股票量化交易開源系統

❶ 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。

❷ 目前市面上的量化交易平台做到了什麼程度

量化交易，從18世紀開始，金融投資的先驅已經開始探索各種不同的投資方法，經過多年的進化，已經嘗試了從價值分析、風險套利到日間交易等不同的方向。

---

在當前中國資本市場的變化中，定量投資作為一種新興的中國市場投資方式，是現代量化投資理論和數理統計方法的運用，在海大歷史數據的各種「能帶來超額收益的使用計算機技術的高概率事件制定一個模型驗證的數量策略和治療這些規則和策略，和固化的策略來指導投資的嚴格執行，為了獲得可持續的穩定，高於平均水平的超額收益。

❸ 如何評價微軟研究院開發的AI量化投資平台Qlib

雞肋。
Quantopian當年那麼火，Point72給他投資，Steve Cohen的資源給他用，今年還是倒閉了。原因是量化平台的盈利模式是有問題的，第一，它不專業，第二，因為不專業，用它的人不賺錢。Point72旗下的Cubist很賺錢，但Cubist不會把infra給Quantopian用，因為能賺錢的infra是稀缺資源。所以Quantopian的框架在專業人士看來非常業余。也正是因為業余，專業的人不用，業余的人用Quantopian的賺不了錢，因此無法和平台分成，所以這樣的平台無法盈利。
微軟的高管去量化界也有先例，微軟前COO Kevin Turner曾到Citadel Securities擔任CEO，但是沒有太大建樹，最終Griffin任命趙鵬，是趙鵬將CitSec發揚光大。
所以說，程序員在不懂套路的情況下，直接跨界去做投資，難度極大。不是因為程序員技術不行，主要是他們不懂投研體系。好的程序員只有在培訓以後才能成為好的QR。打個比方，James Simons何等樣人，他很早就想做股票，一群科學家一直不得要領，摸索了好幾年沒什麼進展，當時PDT和DE Shaw股票都比RenTech做得好得多。最後RenTech是靠PDT的前雇員把統計套利的策略框架做好，然後另一個既懂架構，又懂股票的程序員，把策略細節調好，才有了這么牛比的大獎章。
拿統計套利來說，談談為什麼微軟的這個QLib平台註定不行。統計套利類策略的核心是信號。怎麼從各種數據源里挖掘有意義的信號，如何檢驗信號的有效性，這些都是統計學的范疇。A股簡單的量價信號目前仍然很好用，只要是懂套路的機構，近兩年超額30個點沒什麼問題。可是美股做統計套利可沒這么容易，大部分簡單的量價信號都是沒用的，大獎章return on GMV也做不到10個點。成熟市場里，不了解市場就想挖一些信號是很難的。
模型上，有機器學習的程序員在調參上的確有一些優勢，但是label怎麼處理，feature怎麼engineering這種問題，一般人可能就找不到北了。
其他方面，風格怎麼控，演算法怎麼下單，這些都需要實戰經驗。不了解市場，想靠機器學習里一些fancy的演算法搞個印鈔機，太難。現在好多家私募都說深度學習多麼有用，的確會有點用，但是絕對沒有那麼神，事實上大家做得都差不多，不算很深，深度學習真要那麼有用，誰會到處說？量化這行，真正有用的東西，雖然最終都會被同行知道，但很少有人會在公開場合大說特說的。
綜上，量化策略涉及到統計、數據挖掘、交易、市場理解、機器學習等各個方面，光靠一套機器學習演算法庫，再加上一個優化器，就想攪動市場，沒這么容易的。

❹ 量化交易系統安裝簡單嗎

MIT協議是幾大開源協議中最寬松的一個，核心條款是：該軟體及其相關文檔對所有人免費，可以任意處置，包括使用，復制，修改，合並，發表，分發，再授權，或者銷售。唯一的限制是，軟體中必須包含上述版 權和許可提示。
這意味著：
1）你可以自由使用，復制，修改，可以用於自己的項目。
2）可以免費分發或用來盈利。
3）唯一的限制是必須包含許可聲明。
我們了解了它的功能和好處，解除了後顧之憂後，我們正式進入VN.PY的實操部分。在本篇文章，我們的目標是安裝並讓系統能做模擬實盤。
VN.PY的安裝分為5個步驟，這里以Windows環境為例，給大家一步一步進行演示。
一、安裝Anaconda
前面第三篇Python入門中，已經對Anaconda的安裝進行了講解，這里不再做重復。我們需要注意的是， 項目的運行環境必須為Python 2.7 32位版本（Python 3版本或者64位版本均無法使用），推薦的Anaconda版本為4.0.0。
安裝Anaconda時，除了選擇安裝目錄外，不建議進行任何其他的特別設置。 如果在安裝過程中出現一些異常情況（如提示Menu創建失敗、某個py文件最後無法寫入等），請安裝vcredist 2008和2010版本後再次嘗試（32位和64位版本一起安裝）。
二、安裝VCredist
Visual C++ Redistributable Packages for VS2013，簡稱vcredist，是使用VS2013開發的C++程序運行時所需的基礎庫環境。 vn.py項目的底層API介面封裝開發時使用的編譯環境為VS2013，因此需要安裝vcredist 2013 x86版本。
vn.py項目的底層API介面封裝開發時使用的編譯環境為VS2013，因此需要安裝vcredist 2013 x86版本。 下載時請選擇vcredist_x86.exe，並按照默認安裝即可。網路搜索"vcredist2013"，即可在微軟官網下載。

