Python forex data som

Jag är ny på programmering, Python och Pandas så förhoppningsvis är det inte en dum fråga. Jag har laddat ner några FOREX-data härifrån. En månads värden på data är runt 50mil linjer i CSV-format för alla par. Jag vill så småningom kunna testa en strategi över flera tidsramar och instrument. Här är koden jag använder. På något annat än en stympad testfil tar den här läsningen lång tid. Det finns ett sätt att jag ska lagra data så att Pandas kan läsa filer mycket snabbare. Finns det en gräns för storleken på de data som Pandas rimligen kan hantera. En ny hjälp skulle uppskattas. Läs mer Kvant kompetens. Om du är en näringsidkare eller en investerare och skulle vilja förvärva en uppsättning kvantitativa handelsförmåga , du är på rätt ställe Trading With Python-kursen ger dig de bästa verktygen och rutinerna för kvantitativ handelsforskning, inklusive funktioner och skrifter som skrivits av expertkvantitativa handlare. Kursen ger dig maximal inverkan på ditt investerade tim e och pengar Det fokuserar på praktisk tillämpning av programmering till handel snarare än teoretisk datalogi Kursen kommer att betala sig själv snabbt genom att spara tid i manuell databehandling Du spenderar mer tid på att undersöka din strategi och genomföra lönsamma affärer. Kursöversikt. Part 1 Grunder Du lär dig varför Python är ett idealiskt verktyg för kvantitativ handel Vi börjar genom att skapa en utvecklingsmiljö och introducera dig sedan till de vetenskapliga biblioteken. Bild 2 Hantera data Lär dig hur du hämtar data från olika fria källor som Yahoo Finance , CBOE och andra webbplatser Läs och skriv flera dataformat inklusive CSV - och Excel-filer. Part 3 Forskningsstrategier Lär dig att beräkna PL och åtföljande prestandametri som Sharpe och Drawdown Bygg en handelsstrategi och optimera prestanda Flera exempel på strategier diskuteras i den här delen. Part 4 Komma igång Denna del är centrerad kring Interactive Brokers API Du lär dig att ge t realtime lagerdata och placera live order. Massor av exempelkod. Kursmaterialet består av anteckningsböcker som innehåller text tillsammans med interaktiv kod som den här. Du kommer att kunna lära dig genom att interagera med koden och ändra den efter eget tycke. Det kommer att vara en bra utgångspunkt för att skriva egna strategier. Även om vissa ämnen förklaras i detalj, för att hjälpa dig att förstå de underliggande koncepten, i de flesta fall vann du inte ens behöver du skriva din egen lågnivåkod på grund av stöd från befintliga öppna - källor Bibliotek TradingWithPython-biblioteket kombinerar mycket av funktionaliteten som diskuteras i kursen som färdiga funktioner och kommer att användas under hela kursen. Pandas ger dig all den kraftiga kraften som behövs vid datakrypning. Alla koden tillhandahålls Under BSD-licensen, tillåter användningen i kommersiella aplications. Course rating. A pilot av kursen hölls våren 2013, det här är vad studenterna fick säga. Matej väl designad cour se och bra tränare Definitivt värt sitt pris och min tid Lave Jev visste självklart att hans grejer djupet av täckningen var perfekt Om Jev kör någonting så här igen, blir jag den första att registrera John Phillips Din kurs fick mig verkligen att börja hoppa och började överväga python för stock system analysis. Trading with Python. Ive har nyligen läst ett bra inlägg av turinginance bloggen om hur man ska vara en quant I korthet beskriver det ett vetenskapligt förhållningssätt för att utveckla handelsstrategier För mig personligen observerar data, tänkande med modeller och bildar hypotes är en andra natur, som det borde vara för någon bra ingenjör. I det här inlägget ska jag illustrera detta tillvägagångssätt genom att uttryckligen gå igenom ett antal steg bara ett par, inte alla som är involverade i utvecklingen av en handelsstrategi. ta en titt på det vanligaste handelsinstrumentet, SP 500 ETF SPY Jag börjar med observationer. Observationer Det hände mig att för det mesta är det mycket att prata i media om marknaden kraschar Det är stora förluster under flera dygns tidsperspektiv. En ganska stor återhämtning följer ibland I det förflutna har jag gjort ett par misstag genom att stänga mina positioner för att minska förluster korta, för att missa en