این روزها، پایتون بدون شک یکی از مهمترین بسترهای استراتژیک فناوری در صنعت مالی است. هنگامی که شروع به نوشتن ویرایش اول این کتاب در سال 2013 می‌کردم، هنوز مکالمات و ارائه‌های زیادی داشتم که در آن بی وقفه بر سر مزیت‌های رقابتی پایتون در امور مالی نسبت به زبان‌ها و پلتفرم‌های دیگر بحث می‌کردم. اواخر سال 2018، این دیگر جای سوال نیست: موسسات مالی در سراسر جهان اکنون به سادگی سعی می‌کنند تا از پایتون و اکوسیستم قدرتمند آن، از جمله پکیج‌های تجزیه و تحلیل داده ها، مصور سازی و یادگیری ماشین بهترین استفاده را ببرند.
فراتر از حوزه مالی، همچنین در دوره‌های مقدماتی برنامه نویسی مانند برنامه‌های علوم کامپیوتر، اغلب پایتون زبان انتخابی است. فراتر از نحو خوانا و رویکرد چند پارادایمی آن، یک دلیل بزرگ برای این امر این است که پایتون به یک first class citizen در حوزه‌های هوش مصنوعی (AI)، یادگیری ماشین (ML) و یادگیری عمیق (DL) تبدیل شده است. بسیاری از محبوب‌ترین پکیج‌ها و کتابخانه‌ها در این حوزه‌ها یا مستقیماً با پایتون نوشته شده اند(مانند scikit-learn برای ML) یا دارای wrapper‌های پایتون هستند (مانند TensorFlow برای DL). 
خود دانش مالی وارد دوره جدیدی می‌شود و دو نیروی عمده این تحول را پیش می‌برند. اولین مورد، دسترسی برنامه نویسی به همه‌ی داده‌های مالی دردسترس است - به طور کلی، این اتفاق به صورت بلادرنگ رخ می‌دهد و همان چیزی است که منجر به دانش مالی داده محور می‌شود. دهه‌ها پیش، بیشتر تصمیمات مربوط به معاملات یا سرمایه گذاری توسط آنچه که بازرگانان و مدیران سرمایه گذاری می‌توانستند در روزنامه‌ها بخوانند یا از طریق مکالمات شخصی یاد بگیرند، پیش برده می‌شد. سپس ترمینال هایی آمدند که داده‌های مالی را از طریق کامپیوتر و ارتباطات الکترونیکی به صورت بلادرنگ به میز معامله گران و مدیران سهام می‌آوردند. امروزه، افراد (یا تیم ها) دیگر نمی‌توانند با حجم عظیم داده‌های مالی تولید شده حتی در یک دقیقه همگام شوند. فقط ماشین‌ها با سرعت پردازش و قدرت محاسباتی روز افزونشان، می‌توانند با حجم و سرعت داده‌های مالی همگام شوند. این بدان معناست که در بین چیز‌های دیگر، بیشتر حجم معاملات سهام جهانی امروز توسط الگوریتم‌ها و کامپیوتر‌ها انجام می‌شوند تا معامله گران انسانی.
دومین نیروی مهم، اهمیت روزافزون هوش مصنوعی در امور مالی است. بیشتر موسسات مالی سعی می‌کنند تا از الگوریتم‌های ML و DL برای بهبود عملیات و عملکرد تجاری و سرمایه گذاری خود استفاده کنند. در آغاز سال 2018، اولین کتاب اختصاصی در مورد «یادگیری ماشین دانش مالی» منتشر شد، که بر این trend تاکید می‌کرد. بدون تردید، چیز‌های بیشتری برای آمدن وجود دارند. این منجر به آنچه می‌شود که ممکن است AI-first finance نامیده شود، جایی که الگوریتم‌های انعطاف پذیر و قابل پارامتری شدن ML و DL، جایگزین تئوری مالی سنتی می‌شوند - نظریه ای که ممکن است زیبا باشد اما دیگر در دوره‌ی جدید دانش مالی اول-هوش مصنوعی و مبتنی بر داده، شاید بسیار مفید نباشد.
پایتون زبان برنامه نویسی و اکوسیستم مناسب برای از عهده بر آمدن چالش‌های این دوره از دانش مالی است. اگرچه این کتاب، الگوریتم‌های اساسی یادگیری ماشین برای یادگیری بدون نظارت و تحت نظارت (به عنوان مثال شبکه‌های عصبی عمیق) را شامل می‌شود، تمرکز آن بر روی توانایی‌های پردازش و تحلیل داده‌های پایتون است. برای دانستن کامل اهمیت هوش مصنوعی در امور مالی، اکنون و در آینده، کتاب دیگری لازم است. با این حال بیشتر تکنیک‌های هوش مصنوعی، یادگیری ماشین و یادگیری عمیق، به چنین حجم بزرگی از داده‌ها نیاز دارند که تسلط بر امور مالی داده محور باید به هر حال حرف اول را بزند.
کتاب Python for Finance: Mastering Data-Driven Finance 2nd Edition (پایتون برای دانش مالی: تسلط برای دانش مالی داده محور، ویرایش دوم)، برای پایتون 3 به روز شده است و به شما کمک می‌کند تا با زبان پایتون شروع به کار کنید و توسعه دهندگان و تحلیلگران کمی را برای ساخت برنامه‌های مالی و تحلیل‌های مالی تعاملی با کتابخانه‌ها و ابزار‌های پایتون راهنمایی می‌کند. نویسنده این کتاب، ایو هیلپیش (Yves Hilpisch)، با استفاده از مثال‌های عملی در سراسر کتاب، به شما نشان می‌دهد که چگونه یک چارچوب تمام عیار برای مشتقات مبتنی بر شبیه سازی مونت کارلو و تجزیه و تحلیل ریسک، براساس یک مورد مطالعاتی واقع بینانه و بزرگ، توسعه دهید. همچنین در بیشتر کتاب از Notebook‌های تعاملی IPython استفاده شده است.

مطالبی که در کتاب «پایتون برای دانش مالی: تسلط برای دانش مالی داده محور، ویرایش دوم» خواهید آموخت:

• پایتون و دانش مالی: شروع به کار با پایتون برای تحلیل‌های مالی تعاملی و توسعه برنامه
• تسلط پیدا کردن بر مبانی: یادگیری انواع داده و ساختار‌های پایتون، NumPy، pandas و کلاس DataFrame آن و برنامه نویسی شی گرا
• علم داده‌های مالی: بررسی تکنیک‌ها و پکیج‌های پایتون برای داده‌های سریالی زمانی مالی، عملیا I/O، تصادفی و یادگیری ماشین
• تجارت الگوریتمی: استفاده از پایتون برای backtesting و استقرار استراتژی‌های تجارت الگوریتمی خودکار
• تحلیل مشتقه: توسعه یک پکیج پایتون قدرتمند و منعطف برای گزینه‌ها و قیمت گذاری مشتقه و مدیریت ریسک