Därför kör investmentbanker sina handelssystem på Python

Python blev standardspråket för kvantitativ finans för att det löser bankernas verkliga problem: att testa en handelsidé eller prissätta ett derivat på timmar istället för dagar. Det handlar inte om att Python är snabbast att köra, för det är det inte. Det handlar om att det är snabbast att skriva. Antalet finansjobb som nämner Python i annonserna tredubblades på bara två år, från runt 270 till över 800 mellan 2022 och 2024. Så här ser resonemanget ut när en bank väljer verktyg.

En quant vill prova tio idéer på en dag, inte en

Kärnan i kvantitativ finans är att testa hypoteser mot data. En analytiker har en teori om att en viss momentum-regel ger avkastning, backtestar den mot historiska priser och ser om den håller. De flesta idéer håller inte. Det betyder att värdet i ett verktyg ligger i hur snabbt du kan förkasta en dålig idé och gå vidare till nästa.

Python passar det arbetssättet nästan perfekt. Syntaxen är läsbar och koncis, vilket gör att en modell kan skrivas och köras på en förmiddag. Jämför med C++, där samma prototyp kräver mer boilerplate, manuell minneshantering och längre kompilering innan du ens ser ett resultat. Skillnaden märks direkt när du behöver iterera hundra gånger.

Det räcker med att förstå grundprincipen: en quant är en forskare som råkar arbeta med pengar. Forskning handlar om att prova, mäta och kasta bort. Python optimerar för just den cykeln, medan äldre lågnivåspråk optimerar för exekveringshastighet, vilket är en helt annan sak.

Biblioteken gör att ingen behöver bygga matematiken själv

Den verkliga anledningen till att Python vann är inte språket i sig, utan allt som redan är byggt runt det. En bank som väljer Python får ett färdigt vetenskapligt ekosystem på köpet.

NumPy hanterar vektor- och matrisoperationer, vilket är precis vad du behöver för Monte Carlo-simuleringar av tillgångspriser och för att räkna portföljrisk med linjär algebra. Pandas har i över ett decennium varit standarden för tidsserier, alltså den datatyp som all finansdata består av: priser, räntor och volatiliteter över tid. Ovanpå det ligger SciPy för optimering och sannolikhetsfördelningar, statsmodels för statistisk modellering och scikit-learn för den klassiska maskininlärning som många kvantstrategier bygger på.

Poängen är att ingen på skrivbordet behöver implementera en optimerare eller en integrationsrutin från grunden. Det jobbet är redan gjort, testat och underhållet av en community som sträcker sig från hobbyutvecklare till forskare på de mest välfinansierade universiteten, en bredd som ett internt, specialbyggt språk aldrig kan konkurrera med. Historisk data finns dessutom tillgänglig långt tillbaka, svenska börsdata från 1870-talet och räntor ända från 1850-talet, vilket ger något att backtesta mot.

Python är långsamt när koden faktiskt körs

En loop i ren Python kan vara tiotals gånger långsammare än motsvarande i C++. På en marknad där order matchas i mikrosekunder är det en dealbreaker och det är exakt därför Python aldrig tog över den delen.

Lösningen bankerna landade i är en hybrid. Python används som orkestrerings- och modelleringslager, alltså där människor tänker och experimenterar, medan den prestandakritiska exekveringen ligger i Rust eller C++. En low-latency-motor som ska skicka tusentals order per sekund skrivs inte i Python men strategin som bestämmer vad motorn ska göra utvecklas där. Det är precis det som händer när ett verktyg får dominera ett lager utan att göra anspråk på alla.

En del av tunga beräkningar flyttar också bort från Pandas. För dataset i terabyteklassen har Polars, byggt i Rust, blivit alternativet när Pandas blir för långsamt. Samma mönster återkommer: behåll Pythons gränssnitt, byt ut den underliggande motorn mot något snabbare.

Buy-side och sell-side använder samma språk till olika saker

Att både hedgefonder och storbanker landat i Python betyder inte att de gör samma sak med det. På buy-side, hos hedgefonder, används Python främst för att bygga alphamodeller, alltså strategier som ska slå marknaden. På sell-side, hos investmentbankerna, ligger tyngdpunkten på att prissätta exotiska derivat, där numerisk integration och sannolikhetsfördelningar gör grovjobbet.

Samtidigt kör retail-traders automatiserad handel på hemmadatorn med i princip samma bibliotek. Att en enskild person och en global bank kan använda överlappande verktyg säger något om hur brett ekosystemet blivit.

Just den bredden förstärker sig själv. När alla från nybörjare till institutionella aktörer använder samma stack blir dokumentationen bättre, buggarna hittas snabbare och de finansspecifika biblioteken underhålls aktivt. Det är samma självförstärkande logik som gör att en stor gemensam infrastruktur ofta slår många små separata lösningar.

Ett vanligt gränssnitt bakom en snabb kärna

Något som sällan syns utåt är hur datan faktiskt flyttas runt. Python serialiserar objekt till disk med pickle, medan de riktigt stora time-series-databaserna i handelssystem ofta ligger i specialbyggda system som kdb+. Python fungerar då som det bekväma lagret ovanpå, det som analytikern skriver frågor i, snarare än den motor som lagrar varje tick.

Det säger ganska mycket om varför språket fäste. Python behövde aldrig vara bäst på lagring, prissättningsexekvering eller latens. Det behövde bara vara det ställe där människor tänker och sedan koppla in de snabba delarna där det krävdes.

FAQ

Är Python verkligen bättre än C++ för finans?

Inte för allt. C++ vinner tydligt där hastighet avgör, som i low-latency-handel där order matchas i mikrosekunder. Python vinner där utvecklingshastighet och läsbarhet betyder mest, vilket är modellering, analys och prototypering. De flesta banker använder båda och låter varje språk göra det det är bäst på.

Vilka Python-bibliotek bör man kunna för quant-jobb?

Grundstacken är NumPy för numerik, Pandas för tidsserier, SciPy för optimering och statistik, plus scikit-learn för maskininlärning. Kan du de fyra klarar du en stor del av det praktiska arbetet. För storskalig databehandling är Polars värt att lära sig som ett snabbare alternativ till Pandas.

Behöver man vara matematiker för att jobba med kvantitativ finans?

Ja, i praktiken. Python är verktyget men innehållet är statistik, sannolikhetslära och linjär algebra. Språket sänker tröskeln för att uttrycka matematiken i kod men det ersätter inte förståelsen för modellerna. Det är därför de tyngsta rollerna fortfarande går till personer med stark matematisk bakgrund.

Räcker det att lära sig Python för att börja med automatiserad handel?

För att bygga och backtesta enkla strategier på egen hand, ja. Samma bibliotek som hedgefonder använder är öppen källkod och gratis. Skillnaden mot en bank ligger i datakvalitet, exekveringshastighet och kapital, inte i tillgången till själva verktygen.

Nästa steg för den som vill förstå fältet är inte fler bibliotek, utan mer statistik. Python öppnar dörren men det är matematiken bakom modellerna som avgör om en strategi håller när den möter riktiga pengar.