återhämtning under de följande dagarna. Allmän teori Efter en period av konsekutiva förluster kommer många handlare att avveckla sina positioner ur rädsla för ännu större förlust. Mycket av detta beteende styrs av rädsla snarare än beräknad risk. Smarterare handlare kommer in då för fynd. Hypotes Dagens avkastning av SPY kommer att visa en uppåtriktad förspänning efter ett antal konsekutiva förluster. För att testa hypotesen har jag beräknat antalet på varandra följande nedgångar. Allt under -0 1 dagligt avkastning kvalificerar som en nedgång. Returserien är nära slumpmässig, så som man förväntar sig, chanserna av 5 eller flera på varandra följande neddagar är låga, vilket resulterar i ett mycket begränsat antal händelser. Lågt antal händelser kommer att leda till opålitliga statistiska uppskattningar, så jag slutar vid 5.Below är en visualisering av nex-tday returnerar som en funktion av antalet neda dagar. Jag har också ritat 90 konfidensintervall för avkastningen mellan linjerna. Det visar sig att den genomsnittliga avkastningen är positivt korrelerad med antalet nedre dagar. Hypotesen bekräftades. Dock kan du tydligt se att detta extra alfa är väldigt liten jämfört med bandet av de troliga avkastningsresultaten Men även en liten kant kan utnyttjas hitta en statistisk fördel och upprepa så ofta som möjligt Nästa steg är att undersöka om denna kant kan vridas i en handelsstrategi. data ovan kan en handelsstrategi vara forumlated Efter consectutive 3 eller fler förluster, gå långa Exit på nästa close. Below är ett resultat av denna strategi jämfört med rent buy-and-hold. Det ser inte ut dåligt alls. Letar du efter de skarpa förhållandena strategin visar en nedstigning 2 2 mot 0 44 för BH Det här är faktiskt ganska bra, men det blir inte så upphetsat, men eftersom jag inte tog hänsyn till kommissionskostnader, slipper etc. Även om strategin ovan inte är något som jag skulle l Ike att handla helt enkelt på grund av den långa tidsperioden provar teorin vidare tankar som kan ge något användbart Om samma princip gäller för intradagdata, kan en form av scalping-strategi byggas I exemplet ovan har jag förenklat världen lite genom att bara räkna antalet dygn, utan att uppmärksamma djupet i neddragningen. Även utgångsläget är bara en grundläggande nästa dag-nära. Det är mycket att förbättra, men kärnan enligt min mening är denna återkommande avkastning av SPY är ifluenced av drawdown och drawdown varaktighet över de föregående 3 till 5 dagarna. En erfaren trader vet vad beteende att förvänta sig från marknaden baserat på en uppsättning indikatorer och deras tolkning Den senare är ofta gjort baserat på hans minne eller någon form av modell Att hitta en bra uppsättning indikatorer och bearbeta sin information utgör en stor utmaning Först måste man förstå vilka faktorer som är korrelerade med framtida priser Data som inte har någon förutsägbar kvalitet endast i torduces buller och komplexitet, minskande strategiska prestanda Att hitta bra indikatorer är en egen vetenskap som ofta kräver djup förståelse för marknadsdynamiken. Den här delen av strategisk design kan inte enkelt automatiseras. Lyckligtvis, när en bra uppsättning indikatorer har hittats, minne och intuition kan enkelt ersättas med en statistisk modell som sannolikt kommer att fungera mycket bättre eftersom datorer har felfritt minne och kan göra perfekta statistiska uppskattningar. När det gäller volatilitetshandel tog det mig ganska lång tid att förstå vad som påverkar dess rörelser. , Jag är intresserad av variabler som förutspår framtida avkastning av VXX och XIV. Jag kommer inte att gå in i full längd förklaring här, men bara presentera en slutsats. Mina två mest värdefulla indikatorer för volatilitet är terminsstrukturhöjningen och nuvarande volatilitetspremie. Min definition av dessa Två is. volatility premium VIX-realizedVol. delta termisk struktur lutning VIX-VXV. VIX VXV är framåt 1 och 3 månaders impuls liedvolatiliteterna i SP 500 realizedVol här är en 10-dagars realiserad volatilitet i SPY, beräknad med Yang-Zhang formel delta har ofta diskuterats på VixAndMore-bloggen, medan premium är välkänt från options trading. It är vettigt att gå kort volatilitet när premium är högt och futures är i contango delta 0 Detta kommer att