前言

金融时间序列数据是金融中最重要的数据类型之一。例如，股票价格随时间的变化代表金融时间序列数据。同样地，欧元/美元汇率随着时间的推移代表了一个金融时间序列; 汇率以短暂的时间间隔报价，然后这些报价的集合是汇率的时间序列。

如果在金融中不考虑时间因素的影响，那结果/结论的可靠性和有效性可能要大打折扣。Python中处理时间序列数据的主要工具是pandas。实际上，pandas就是其主要的开发者Wes McKinney在大型对冲基金AQR Capital Management担任分析师时开始开发的。几乎可以肯定地说，pandas在设计之初就充分考虑了处理金融时间序列数据。

其实我对经济更来电一些，但是柴米油盐是经济，琴棋书画也是经济，还是专注一点。对金融怎么说呢？感觉很复杂，感情也很复杂。当然了不管怎么说，都还是迈出了第一步。既然如此，就要扎实一些。

两本参考书

金融的知识懂一些，Python的也懂一些，两个凑一块的，不太懂了。好在有人懂啊，找了两本书，巧了名字大差不离：

如果我们以2007年第一代iPhone横空出世那一年（也是我考上大学的那一年😊）为原点，十多年来信息及通信技术（ICT）的发展可谓是一日千里，令人瞠目结舌:3G、4G、5G、大数据、云计算、区块链、人工智能、物（车）联网、无人驾驶……各种新鲜事物已经飞入寻常百姓家，改变了各类产业形态，催生了许多崭新的商业模式，深刻地改变了人的生活、工作甚至思维等方方面面。

而在这其中，金融的数字化转型和新一轮的汽车产业革命就是不能忽视的两个关键领域。

金融保险业的数字化转型

前言

巨灾模型是巨灾风险管理中不可或缺的重要工具，近年来，随着开源力量的不断重大，开源巨灾模型也逐渐成为一支不可忽视的重要力量，本文与前两篇一道，对最新的开源巨灾模型动态（2019年3月）进行简要回顾。

GEM组织介绍

基本情况

GEM（Global Earthquake Model）成立于2009年，是一家全球性的地震危险性分析和地震风险评估的非营利组织，总部位于意大利Pavia。

背景

巨灾风险管理愈发重要

近年来，受全球气候变化、自然环境破坏等因素影响，世界各国自然灾害的强度不断增大、频率日益增加；另一方面，随着经济总量的增长和人类活动范围的扩大，自然灾害对经济社会的影响也越发突出，巨灾损失规模连连创造历史记录。由于巨灾事件的严重破坏性和灾后重建占用大量资源严重影响社会经济发展，世界各国都对巨灾风险管理开展研究，并逐步建立各自的巨灾风险管理制度。

引言

Mapbox已经成为移动地图和数据可视化的代名词。除了已经广泛被程序开发人员和制图师所使用的底图样式工具集以外，他们还提供了Python和JavaScript编写的绘图工具。

通过将这两种语言组合在一个包中，Mapbox发布了新的"MapboxGL-Jupyter" Python模块，允许在Jupter Notebook环境中创建数据即时可视化。此外，Mapbox还提供了允许API访问帐户服务的Mapbox Python SDK。

引言

本文将介绍ArcGIS的Python API，以及ArcGIS API的安装、使用和分析等。ArcGIS API for Python是一个用于处理地图和地理空间数据的Python库。我们可以用conda在本地安装API，然后与Esri的云GIS进行交互（无论是ArcGIS Online(SaaS)还是Portal for ArcGIS(为组织部署本地私有云)）。ArcGIS API能够配合Jupter使用，为使用Python脚本进行基于网络的地图分析提供了现代化的解决方案。

ArcGIS API for Python和ArcGIS Online介绍

引言

前面已经介绍了如何安装PostGIS、创建数据表、添加数据并执行基本的空间查询。我们将在此基础上进一步学习如何使用地理空间数据库进行分析和地图可视化。我们将采用美国新墨西哥州Albuquerque的犯罪数据作为例子完成一系列的分析和图表报告。

具体而言，在这篇Notebook里，我们打算创建一个关于犯罪的仪表盘（crime dashboard），大概可以分为三步：

引言

前面我们已经介绍了GIS中的矢量数据以及如何用Python中的软件包进行数据的读写分析等操作。那么，这篇文章则针对GIS中另一大类数据——栅格数据给予类似的介绍，主要用到的工具是GDAL和PostgreSQL。

GDAL操作栅格数据