python期貨回測

❶ 誰有python寫的股市策略回測系統的源碼

首先十年的日級別數據量的確不大，使用Python來說的話不應該出現memoryerror，應該是在編程方面需要再多留意，我們在Ricequant上使用的分鍾數據大概是200-300個GB左右，也是Python和Java共同合作完成的。 語言只是一個語言，興許會有各種語法的...

❷ 量化策略一般用什麼平台回測分別有什麼優劣勢

盈時量化策略回測平台，不會編程也能玩轉量化。

盈時「策略機器人」集策略智能生成、策略評估、篩選優化、批量生成等功能於一體的互動式策略生成平台。平台以計算機智能生成演算法為核心，使用了機器學習、模式識別、統計學、可視化技術等人工智慧技術，包含策略構建模塊、混編計算模塊、策略績效優化模塊等組件，在策略優化方面使用了高效的遺傳編程與NSGA-II等演算法，進而充分利用CPU多核心性能，實現多進程同步高效生成策略。

語言：Python

適用人群：期貨投資者（有無編程基礎都可）

資料庫：期貨

回測用時：需要排隊分鍾記

支持的功能：支持將策略使用在交易開拓者的平台，屬於實盤交易。策略給出建議，但需要自己手動確定進行買賣。

自動生成策略原理與簡介：通過設置參數，運用機器學習的方法，一鍵生成源碼策略。

備註：國內首個利用深度學習的人工智慧量化平台，不懂編程也能做量化。

盈時，專注於為客戶提供高品質的量化交易技術咨詢服務和領先的量化交易產品，是一家從事金融數據分析、金融軟體開發、程序化交易演算法與交易策略研究等業務的科技公司。

❸ 選股策略回測用matlab好還是用python好

我沒錢，支持免費開源

拋開版權不說，初期入手策略測試、數據分析用matlab非常方便
但是策略測試方法、框架弄清楚後，要做正規的回測，還是Python方便，這里的正規是指嚴格的事件流驅動，雖然速度慢，但是避免未來函數影響、接近實盤的邏輯。
Python在這方面已經有很多庫了，quantopian的zipline應該算鼻祖了，國內的優礦網和ricequant都跟zipline很像，另外還有知乎大神的zn.py，PyAlgoTrade等

❹ 用Python 做策略回測，耗時很長，有什麼加速辦法

少用for，盡量用numpy/pandas的向量化方法。 少用自己寫的python方法，先看看numpy /pandas是不是已有現成的功能。 有幾個numpy 的加速包，比如numexpr. 安裝Intel MKL. 最後，可以講關鍵部分用c/c++實現。 如果無法避開python的for，建議使用Numba來提速，理想情況下可以達到和numpy向量化差不多的速度。

❺ 有沒有基於python pandas的回測框架

本地運行：
Quantopian開源的zipline可以，但是本地的回測程序，做美股研究可以，但是A股不適合。

線上運行：
想線上回測美股可以使用Quantopian，不過有時鏈接不是很穩定；
因為A股獨特的交易機制，使得沒有一款本地可以運行回測的python包。一、你可以到JoinQuant聚寬量化交易平台，他們自己寫的A股回測框架，還提供處理好的數據，這一點非常好，省去了自己數據清洗的過程。除了A股還有基金期貨的數據，可以做個輪動，對沖等等。二、就是自己寫回測框架，優點是靈活，自己隨意改，缺點就是需要一定的編程基礎。

總結：
JoinQuant和Quantopian數據都可以取到DataFrame格式的，並且都提供notebook以及回測模式，回測研究都可以在線完成。

❻ 用 Python 做策略回測，耗時很長，有什麼加速辦法

一個好的計算邏輯是很重要的啊，比如你去計算一個式子的時候，你去分析千百遍也不如你有一個好的運算方法。計算的時候一定要准備好計算方法，別的計算方法一定要統一規劃。

使用計算機的時候能用計算機交易，這樣能夠克服你的暴躁的情緒。構建屬於自己交易的水準，還有一些措施就是你要去看那些引導文檔，不要自己去摸索。要有自己的專業的知識。

❼ python 回測用什麼包

初期入手策略測試、數據分析用matlab非常方便 但是策略測試方法、框架弄清楚後，要做正規的回測，還是Python方便，這里的正規是指嚴格的事件流驅動，雖然速度慢，但是避免未來函數影響、接近實盤的邏輯！