orsaka en svängvind från både premium och daglig rulle längs terminsstrukturen i VXX Men det här är bara en grov uppskattning En bra handelsstrategi skulle kombinera information från både premium och delta att komma med en förutsägelse på handelsriktningen i VXX. Jag har kämpat mycket länge för att komma fram till ett bra sätt att kombinera bullriga data från båda indikatorerna jag har provat de flesta standardinställningarna, som linjär regression, skrivande en massa Om-men men alla med en väldigt liten förbättring jämfört med att endast använda en indikator Ett bra exempel på en sådan indikatorstrategi med enkla regler finns på TradingTheOdds blogg ser inte ut dåligt, men wha t kan göras med flera indikatorer. Jag börjar med några VXX-data som jag inte har fått från MarketSci Observera att det här är simulerade data innan VXX skapades. Indikatorerna för samma period anges nedan. Om vi ​​tar en av indikatorns premie i detta fall och plottar den mot framtida avkastning av VXX, kan en viss korrelation ses men data är extremt bullriga. Det är dock klart att negativ premie sannolikt kommer att ha positiv VXX-avkastning nästa dag. både premie och delta i en modell har varit en utmaning för mig, men jag ville alltid göra en statistisk approximation. I grunden vill jag, för en kombination av delta, premium, hitta alla historiska värden som ligger närmast nuvärdena och göra en uppskattning av framtida avkastning baserat på dem Ett par gånger började jag skriva mina egna närmaste granninterpolationsalgoritmer, men varje gång jag var tvungen att ge upp tills jag kom över scikit närmaste grannregression. Det gjorde det möjligt för mig att snabbt bygga en prediktor baserad på två ingångar och resultaten är så bra att jag är orolig att jag har gjort ett misstag någonstans. Här är vad jag gjorde. skapa en dataset för delta, premium - VXX nästa dag tillbaka i provet. skapa en närmaste grannpredikator baserad på datasetet above. trade strategi utanför provet med reglerna. så länge om det förutspås returnera 0.go kort om det förutspås returnera 0. Strategin kunde inte vara enklare. Resultaten verkar mycket bra och bli bättre när fler neigbors används för uppskattning. Först med 10 poäng är strategin utmärkt i provet, men är platt utanför röda raden i figuren nedan är den sista punkten i provet. Därefter blir resultatet bättre med 40 och 80 poäng. I de två sista delarna verkar strategin utföra samma in-och ut-ur-Sharpe-förhållandet är ca 2 3 Jag är väldigt nöjd med resultaten och har en känsla av att jag bara har klivit ytan på vad som är möjligt med denna teknik. Min sökning av ett idealverktyg för backtesting min definition av idé Jag är beskriven i de tidigare Backtesting-dilemmana. Inlägg resulterade inte i någonting som jag kunde använda genast. Men genom att granska de tillgängliga alternativen hjälpte jag mig att förstå bättre vad jag verkligen vill ha av alternativen jag har tittat på, pybacktest var den jag gillade mest på grund av sin enkelhet och snabbhet Efter att ha gått igenom källkoden har jag några idéer för att göra det enklare och lite mer elegant. Därifrån var det bara ett litet steg att skriva min egen backtester, som nu finns tillgänglig i TradingWithPython-biblioteket . Jag har valt ett tillvägagångssätt där backtestern innehåller funktionalitet som alla handelsstrategier delar och som ofta får kopieras. Däremot som beräkningspositioner och pnl, prestandamätningar och plottar. Strategi-specifik funktionalitet, som att bestämma in - och utgångspunkter bör göras utanför Av backtester Ett typiskt arbetsflöde skulle finnas hitta inmatning och utgångar - beräkna pnl och göra tomter med backtester - post-processstrategidata. I detta ögonblick t han modulen är väldigt minimal Ta en titt på källan här, men i framtiden planerar jag att lägga till vinst - och förlustavgångar och flera tillgångsportföljer. Användningen av backtesting-modulen visas i det här exemplet anteckningsbok. Jag organiserar mina IPython-bärbara datorer genom att spara dem i olika kataloger Detta ger emellertid ett besvär, för att få tillgång till notisböckerna behöver jag öppna en terminal och skriva ipython anteckningsbok - pylab inline varje gång jag är säker på att ipythonlaget kommer att lösa detta på lång