❺ 做量化交易選擇什麼語言好呢

量化交易，就是把人能夠識別的信息變成數字，輸入給計算機程序處理，輔助或者代替人類的思考和交易決策。

初學者碰到的第一個問題就是工具的選擇。首先大部分交易員本來不會寫程序，選擇任何一個語言進行策略開發，都有不小的學習成本。更重要的是，選擇了一門語言，接下來開發環境、人員招聘、數據介面與平台、甚至同類人群之間的交流、遇到問題後的支持，都跟著被「套牢」。所以從一開始就必須慎重對待。

先給出答案：對於還沒有確定一套固定量化環境的，建議用Python。

量化交易員面臨的大致選擇有：C/C++/java/C#/R/Matlab/excel等。我們從以下幾個方面考慮簡單做個對比。

注意：這里假設你團隊規模在50人以下。

1 學習成本和應用的廣泛性

C、C++的特點是速度最快，但要想用好，必須對計算機底層架構、編譯器等等有較好的理解，這是非計算機專業的人很難做到的，對於做量化交易來說更是沒有必要。

Java本來是SUN的商業產品，有學習成本和體系的限制，也不適合。

Excel面對GB級別的數據無能為力，這里直接排除。

Python、R和Matlab學起來都簡單，上手也快，可以說是「一周學會編程」。但R和Matlab一般只用來做數據處理，而Python作為一門強大的語言，可以做任何事，比如隨時寫個爬蟲爬點數據，隨時寫個網頁什麼的，更何況還要面對處理實時行情的復雜情況。

2 開始做量化分析後，哪個用起來碰到問題最少，最方便省事?

用歷史數據的回測舉例。假設我們有2014年所有股票的全年日線，現在我們想看看600001的全年前10個最高股價出現在什麼時候。python世界有個強大的pandas庫，所以一句話就解決問題：

dailybar[dailybar [『code』]==『600001』].sort_values([『close』].head(10)

R/Mathlab等科學語言也可以做到。

C/C++沒有完備的第三方庫。如果為了做大量的計算，要自己實現、維護、優化相應的底層演算法，是一件多麼頭疼的事。

Python從一開始就是開源的，有各種第三方的庫可以現成使用。這些底層功能庫讓程序員省去了「造輪子」的時間，讓我們可以集中精力做真正的策略開發工作。

3 現在我們更進一步，要做實時行情分析和決策

以A股的入門級L1數據為例，每3秒要確保處理完3000條快照數據，並完成相應的計算甚至下單。這樣的場景，C和C++倒是夠快了。所以行情軟體比如大智慧、同花順等客戶端都是使用高效率的語言做的，但像客戶端那樣的開發量，絕大部分量化交易機構沒能力也沒必要去做吧。

python的速度足夠對付一般的實時行情分析了。其底層是C實現的，加上很多第三方的C也是C實現，盡管其計算速度比不上原生C程序，但對我們來說是足夠啦。

4 quant離職了，他的研究成果怎麼辦

Python是使用人群最多、社區最活躍的語言之一，也是最受quant歡迎的語言之一。如果你是老闆，你能更容易地招聘到優秀人材，享受到python社區帶來的便利。

附幾個量化中常用的python庫：

- Pandas：

天生為處理金融數據而開發的庫。幾乎所有的主流數據介面都支持Pandas。Python量化必備。

- Numpy：

科學計算包，向量和矩陣處理超級方便

- SciPy：

開源演算法和數學工具包，與Matlab和Scilab等類似

- Matplotlib：

Python的數據畫圖包，用來繪制出各類豐富的圖形和報表。

PS: Python也是機器學習領域被使用最多的語言之一。像tensorflow、scikit-learn、Theano等等對python都有極好的支持。

❻ 對於量化投資，個人可以將模型接入交易平台嗎

用mt4/mt5這些開源交易系統的可以試試，其他的一般是封閉的平台總不會給自己挖坑
應該和EA類似吧？

❼ 量化交易落地終端與線上平台有什麼區別

量化交易落地終端與線上平台區別就是一個本地化終端平台，一個開源線上平台，
本地終端平台類似掘金量化交易平台，策略在本地終端運行，不容易被盜竊策略；
線上開源平台你需要把自己策略放到線上平台才能跑策略，如果平台沒有自律，你的策略很容被盜取。
綜合來說就是策略安全性的問題。

❽ 支持Tick級別的量化平台有哪家

開源交易平台開發框架 入門Python方便使用 vn.py學習建議 1.目前中文教程大多停留在2.5的版本上，所以如果英語很差（又沒有編程基礎）最好從這里開始。而且目前並非所有的模塊，錯，是大多數 模塊 都不支持3.X。 國內前景就是，你可以獨立完成XXXX就牛逼。 3.X舍棄了向下兼容性，立志把Python做的盡善盡美，但是各個 模塊 的更新情況不太樂觀。（怎麼的也得3-5年吧） 2.Python 涉及的面比較廣，其實任何語言都是，可以做所有的事情，就是各自的語言特點決定這種語言做這個方面適合與否。 3.Python 適合用於快速開發，解釋性語言導致了運行效率比較低，但是開發速度相對於其他語言卻很高。 參考資料 https://..com/question/366176601130279212.html.網路知道[引用時間2018-3-28]