❽ 有沒有基於python pandas的回測框架

關鍵詞：開源、python/pandas、易學方便、可以並行、參數優化、事件驅動、亞ms速度、持續維護、支持股票/期貨等
介紹：
在事件驅動的回測框架中，引擎逐個讀取Bar或Tick並處理。數據採集模塊生成市場數據事件，流經策略模塊（Strategy類）產生交易信號，資產組合模塊根據策略信號，並結合風險管理來判斷是否委託下單，模擬的交易所根據滑點、手續費狀況等返回成交結果。
使用XQuant後，大部分時候我們不需要關心底層是如何處理的，只需要在Strategy類中完成從數據到信號的處理即可，這有利於我們快速開發策略。
詳細見Github，歡迎star、issue，PR。
【Update】結合其他回答有必要更新一下，供大家參考：
明晰兩個問題：
1）事件驅動在大部分時候都是必須的，盡量去模擬真實交易過程中的數據播放過程，避免引入未來函數等，機器學習的feature之類可以預先算好存起來；
2）pandas用來I/O，內部的數據結構還是用python自帶的，這樣達到0.1ms/條的數據處理還是挺容易的，如果還是嫌速度慢，可以利用多核優勢，並行運算。

❾ python回測系統 模擬回測 最簡單量化回測系統有哪些支持期貨和股票

github上有一個jdhc簡單回測 是用python寫的比較簡單，需要設置些參數。

❿ python量化哪個平台可以回測模擬實盤還不要錢

Python量化投資框架：回測+模擬+實盤
Python量化投資 模擬交易 平台 1. 股票量化投資框架體系 1.1 回測 實盤交易前，必須對量化交易策略進行回測和模擬，以確定策略是否有效，並進行改進和優化。作為一般人而言，你能想到的，一般都有人做過了。回測框架也如此。當前小白看到的主要有如下五個回測框架： Zipline ：事件驅動框架，國外很流行。缺陷是不適合國內市場。 PyAlgoTrade ： 事件驅動框架，最新更新日期為16年8月17號。支持國內市場，應用python 2.7開發，最大的bug在於不支持3.5的版本，以及不支持強大的pandas。 pybacktest ：以處理向量數據的方式進行回測，最新更新日期為2個月前，更新不穩定。 TradingWithPython：基於pybacktest，進行重構。參考資料較少。 ultra-finance：在github的項目兩年前就停止更新了，最新的項目在谷歌平台，無奈打不開網址，感興趣的話，請自行查看吧。 RQAlpha：事件驅動框架，適合A股市場，自帶日線數據。是米筐的回測開源框架，相對而言，個人更喜歡這個平台。 2 模擬 模擬交易，同樣是實盤交易前的重要一步。以防止類似於當前某券商的事件，半小時之內虧損上億，對整個股市都產生了惡劣影響。模擬交易，重點考慮的是程序的交易邏輯是否可靠無誤，數據傳輸的各種情況是否都考慮到。 當下，個人看到的，喜歡用的開源平台是雪球模擬交易，其次是wind提供的模擬交易介面。像優礦、米筐和聚寬提供的，由於只能在線上平台測試，不甚自由，並無太多感覺。 雪球模擬交易：在後續實盤交易模塊，再進行重點介紹，主要應用的是一個開源的easytrader系列。 Wind模擬交易：若沒有機構版的話，可以考慮應用學生免費版。具體模擬交易介面可參看如下鏈接：http://www.dajiangzhang.com/document 3 實盤 實盤，無疑是我們的終極目標。股票程序化交易，已經被限制。但對於萬能的我們而言，總有解決的辦法。當下最多的是破解券商網頁版的交易介面，或者說應用爬蟲爬去操作。對我而言，比較傾向於食燈鬼的easytrader系列的開源平台。對於機構用戶而言，由於資金量較大，出於安全性和可靠性的考慮，並不建議應用。 easytrader系列當前主要有三個組成部分： easytrader：提供券商華泰/傭金寶/銀河/廣發/雪球的基金、股票自動程序化交易，量化交易組件 easyquotation : 實時獲取新浪 / Leverfun 的免費股票以及 level2 十檔行情 / 集思路的分級基金行情 easyhistory : 用於獲取維護股票的歷史數據 easyquant : 股票量化框架，支持行情獲取以及交易 2. 期貨量化投資框架體系 一直待在私募或者券商，做的是股票相關的內容，對期貨這塊不甚熟悉。就根據自己所了解的，簡單總結一下。 2.1 回測 回測，貌似並沒有非常流行的開源框架。可能的原因有二：期貨相對股票而言，門檻較高，更多是機構交易，開源較少； 去年至今對期貨監管控制比較嚴，至今未放開，只能做些CTA的策略，另許多人興致泱泱吧。 就個人理解而言，可能wind的是一個相對合適的選擇。 2.2 模擬 + 實盤 vn.py是國內最為流行的一個開源平台。起源於國內私募的自主交易系統，2015年初啟動時只是單純的交易API介面的Python封裝。隨著業內關注度的上升和社區不斷的貢獻，目前已經一步步成長為一套全面的交易程序開發框架。如官網所說，該框架側重的是交易模塊，回測模塊並未支持。 能力有限，如果對相關框架感興趣的話，就詳看相關的鏈接吧。個人期望的是以RQAlpha為主搭建回測框架，以雪球或wind為主搭建模擬框架，用easy系列進行交易。