sikt, men under tiden finns det ett ganska avstängnings sätt att snabbt komma åt bärbara datorer från filutforskaren. Allt du behöver göra är att lägga till en snabbmeny som startar ipython-servern i önskad katalog. Ett snabbt sätt att lägga till kontextobjektet är att köra detta registerplåst Observera att plåten förutsätter att du har din pythoninstallation i C Anaconda Om inte, måste du öppna filen i en textredigerare och ställa in rätt väg i den sista raden. Anvisningar om att lägga till registernycklarna manuellt c en finns på Frolian s blogg. Många människor tror att leveranserade etfs på lång sikt underpresterar sina riktmärken. Detta gäller för hakiga marknader, men inte när det gäller trendförhållanden, antingen upp eller ner. Hävstång har bara effekt på det mest troliga resultatet , Inte på det förväntade resultatet. För mer bakgrund, var vänlig läs detta inlägg.2013 har varit ett mycket bra år för aktier som tränade upp under det mesta av året. Låt oss se vad som skulle hända om vi kortade några av de levererade etfsen för ett år sedan och säkrade dem med deras riktmärke Att veta det hanterade ETF-beteendet Jag skulle förvänta mig att levererade ETFS överträffade deras riktmärke, så den strategi som skulle försöka dra nytta av förfallet skulle förlora pengar. Jag kommer att överväga dessa par. SPY 2 SSO -1 SPY - 2 SDS -1 QQQ 2 QLD -1 QQQ -2 QID -1 IYF -2 SKF -1. Varje levererad etf hålls kort -1 och säkras med en 1x etf Observera att för att säkra en invers etf hålls en negativ position i 1x etf. Here är ett exempel SPY vs SSO När vi normali ze priserna till 100 i början av backtestperioden 250 dagar är det uppenbart att 2x etf överträffar 1x etf. Nå resultaten av backtest på paren ovan. Alla 2x etfs inklusive invers har överträffat sin benchmark under loppet av 2013 Enligt förväntningarna skulle strategin som utnyttjar betaförfall inte vara lönsam. Jag skulle tro att spelande levererade etfs mot deras oleverantörda motsvarighet inte ger någon kant om du inte vet marknadsförutsättningarna på förhand trending eller range-bound Men om du känner till kommande marknadsregimen finns det mycket enklare sätt att dra nytta av det Tyvärr har ingen ännu varit riktigt framgångsrik när det gäller att förutsäga marknadsregimen även på mycket kort sikt. Den fullständiga källkoden för beräkningarna är tillgänglig för abonnenterna av Trading With Python-kursen Notebook 307.Här är mitt skott på Twitter-värdering Jag vill börja med en ansvarsfriskrivning för närvarande en stor del av min portrolio består av kort TWTR-position, så min åsikt är ganska skev. Anledningen till att jag har gjort min egen analys är att min insats inte fungerade bra och Twitter gjorde ett paraboliskt drag i december 2013 Så frågan som jag försöker svara här är, ska jag ta min förlust eller hålla fast vid mina shorts. At skrivetiden handlar TWTR om 64 mark, med en marknadsandel på 34 7 B Upp till nu har företaget inte gjort någon vinst, förlorar 142M i 3013 efter att ha gjort 534M i intäkter De sista två siffrorna ge oss årliga företagsutgifter av 676M. Price härrör från användarvärdet. Twitter kan jämföras med Facebook, Google och LinkedIn för att få en uppfattning om användarnummer och deras värden Tabellen nedan sammanfattar användarnummer per företag och ett värde per användare härrörande från Marknadshuvudkällan för antal användare Wikipedia, antalet för Google är baserat på antal unika sökningar. Det är uppenbart att marknadsvärderingen per användare är väldigt likartad för alla företag, men min personliga åsikt är that. TWTR är för närvarande mer Värdefull pe r användare somn FB eller LNKD Detta är inte logiskt eftersom båda konkurrenterna har mer värdefulla personliga användardata till sitt förfogande. GOOG har utmärkt sig vid att extrahera annonsintäkter från sina användare. För att göra det har den en uppsättning mycket diversifierade erbjudanden från sökmotorn till Google Docs och Gmail TWTR har inget som liknar det, medan dess värde per användare är bara 35 lägre än det av Google. TWTR har ett begränsat utrymme för att utöka sin användarbas eftersom det inte erbjuder produkter som kan jämföras med FB eller GOOG-erbjudanden TWTR har varit runt i sju år nu och de flesta som vill ha en accout har fått