python期货回测

❶ 谁有python写的股市策略回测系统的源码

首先十年的日级别数据量的确不大，使用Python来说的话不应该出现memoryerror，应该是在编程方面需要再多留意，我们在Ricequant上使用的分钟数据大概是200-300个GB左右，也是Python和Java共同合作完成的。 语言只是一个语言，兴许会有各种语法的...

❷ 量化策略一般用什么平台回测分别有什么优劣势

盈时量化策略回测平台，不会编程也能玩转量化。

盈时“策略机器人”集策略智能生成、策略评估、筛选优化、批量生成等功能于一体的交互式策略生成平台。平台以计算机智能生成算法为核心，使用了机器学习、模式识别、统计学、可视化技术等人工智能技术，包含策略构建模块、混编计算模块、策略绩效优化模块等组件，在策略优化方面使用了高效的遗传编程与NSGA-II等算法，进而充分利用CPU多核心性能，实现多进程同步高效生成策略。

语言：Python

适用人群：期货投资者（有无编程基础都可）

数据库：期货

回测用时：需要排队分钟记

支持的功能：支持将策略使用在交易开拓者的平台，属于实盘交易。策略给出建议，但需要自己手动确定进行买卖。

自动生成策略原理与简介：通过设置参数，运用机器学习的方法，一键生成源码策略。

备注：国内首个利用深度学习的人工智能量化平台，不懂编程也能做量化。

盈时，专注于为客户提供高品质的量化交易技术咨询服务和领先的量化交易产品，是一家从事金融数据分析、金融软件开发、程序化交易算法与交易策略研究等业务的科技公司。

❸ 选股策略回测用matlab好还是用python好

我没钱，支持免费开源

抛开版权不说，初期入手策略测试、数据分析用matlab非常方便
但是策略测试方法、框架弄清楚后，要做正规的回测，还是Python方便，这里的正规是指严格的事件流驱动，虽然速度慢，但是避免未来函数影响、接近实盘的逻辑。
Python在这方面已经有很多库了，quantopian的zipline应该算鼻祖了，国内的优矿网和ricequant都跟zipline很像，另外还有知乎大神的zn.py，PyAlgoTrade等

❹ 用Python 做策略回测，耗时很长，有什么加速办法

少用for，尽量用numpy/pandas的向量化方法。 少用自己写的python方法，先看看numpy /pandas是不是已有现成的功能。 有几个numpy 的加速包，比如numexpr. 安装Intel MKL. 最后，可以讲关键部分用c/c++实现。 如果无法避开python的for，建议使用Numba来提速，理想情况下可以达到和numpy向量化差不多的速度。

❺ 有没有基于python pandas的回测框架

本地运行：
Quantopian开源的zipline可以，但是本地的回测程序，做美股研究可以，但是A股不适合。

线上运行：
想线上回测美股可以使用Quantopian，不过有时链接不是很稳定；
因为A股独特的交易机制，使得没有一款本地可以运行回测的python包。一、你可以到JoinQuant聚宽量化交易平台，他们自己写的A股回测框架，还提供处理好的数据，这一点非常好，省去了自己数据清洗的过程。除了A股还有基金期货的数据，可以做个轮动，对冲等等。二、就是自己写回测框架，优点是灵活，自己随意改，缺点就是需要一定的编程基础。

总结：
JoinQuant和Quantopian数据都可以取到DataFrame格式的，并且都提供notebook以及回测模式，回测研究都可以在线完成。

❻ 用 Python 做策略回测，耗时很长，有什么加速办法

一个好的计算逻辑是很重要的啊，比如你去计算一个式子的时候，你去分析千百遍也不如你有一个好的运算方法。计算的时候一定要准备好计算方法，别的计算方法一定要统一规划。

使用计算机的时候能用计算机交易，这样能够克服你的暴躁的情绪。构建属于自己交易的水准，还有一些措施就是你要去看那些引导文档，不要自己去摸索。要有自己的专业的知识。

❼ python 回测用什么包

初期入手策略测试、数据分析用matlab非常方便 但是策略测试方法、框架弄清楚后，要做正规的回测，还是Python方便，这里的正规是指严格的事件流驱动，虽然速度慢，但是避免未来函数影响、接近实盘的逻辑！

