Python per la finanza
Utilizzare Python in campo finanziario
Python è per me diventato negli anni uno strumento indispensabile di lavoro, soprattutto quando i dati da gestire superano le capacità di Excel o per effettuare alcune analisi statistiche un po’ più sofisticate del solito. Tuttavia, mi sono accorto che costruire un ambiente di lavoro efficace ed efficiente basato su Python non è sempre intuitivo, per cui proverò in questo post a condividere alcune delle cose che ho imparato nel tempo per giungere a una configurazione soddisfacente di questo importante strumento, soprattutto per chi lavora in ambito finanziario o ha comunque necessità di analizzare dei dati.
La distribuzione di Python più interessante per chi lavora con i dati (o fa data science, come si dice adesso) è sicuramente Anaconda, che però installa di default fin troppe librerie scientifiche per i miei gusti. Esiste una versione minimal di Anaconda, miniconda, che installa solo l’interprete del linguaggio e un set minimo di librerie per il funzionamento del package manager, lasciando all’utente la possibilità di installare poi solo gli ulteriori pacchetti effettivamente necessari per ciascun progetto. Qui però iniziano le difficoltà. Se da un lato conda, rispetto a pip, il package manager ufficiale di Python, permette una gestione delle librerie più agevole, dall’altro il numnero di pacchetti disponibili è ben inferiore. Per fortuna, un’ampia community si è fatta carico di ampliare la disponibilità di librerie sotto conda attraverso il canale conda-forge. Mischiare però le distribuzioni “ufficiali” di Anaconda con quelle di conda-forge è sconsigliabile e nel tempo rischia di corrompere i vari ambienti di lavoro di Python. Per questo ho recentemente scoperto con soddifazione miniforge, un clone di miniconda che scarica direttamente i pacchetti di Python dal canale della community di conda-forge1. Alla fine, quindi, sto usando con soddisfazione da alcuni mesi questa distribuzione, con impostazioni identiche tra i vari dispositivi che utilizzo in modo da avere ambienti di lavoro intercambiabili.
Passando alle librerie vere e proprie, la prima cosa da installare, secondo me, è la triade numpy - pandas - matplotlib. Altamente integrati tra loro, questi tre pacchetti soddisfano tutte le esigenze di analisi e visualizzazione dei dati, sostituendo più che degnamente gli enormi fogli Excel con centinaia di collegamenti che vanno velocemente fuori controllo. A questa configurazione base si possono poi aggiungere numerose altre librerie più specializzate, tra cui, ad esempio, scipy per le procedure di ottimizzazione o scikit-learn per classificazione e regressione (o - più pomposamente - per il machine learning).
Tutto questo può essere gestito tramite un normale editor di testo o l’interprete interattivo di Python, ma è probabilmente più comodo fare le prime analisi di un progetto attraverso un notebook, un’applicazione web che consente di mescolare codice, risultati, visualizzazioni e testi in un unico documento. Qui entra in gioco jupyter, progetto open source di notebook multi-linguaggio, che nell’ultima versione - JupyterLab - integra anche un terminale e vari plugin che lo rendono un vero e proprio ambiente web interattivo di sviluppo. Sebbene i notebook, estremamente versatili proprio per la capacità di integrare codice, testo e grafici in un unico documento, possano essere strumenti decisamente sofisticati in grado di generare un prodotto finito molto elegante, si prestano anche bene per le prime analisi esplorative e per costruire veloci prototipi di progetto, grazie all’immediatezza con cui in poche righe di codice si può caricare una tabella di dati, elaborarla e produrre qualche grafico a corredo.
Il problema dei notebook è che si prestano a uno stile di programmazione imperativo che rischia di produrre documenti “pasticciati” in caso di progetti più complessi e strutturati. Per questi ultimi, sono però disponibili strumenti che permettono di creare con relativa facilità delle vere e proprie applicazioni web in cui risulta più semplice separare parametri e algoritmi e strutturare in modo più funzionale il codice. Tra questi strumenti, citerei in particolare Streamlit che ho recentemente utilizzato per costruire una dashboard nella quale riunire tutti i task quotidiani in modo da avere un vero e proprio pannello di controllo delle attività ricorrenti nella mia giornata lavorativa. Quello che mi ha sorpreso di Streamlit è l’assoluta facilità con cui è stato possibile integrare elementi interattivi nel codice per costruire pagine web dinamiche; inoltre - ma questa è una caratteristica che condivide con molti altri pacchetti - come sia stato possibile costruire delle vere e proprie web app solo con Python2.
Ecco, in sintesi questo è il mio ambiente di lavoro dietro lo schermo. Peraltro, io sono un tipo curioso e ho provato diversi strumenti in questi anni, prima di arrivare a una configurazione più o meno stabile che ho cercato qui di descrivere. E non è detto che non troverò qualcosa di interessante anche domani, per cui cambierò qualcosa e avrò una scusa per tornare a parlarne.