chansen. Resten bryr sig bara inte. TWTR användarbas är flyktig och kommer sannolikt att gå vidare till nästa heta när den kommer att bli tillgänglig. Jag tror att den bästa referensen här skulle vara LNKD som har en stabil nisch på den professionella marknaden Genom att denna metriska TWTR skulle vara övervärderad Ställ in användarvärdet vid 100 för TWTR skulle ge ett rättvist TWTR-pris på 46. Priset härrör från framtida intäkter. Det finns tillräckligt med data om de framtida resultatberäkningarna En av de mest användbara som jag har hittat är här. Använda dessa siffror medan subventionering av företagsutgifterna, som jag antar att förbli konstant, producerar detta antal. Baserat på tillgänglig information bör optimistisk värdering av TWTR vara i 46-48 intervall Det finns inga tydliga skäl att det bör handlas högre och många operativa risker för att handla lägre. Mitt gissning är att under programplaneringen har tillräckligt med professionella granskat priset, ställt det till en rimlig prisnivå. Vad hände därefter var ett irrationellt marknadsrörelse inte motiverat med ny information Ta bara en titt på den haussefulla frenesen på stocktwits med människor som hävdar saker som denna fågel kommer att flyga till 100 rena känslor som aldrig fungerar bra. Det enda som vilar mig nu är att sätta mina pengar där min mun är och hålla fast vid mina shorts Time kommer att berätta. Förkorta den kortsiktiga volatiliteten etn VXX kan verka som en bra idé när man tittar på diagrammet från ganska avstånd På grund av contango i volatilitetsterminerna Det uppstår en del huvudvindar för det mesta och förlorar lite värde varje dag. Det händer på grund av daglig ombalansering. För mer information kolla in utsikterna. I en ideal värld, om du håller den tillräckligt länge, är det en vinst som genereras av tidsfördröjning i framtiden och etn-ombalansering är garanterat men på kort sikt måste du gå igenom några ganska tunga drawdowns. Bara titta tillbaka på sommaren 2011 Jag har varit olycklig eller dum nog att hålla en kort VXX-position strax före VIX gick upp Jag har nästan blivit mitt konto vid 80-talet på bara ett par dagar vilket resulterar i ett hot om marginalanrop från min mäklare. Margin-samtal skulle innebära att man betalar förlusten. Det här är inte en situation som jag någonsin vill vara in igen Jag visste att det inte vore lätt att hålla huvudet coolt hela tiden, men att uppleva stress och tryck på situationen var något annorlunda. Helt visste jag hur VXX tenderar att uppträda, så jag gjorde inte panik, men bytte sidan till XIV för att undvika en marginalanrop Historien slutar bra 8 månader senare var min portfölj tillbaka i styrka och jag har lärt mig en mycket värdefull lektion. För att börja med ett varningstecken här handlas inte volatilitet om du inte vet exakt hur mycket risk du tar. s ta en titt på en strategi som minimerar några av riskerna genom att korta VXX bara när det är lämpligt. Strategiprocess VXX upplever mest dra när futurekurvan ligger i en brant kontango Futureskurvan approximeras av VIX-VXV-förhållandet Vi kommer att kort VXX när VXV har en ovanligt hög premie över VIX. Låt oss ta en titt på VIX-VXV-förhållandet. Diagrammet ovan visar VIX-VXV-data sedan januari 2010 Datapunkter från förra året visas i rött Jag har valt att använd en kvadratisk passform mellan de två approximativa VXV f VIX F VIX är plottad som en blå linje Värdena ovanför linjen representerar situationen när futuresna är starkare än vanliga contango Nu definierar jag en deltaindikator, vilken är avvikelsen från passa Delta VXV-f VIX Låt oss nu titta på priset på VXX tillsammans med delta. Övre pris på VXX på loggskala Nedan delta Gröna markeringar indicat delta 0 röda markörer delta 0 Det är uppenbart att grönområden motsvarar en negativ avkastning i VXX. Let s simulerar en strategi med detta dessa antaganden. Short VXX när delta 0.Konstant kapital satsning på varje dag är 100.Ingen slippa eller transaktionskostnader. Denna strategi jämförs med den som handlar kort varje dag, men inte ta del i beräkningen. Den gröna linjen representerar vår korta strategi för VXX, den blå linjen är den dumma. Särskilda sarpe av 1 9 för en enkel slutändad strategi är inte dåligt enligt min mening Men ännu viktigare är