股票量化交易开源系统

❶ 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。

❷ 目前市面上的量化交易平台做到了什么程度

量化交易，从18世纪开始，金融投资的先驱已经开始探索各种不同的投资方法，经过多年的进化，已经尝试了从价值分析、风险套利到日间交易等不同的方向。

---

在当前中国资本市场的变化中，定量投资作为一种新兴的中国市场投资方式，是现代量化投资理论和数理统计方法的运用，在海大历史数据的各种“能带来超额收益的使用计算机技术的高概率事件制定一个模型验证的数量策略和治疗这些规则和策略，和固化的策略来指导投资的严格执行，为了获得可持续的稳定，高于平均水平的超额收益。

❸ 如何评价微软研究院开发的AI量化投资平台Qlib

鸡肋。
Quantopian当年那么火，Point72给他投资，Steve Cohen的资源给他用，今年还是倒闭了。原因是量化平台的盈利模式是有问题的，第一，它不专业，第二，因为不专业，用它的人不赚钱。Point72旗下的Cubist很赚钱，但Cubist不会把infra给Quantopian用，因为能赚钱的infra是稀缺资源。所以Quantopian的框架在专业人士看来非常业余。也正是因为业余，专业的人不用，业余的人用Quantopian的赚不了钱，因此无法和平台分成，所以这样的平台无法盈利。
微软的高管去量化界也有先例，微软前COO Kevin Turner曾到Citadel Securities担任CEO，但是没有太大建树，最终Griffin任命赵鹏，是赵鹏将CitSec发扬光大。
所以说，程序员在不懂套路的情况下，直接跨界去做投资，难度极大。不是因为程序员技术不行，主要是他们不懂投研体系。好的程序员只有在培训以后才能成为好的QR。打个比方，James Simons何等样人，他很早就想做股票，一群科学家一直不得要领，摸索了好几年没什么进展，当时PDT和DE Shaw股票都比RenTech做得好得多。最后RenTech是靠PDT的前雇员把统计套利的策略框架做好，然后另一个既懂架构，又懂股票的程序员，把策略细节调好，才有了这么牛比的大奖章。
拿统计套利来说，谈谈为什么微软的这个QLib平台注定不行。统计套利类策略的核心是信号。怎么从各种数据源里挖掘有意义的信号，如何检验信号的有效性，这些都是统计学的范畴。A股简单的量价信号目前仍然很好用，只要是懂套路的机构，近两年超额30个点没什么问题。可是美股做统计套利可没这么容易，大部分简单的量价信号都是没用的，大奖章return on GMV也做不到10个点。成熟市场里，不了解市场就想挖一些信号是很难的。
模型上，有机器学习的程序员在调参上的确有一些优势，但是label怎么处理，feature怎么engineering这种问题，一般人可能就找不到北了。
其他方面，风格怎么控，算法怎么下单，这些都需要实战经验。不了解市场，想靠机器学习里一些fancy的算法搞个印钞机，太难。现在好多家私募都说深度学习多么有用，的确会有点用，但是绝对没有那么神，事实上大家做得都差不多，不算很深，深度学习真要那么有用，谁会到处说？量化这行，真正有用的东西，虽然最终都会被同行知道，但很少有人会在公开场合大说特说的。
综上，量化策略涉及到统计、数据挖掘、交易、市场理解、机器学习等各个方面，光靠一套机器学习算法库，再加上一个优化器，就想搅动市场，没这么容易的。

❹ 量化交易系统安装简单吗

MIT协议是几大开源协议中最宽松的一个，核心条款是：该软件及其相关文档对所有人免费，可以任意处置，包括使用，复制，修改，合并，发表，分发，再授权，或者销售。唯一的限制是，软件中必须包含上述版 权和许可提示。
这意味着：
1）你可以自由使用，复制，修改，可以用于自己的项目。
2）可以免费分发或用来盈利。
3）唯一的限制是必须包含许可声明。
我们了解了它的功能和好处，解除了后顾之忧后，我们正式进入VN.PY的实操部分。在本篇文章，我们的目标是安装并让系统能做模拟实盘。
VN.PY的安装分为5个步骤，这里以Windows环境为例，给大家一步一步进行演示。
一、安装Anaconda
前面第三篇Python入门中，已经对Anaconda的安装进行了讲解，这里不再做重复。我们需要注意的是， 项目的运行环境必须为Python 2.7 32位版本（Python 3版本或者64位版本均无法使用），推荐的Anaconda版本为4.0.0。
安装Anaconda时，除了选择安装目录外，不建议进行任何其他的特别设置。 如果在安装过程中出现一些异常情况（如提示Menu创建失败、某个py文件最后无法写入等），请安装vcredist 2008和2010版本后再次尝试（32位和64位版本一起安装）。
二、安装VCredist
Visual C++ Redistributable Packages for VS2013，简称vcredist，是使用VS2013开发的C++程序运行时所需的基础库环境。 vn.py项目的底层API接口封装开发时使用的编译环境为VS2013，因此需要安装vcredist 2013 x86版本。
vn.py项目的底层API接口封装开发时使用的编译环境为VS2013，因此需要安装vcredist 2013 x86版本。 下载时请选择vcredist_x86.exe，并按照默认安装即可。网络搜索"vcredist2013"，即可在微软官网下载。

