. Umas das obrigações dentro do grupo é aprender python para o mercado financeiro e para competições futuras. Tenho acesso a muito material e a desculpa que aparecia de "não sei o que estudar" passou a ser "não sei por onde começar ". Para os que tem experiência, pode me dizer um caminho por onde começar pra quem nunca teve contato com python? As áreas são bem diversas, mas acho que sou considerado velho para um estágio em programação (tenho 30 anos), principalmente com nível bem basico. Sera que consigo um emprego fácil fazendo um curso certificado ou com alguma certificação financeira (CEA,CFA) e etc?

WilianZilv

11 meses atrás

Opa eu trabalho há pouco mais de 3 anos na RPS Capital, que é uma gestora de fundos de investimento. E nesse tempo aprendi muito sobre esse mundo.

Primeiro ponto: pandas
Masterize transformações e tratamento de dados com a biblioteca do pandas. Sem o pandas você não sobrevive no mercado financeiro.

Segundo ponto: esqueça gráficos
Na minha opinião gráficos feito com python só servem pra encher linguiça, uma visualização util é feita no powerbi ou no excel.

Terceiro ponto: automatização e sistemas
O mercado financeiro ainda é muito fraco em tecnologia, percebi que a grande maioria do mercado não utiliza soluções modernas para processos, com excessão do BTG Pactual que tá dominando a tecnologia na área, mas de resto, tem muita coisa para ser construída, então é importante estudar bastante APIs e web scrapping inteligente, powerbi, excel (o mercado financeiro ama o excel) e SQL

gustavocavalcanti

11 meses atrás

Como o assunto tem relação com tratamento de grande quantidade de dados, banco de dados, dataframes...Pandas como o colega falou, vou dar minhas dicas pois recentemente precisei lidar com multiprocessamento de muitos dados...
Bibliotecas Python que usei:
• connectorx (feita em Rust): Ler dados do BD para dataframes numa velocidade incrível. Suporta varios bancos de dados e os formatos de saída Pandas, PyArrow, Modin, Dask e Polars
• pandarallel: Executar operações do Pandas em paralelo (mais rápido)
Minha dica final é, se puder, usar Polars (feita em Rust) no lugar de Pandas, pois tem melhor performance.