本文将会简单地介绍四款目前广泛应用于会计金融实证研究领域的常用统计软件和编程语言，并且讨论怎样搭配他们，才能够便于会计金融的实证研究，提高coding效率。
介绍
会计金融的实证研究涉及到的常用统计软件或者编程语言有这么些:Stata
常用统计软件，用的人非常多，用户占比应该是经济学的人最多。界面友好，软件也很轻巧，初学者基本很快能够上手。有人既用stata清理数据，也用stata跑回归，基本上都能胜任。stata的另一大优势是，很多前沿统计方法都能够在这里找到。但是stata数据管理能力不够强(相比较SAS而言)，数据量很大的时候跑起来也非常慢。SAS
强大的数据管理和统计软件，用户也很多，而且是很多官方唯一认可的统计软件。例如FDA只认可SAS提交的数据；很多大银行的业务模块也是由SAS构建。当然，官方很多时候是因为怕出事，出事了可以甩锅。因此，SAS是非常可靠、稳定的，但是相对而言就有一些庞大，而且订阅费很贵。SAS可以使用SQL语言进行数据管理，这也是它强大的一个原因。数据量很大的时候，SAS也不惧。R
R语言也有很多人在用，但是私以为会计金融用的人应该没有前两个那么多，主要用户群体应该是统计的人。R好在开源，不用付费，同样非常轻巧。很大的问题在于，数据一大，就比较麻烦。另外，因为开源，使用R的很多包跑出来的结果可靠性存疑。一方面，包本身是否可靠，另一方面，使用者有时候不完全明白这个包是怎么运作的。Python
最近几年很火的编程语言，也是语法简单，容易入门的一款编程语言。现在越来越多会计金融的人都在用python，因为很多人在做文本分析，机器学习等等，这些东西的很多包都可以在python里找到。Python对于非CS科班出身的会计金融研究人员很友好，我们可以大大丰富研究边界，稍加学习就可以玩得溜。另外，因为开源，所以包也很多。
怎样搭配
我自己的搭配是这样的：用SAS进行数据清理，用Stata进行统计、回归分析，用Python处理文本分析、数据爬取等等前面两个实现不了的数据准备工作，以及实现一些fancy的功能，比如前面提到的机器学习。
用SAS进行数据清理的理由如下：SAS有完美的WRDS支持：数据格式、现成的宏、实例代码，都是SAS格式；还可以方便的使用WRDS的云端计算；遇到问题后可以跟WRDS联系解决；
运算能力强大，数据管理优势：数据量很大的时候，SAS是最适合的选择。
用Stata进行统计和回归分析的理由如下：完美的输出体验：所有的结果都是要输出的，高效完美的输出格式不会让你浪费时间在格式调整上；
支持前沿的统计方法：很多前沿统计方法都能够在Stata上找到。
用Python的理由：
没有理由，前面两个干不了，或者没python“多快好省”。
好的，强行给几个理由：会计金融的实证研究，已经完全变成了拼谁的data更加unique的地步；为了获取到新的data，你说你不会爬数据，说的过去吗？
众所周知，商科是非常fancy的，堂堂商科，不搞一搞文本分析，自然语言处理，神经网络模型，说不过去吧？那么，python是低成本的实现方式。
That's all. 点赞 关注 收藏 三连的人，JoF RFS JFE JAE JAR TAR 必中其一 lol
