1.1 设计的目的和意义

伴随着互联网的发展与移动应用的普及，互联网金融得到了长足的发展，伴随而来的是规模巨大的数据。据中国计算机学会（CCF）公布的一项调查显示，金融业在使用大数据方面排在了第二位。当前金融领域中商业银行、证券公司、保险公司以及其他的日常运作对实时交易的数量庞大有着推波助澜的作用，每一个金融机构都需要辅以大量的历史数据来支持决策。同时，大数据的潜在价值对金融领域而言是显著的，大数据改变了当前信息结构，允许金融机构收集和分析客户数据^[1]。因而，金融从业者要通过数据挖掘、大数据分析获取有价值的信息，完成精准营销，进而降低营销成本，提高业绩。这时，一项重要的工作就是进行数据采集、处理和分析。

近年来，Python在金融数据采集、处理分析方面的应用越来越广泛，而金融大数据多为关系式数据库（如SqlServer，MySQL等）。本课题将建立一个标准、通用、灵活的模型框架，使得Python编写的金融模型可以作为可拔插的组件在一个统一的框架下发挥作用，并且享有与数据库交互的便利机制。

通过建立一个灵活通用的金融模型框架，可以让金融从业者降低学习成本，提高学习效率，更好的完成金融大数据的采集、处理和分析工作。

1.2 国内外研究现状

近年来，以大数据为基础的线上金融服务开始渗透到传统金融业务中，在我国金融服务领域占据的地位越来越重要。其中，基于大数据技术的支付宝业务、众筹和移动支付等已经成为人们日常生产经营活动中不可或缺的一部分。同时，国内的电子商务平台利用其巨大的数据资源，依托大数据的核心技术优势，开始抢占传统金融行业的领地，不断进行金融创新，逐步成为我国金融领域中的新势力。从2012年开始，基于大数据的金融业务开始崭露头脚，产生了大量的网络金融数据。2013年更是互联网数据的爆发期，阿里巴巴的余额宝业务吸金量达到了1850亿，而腾讯也不甘示弱，开发了基于微信、QQ等即时通讯业务的支付方式，各种P2P网络贷款、基金公司几乎全部在网络上开展自己的业务，互联网上的各种“宝”类收益产品远远高出了传统银行的存款利率，马年的微信抢红包更是将互联网金融推向了一个高潮。同时，为了适应时代的发展和业务的需求，以银行为代表的传统金融行业也都在加快产业升级和运营模式的转变，利用前期积累的数据资源优势，依托大数据技术开始建立自己的网络金融服务平台，提高自身的竞争力^[2]。

随着自动化技术的出现，科技最终成为杰出的金融机构、银行、保险和投资公司、股票交易公司、对冲基金、券商等公司的一部分。根据2013年的Crosman 报告，与2013年相比，银行和金融公司2014年在科技上的花费要高出4.2%。预计在2020年，一年的金融服务的技术成本将达到5亿美元。正值系统需要维护和不断升级的时候，一些著名的银行雇佣一些开发者是很正常的事情。在金融开发的应用的各种语言中，Python可以很实现那些金融算法和数学计算，每个数学语句都能转变成一行Python代码，每行允许超过十万的计算量。

Python精通于计算，以及数学和科学中的排列组合问题。Python的第二个特性是表示数字，序列和算法。比如SciPy库，很适合用来做技术领域和科学领域的计算，SicPy库被很多工程师，科学家和分析人员使用。NumPy也是Python的一个扩展，它可以很好地处理数学函数，数组和矩阵。同时，Python也支持严格的编码模式，而且Python语法的精确和简洁，以及它大量宝贵的第三方工具使它成为处理金融行业的错综复杂的事务的唯一可靠的选择。

Cititec（英格兰伦敦的职业介绍所）的技术招聘经理Stephen Grant说：跨市场风险管理和交易系统都在使用Python（有时会混合使用c ），很多银行从建立银行的前端到资产风险系统都会选择使用 Python。使用Python的金融公司包括荷兰银行，德国证券交易所集团，Bellco信用社，摩根大通以及阿尔蒂斯投资管理^[3]。