❺ 做量化交易选择什么语言好呢

量化交易，就是把人能够识别的信息变成数字，输入给计算机程序处理，辅助或者代替人类的思考和交易决策。

初学者碰到的第一个问题就是工具的选择。首先大部分交易员本来不会写程序，选择任何一个语言进行策略开发，都有不小的学习成本。更重要的是，选择了一门语言，接下来开发环境、人员招聘、数据接口与平台、甚至同类人群之间的交流、遇到问题后的支持，都跟着被“套牢”。所以从一开始就必须慎重对待。

先给出答案：对于还没有确定一套固定量化环境的，建议用Python。

量化交易员面临的大致选择有：C/C++/java/C#/R/Matlab/excel等。我们从以下几个方面考虑简单做个对比。

注意：这里假设你团队规模在50人以下。

1 学习成本和应用的广泛性

C、C++的特点是速度最快，但要想用好，必须对计算机底层架构、编译器等等有较好的理解，这是非计算机专业的人很难做到的，对于做量化交易来说更是没有必要。

Java本来是SUN的商业产品，有学习成本和体系的限制，也不适合。

Excel面对GB级别的数据无能为力，这里直接排除。

Python、R和Matlab学起来都简单，上手也快，可以说是“一周学会编程”。但R和Matlab一般只用来做数据处理，而Python作为一门强大的语言，可以做任何事，比如随时写个爬虫爬点数据，随时写个网页什么的，更何况还要面对处理实时行情的复杂情况。

2 开始做量化分析后，哪个用起来碰到问题最少，最方便省事?

用历史数据的回测举例。假设我们有2014年所有股票的全年日线，现在我们想看看600001的全年前10个最高股价出现在什么时候。python世界有个强大的pandas库，所以一句话就解决问题：

dailybar[dailybar [‘code’]==‘600001’].sort_values([‘close’].head(10)

R/Mathlab等科学语言也可以做到。

C/C++没有完备的第三方库。如果为了做大量的计算，要自己实现、维护、优化相应的底层算法，是一件多么头疼的事。

Python从一开始就是开源的，有各种第三方的库可以现成使用。这些底层功能库让程序员省去了“造轮子”的时间，让我们可以集中精力做真正的策略开发工作。

3 现在我们更进一步，要做实时行情分析和决策

以A股的入门级L1数据为例，每3秒要确保处理完3000条快照数据，并完成相应的计算甚至下单。这样的场景，C和C++倒是够快了。所以行情软件比如大智慧、同花顺等客户端都是使用高效率的语言做的，但像客户端那样的开发量，绝大部分量化交易机构没能力也没必要去做吧。

python的速度足够对付一般的实时行情分析了。其底层是C实现的，加上很多第三方的C也是C实现，尽管其计算速度比不上原生C程序，但对我们来说是足够啦。

4 quant离职了，他的研究成果怎么办

Python是使用人群最多、社区最活跃的语言之一，也是最受quant欢迎的语言之一。如果你是老板，你能更容易地招聘到优秀人材，享受到python社区带来的便利。

附几个量化中常用的python库：

- Pandas：

天生为处理金融数据而开发的库。几乎所有的主流数据接口都支持Pandas。Python量化必备。

- Numpy：

科学计算包，向量和矩阵处理超级方便

- SciPy：

开源算法和数学工具包，与Matlab和Scilab等类似

- Matplotlib：

Python的数据画图包，用来绘制出各类丰富的图形和报表。

PS: Python也是机器学习领域被使用最多的语言之一。像tensorflow、scikit-learn、Theano等等对python都有极好的支持。

❻ 对于量化投资，个人可以将模型接入交易平台吗

用mt4/mt5这些开源交易系统的可以试试，其他的一般是封闭的平台总不会给自己挖坑
应该和EA类似吧？

❼ 量化交易落地终端与线上平台有什么区别

量化交易落地终端与线上平台区别就是一个本地化终端平台，一个开源线上平台，
本地终端平台类似掘金量化交易平台，策略在本地终端运行，不容易被盗窃策略；
线上开源平台你需要把自己策略放到线上平台才能跑策略，如果平台没有自律，你的策略很容被盗取。
综合来说就是策略安全性的问题。

❽ 支持Tick级别的量化平台有哪家

开源交易平台开发框架 入门Python方便使用 vn.py学习建议 1.目前中文教程大多停留在2.5的版本上，所以如果英语很差（又没有编程基础）最好从这里开始。而且目前并非所有的模块，错，是大多数 模块 都不支持3.X。 国内前景就是，你可以独立完成XXXX就牛逼。 3.X舍弃了向下兼容性，立志把Python做的尽善尽美，但是各个 模块 的更新情况不太乐观。（怎么的也得3-5年吧） 2.Python 涉及的面比较广，其实任何语言都是，可以做所有的事情，就是各自的语言特点决定这种语言做这个方面适合与否。 3.Python 适合用于快速开发，解释性语言导致了运行效率比较低，但是开发速度相对于其他语言却很高。 参考资料 https://..com/question/366176601130279212.html.网络知道[引用时间2018-3-28]