❽ 有没有基于python pandas的回测框架

关键词：开源、python/pandas、易学方便、可以并行、参数优化、事件驱动、亚ms速度、持续维护、支持股票/期货等
介绍：
在事件驱动的回测框架中，引擎逐个读取Bar或Tick并处理。数据采集模块生成市场数据事件，流经策略模块（Strategy类）产生交易信号，资产组合模块根据策略信号，并结合风险管理来判断是否委托下单，模拟的交易所根据滑点、手续费状况等返回成交结果。
使用XQuant后，大部分时候我们不需要关心底层是如何处理的，只需要在Strategy类中完成从数据到信号的处理即可，这有利于我们快速开发策略。
详细见Github，欢迎star、issue，PR。
【Update】结合其他回答有必要更新一下，供大家参考：
明晰两个问题：
1）事件驱动在大部分时候都是必须的，尽量去模拟真实交易过程中的数据播放过程，避免引入未来函数等，机器学习的feature之类可以预先算好存起来；
2）pandas用来I/O，内部的数据结构还是用python自带的，这样达到0.1ms/条的数据处理还是挺容易的，如果还是嫌速度慢，可以利用多核优势，并行运算。

❾ python回测系统 模拟回测 最简单量化回测系统有哪些支持期货和股票

github上有一个jdhc简单回测 是用python写的比较简单，需要设置些参数。

❿ python量化哪个平台可以回测模拟实盘还不要钱

Python量化投资框架：回测+模拟+实盘
Python量化投资 模拟交易 平台 1. 股票量化投资框架体系 1.1 回测 实盘交易前，必须对量化交易策略进行回测和模拟，以确定策略是否有效，并进行改进和优化。作为一般人而言，你能想到的，一般都有人做过了。回测框架也如此。当前小白看到的主要有如下五个回测框架： Zipline ：事件驱动框架，国外很流行。缺陷是不适合国内市场。 PyAlgoTrade ： 事件驱动框架，最新更新日期为16年8月17号。支持国内市场，应用python 2.7开发，最大的bug在于不支持3.5的版本，以及不支持强大的pandas。 pybacktest ：以处理向量数据的方式进行回测，最新更新日期为2个月前，更新不稳定。 TradingWithPython：基于pybacktest，进行重构。参考资料较少。 ultra-finance：在github的项目两年前就停止更新了，最新的项目在谷歌平台，无奈打不开网址，感兴趣的话，请自行查看吧。 RQAlpha：事件驱动框架，适合A股市场，自带日线数据。是米筐的回测开源框架，相对而言，个人更喜欢这个平台。 2 模拟 模拟交易，同样是实盘交易前的重要一步。以防止类似于当前某券商的事件，半小时之内亏损上亿，对整个股市都产生了恶劣影响。模拟交易，重点考虑的是程序的交易逻辑是否可靠无误，数据传输的各种情况是否都考虑到。 当下，个人看到的，喜欢用的开源平台是雪球模拟交易，其次是wind提供的模拟交易接口。像优矿、米筐和聚宽提供的，由于只能在线上平台测试，不甚自由，并无太多感觉。 雪球模拟交易：在后续实盘交易模块，再进行重点介绍，主要应用的是一个开源的easytrader系列。 Wind模拟交易：若没有机构版的话，可以考虑应用学生免费版。具体模拟交易接口可参看如下链接：http://www.dajiangzhang.com/document 3 实盘 实盘，无疑是我们的终极目标。股票程序化交易，已经被限制。但对于万能的我们而言，总有解决的办法。当下最多的是破解券商网页版的交易接口，或者说应用爬虫爬去操作。对我而言，比较倾向于食灯鬼的easytrader系列的开源平台。对于机构用户而言，由于资金量较大，出于安全性和可靠性的考虑，并不建议应用。 easytrader系列当前主要有三个组成部分： easytrader：提供券商华泰/佣金宝/银河/广发/雪球的基金、股票自动程序化交易，量化交易组件 easyquotation : 实时获取新浪 / Leverfun 的免费股票以及 level2 十档行情 / 集思路的分级基金行情 easyhistory : 用于获取维护股票的历史数据 easyquant : 股票量化框架，支持行情获取以及交易 2. 期货量化投资框架体系 一直待在私募或者券商，做的是股票相关的内容，对期货这块不甚熟悉。就根据自己所了解的，简单总结一下。 2.1 回测 回测，貌似并没有非常流行的开源框架。可能的原因有二：期货相对股票而言，门槛较高，更多是机构交易，开源较少； 去年至今对期货监管控制比较严，至今未放开，只能做些CTA的策略，另许多人兴致泱泱吧。 就个人理解而言，可能wind的是一个相对合适的选择。 2.2 模拟 + 实盘 vn.py是国内最为流行的一个开源平台。起源于国内私募的自主交易系统，2015年初启动时只是单纯的交易API接口的Python封装。随着业内关注度的上升和社区不断的贡献，目前已经一步步成长为一套全面的交易程序开发框架。如官网所说，该框架侧重的是交易模块，回测模块并未支持。 能力有限，如果对相关框架感兴趣的话，就详看相关的链接吧。个人期望的是以RQAlpha为主搭建回测框架，以雪球或wind为主搭建模拟框架，用easy系列进行交易。