att tarmarna - wrenching drawdowns i stor utsträckning undviks genom att uppmärksamma framtidens kurva. Byggandet av denna strategi steg för steg kommer att diskuteras under den kommande Trading With Python-kursen. Priset på en tillgång eller en ETF är givetvis den bästa indikatorn som finns, men tyvärr finns det bara bara så mycket jag Nformation som finns i det Vissa människor tycks tro att de mer indikatorerna rsi, macd, glidande genomsnittliga crossover etc, desto bättre men om alla är baserade på samma underliggande prisserier, kommer de alla att innehålla en delmängd av samma begränsade information som finns i priset Vi behöver mer information utöver vad som ingår i priset för att göra en mer informerad gissning om vad som kommer att hända inom en snar framtid Ett utmärkt exempel på att kombinera all sorts information till en smart analys finns på The Short Sidan av lång blogg Att producera denna typ av analys kräver mycket arbete, för vilket jag helt enkelt inte har tid eftersom jag bara handlar på deltid Så jag byggde min egen marknadsdashboard som automatiskt samlar in information till mig och presenterar den i en lätt smältbar form I det här inlägget ska jag visa hur man bygger en indikator baserad på kortvolymdata. Detta inlägg kommer att illustrera processen för datainsamling och bearbetning. Steg 1 Hitta datakälla BATS-utbyte p Omvandlar dagliga volyldata gratis på deras webbplats. Steg 2 Få data manuellt inspektera Korta volyldata för BATS-utbytet finns i en textfil som är zippad Varje dag har sin egen zip-fil Efter att ha hämtat och lossat txtfilen så är det här S inne i första flera linjer. Totalt innehåller en fil cirka 6000 symboler. Dessa data behöver lite arbete innan det kan presenteras på ett meningsfullt sätt. Steg 3 Få automatiskt data Vad jag verkligen vill ha är inte bara data för en dag utan Ett förhållande mellan kort volym och total volym under de senaste åren och jag tycker verkligen inte om att ladda ner 500 zip-filer och kopiera dem i excel manuellt. Helt enkelt är full automation bara ett par kodlinjer borta Först måste vi dynamiskt skapa en url från vilken en fil kommer att hämtas. Nu kan vi hämta flera filer samtidigt. Steg 4 Analysera nedladdade filer. Vi kan använda zip - och pandabibliotek för att analysera en enda fil. Det returnerar ett förhållande med kort volym totalt volym för alla symboler i n zip-filen Steg 5 Gör ett diagram Nu är det enda som kvarstår att analysera alla nedladdade filer och kombinera dem till ett enda bord och plotta resultatet. I bilden ovan har jag ritat det genomsnittliga kortvolymen för de senaste två åren jag Kunde också ha använt en delmängd av symboler om jag ville titta på en viss sektor eller lager. Snabb titt på data ger mig ett intryck av att höga kortvolymen oftast motsvarar marknadens botten och låga förhållanden tycks vara goda ingångspunkter för en lång position. Start här härifrån kan detta korta volymförhållande användas som underlag för strategiutveckling. Träning med Python-kurs. Om du är en näringsidkare eller en investerare och vill förvärva en uppsättning kvantitativa handelsfärdigheter kan du överväga att ta Handeln med Python couse Online-kursen ger dig de bästa verktygen och rutinerna för kvantitativ handelsforskning, inklusive funktioner och skript som skrivits av experter med kvantitativa handlare. Du lär dig hur du får och hanterar mig Ncredible mängder data, design och backtest strategier och analysera handelsprestanda Detta kommer att hjälpa dig att fatta välgrundade beslut som är avgörande för en framgångsrik handel. Klicka här för att fortsätta till Trading With Python kurswebbplats. Mitt namn är Jev Kuznetsov, under dagen är jag en Forskaringenjör i ett företag som är inblandat i trycksaker Resten av tiden är jag en näringsidkare. Jag studerade tillämpad fysik med specialisering i mönsterigenkänning och artificiell intelligens. Mitt dagliga arbete involverar allt från snabb algoritm prototyper i Matlab och andra språk till hårdvaru design Programmering. Sedan 2009 har jag använt mina tekniska färdigheter på de finansiella marknaderna Innan jag kom fram till att Python är det bästa verktyget, arbetade jag i stor utsträckning i Matlab, som är täckt på min andra blogg. Du kan nå mig på.