量化工具以python為工具

⑴ 使用python做量化交易策略測試和回驗，有哪些比較成熟一些的庫

numpy
介紹：一個用python實現的科學計算包。包括：1、一個強大的N維數組對象Array；2、比較成熟的（廣播）函數庫；3、用於整合C/C++和Fortran代碼的工具包；4、實用的線性代數、傅里葉變換和隨機數生成函數。numpy和稀疏矩陣運算包scipy配合使用更加方便。
scipy
介紹：SciPy是一款方便、易於使用、專為科學和工程設計的Python工具包。它包括統計、優化、線性代數、傅里葉變換、信號和圖像處理、常微分方程求解等等。
pandas
介紹：Python Data Analysis Library 或 pandas 是基於NumPy 的一種工具，該工具是為了解決數據分析任務而創建的。Pandas 納入了大量庫和一些標準的數據模型，提供了高效地操作大型數據集所需的工具。pandas提供了大量能使我們快速便捷地處理數據的函數和方法。你很快就會發現，它是使Python成為強大而高效的數據分析環境的重要因素之一。
quantdsl
介紹： quantdsl包是Quant DSL語法在Python中的一個實現。Quant DSL 是財務定量分析領域專用語言，也是對衍生工具進行建模的功能編程語言。Quant DSL封裝了金融和交易中使用的模型（比如市場動態模型、最小二乘法、蒙特卡羅方法、貨幣的時間價值）。
statistics
介紹：python內建的統計庫，該庫提供用於計算數值數據的數學統計的功能。
PyQL
介紹： PyQL構建在Cython之上，並在QuantLib之上創建一個很淺的Pythonic層，是對QuantLib的一個包裝，並利用Cython更好的性能。

⑵ 用python做量化交易要學多久

5個月。

python憑借其突出的語言優勢與特性，已經融入到各行各業的每個領域。一般來說，python培訓需要脫產學習5個月左右，這樣的時長才能夠讓學員既掌握工作所需的技能，還能夠積累一定的項目經驗。當然如果你想要在人工智慧的路上越走越遠，則需要不斷的積累和學習。

python培訓的5個月時間里，有相當大一部分時間是在實戰做項目，第一階段是為期一個月學習python的核心編程，主要是python的語言基礎和高級應用，幫助學員獲得初步軟體工程知識並樹立模塊化編程思想。學完這一階段的內容，學員已經能夠勝任python初級開發工程師的職位。

(2)量化工具以python為工具擴展閱讀：

Python開發基礎課程內容包括：計算機硬體、操作系統原理、安裝linux操作系統、linux操作系統維護常用命令、Python語言介紹、環境安裝、基本語法、基本數據類型、二進制運算、流程式控制制、字元編碼、文件處理、數據類型、用戶認證、三級菜單程序、購物車程序開發、函數、內置方法、遞歸、迭代器、裝飾器、內置方法、員工信息表開發、模塊的跨目錄導入、常用標准庫學習，b加密 e正則logging日誌模塊等，軟體開發規范學習，計算器程序、ATM程序開發等。

⑶ 量化投資以 python 為工具 怎麼樣

寫的一般，可以作為量化投資基於python的入門書，有時間可以看看

⑷ 用Python怎麼做量化投資

本文將會講解量化投資過程中的基本流程，量化投資無非這幾個流程，數據輸入------策略書寫------回測輸出
其中策略書寫部分還涉及到編程語言的選擇，如果不想苦惱數據輸入和回測輸出的話，還要選擇回測平台。
一、數據
首先，必須是數據，數據是量化投資的基礎
如何得到數據？

Wind：數據來源的最全的還是Wind，但是要付費，學生可以有免費試用的機會，之後還會和大家分享一下怎樣才Wind里摘取數據，Wind有很多軟體的借口，Excel，Matlab，Python，C++。
預測者網：不經意間發現，一個免費提供股票數據網站 預測者網，下載的是CSV格式
TB交易開拓者：Tradeblazer，感謝@孫存浩提供數據源
TuShare：TuShare -財經數據介麵包，基於Python的財經數據包，利用Python進行摘取
如何存儲數據？
Mysql
如何預處理數據？

空值處理：利用DataFrame的fill.na()函數，將空值（Nan）替換成列的平均數、中位數或者眾數
數據標准化
數據如何分類？
行情數據
財務數據
宏觀數據
二、計算語言&軟體

已經有很多人在網上詢問過該選擇什麼語言？筆者一開始用的是matlab，但最終選擇了python
python：庫很多，只有你找不到的，沒有你想不到，和量化這塊結合比較緊密的有：
Numpy&Scipy：科學計算庫，矩陣計算
Pandas：金融數據分析神器，原AQR資本員工寫的一個庫，處理時間序列的標配

Matplotlib：畫圖庫
scikit-learn：機器學習庫
statsmodels：統計分析模塊
TuShare：免費、開源的python財經數據介麵包

Zipline：回測系統
TaLib：技術指標庫
matlab：主要是矩陣運算、科學運算這一塊很強大，主要有優點是WorkSpace變數可視化

python的Numpy+Scipy兩個庫完全可以替代Matlab的矩陣運算
Matplotlib完克Matlab的畫圖功能
python還有很多其他的功能
pycharm（python的一款IDE）有很棒的調試功能，能代替Matlab的WorkSpace變數可視化
推薦的python學習文檔和書籍
關於python的基礎，建議廖雪峰Python 2.7教程，適合於沒有程序基礎的人來先看，涉及到python的基本數據類型、循環語句、條件語句、函數、類與對象、文件讀寫等很重要的基礎知識。

涉及到數據運算的話，其實基礎教程沒什麼應用，python各類包都幫你寫好了，最好的學習資料還是它的官方文檔，文檔中的不僅有API，還會有寫實例教程
pandas文檔
statsmodels文檔
scipy和numpy文檔
matplotlib文檔

TuShare文檔
第二，推薦《利用Python進行數據分析》，pandas的開發初衷就是用來處理金融數據的
三、回測框架和網站
兩個開源的回測框架
PyAlgoTrade - Algorithmic Trading

Zipline, a Pythonic Algorithmic Trading Library

⑸ python 為什麼適合做量化

python是一個完全面對對象的可腳本,可二進制編譯運行的高級語言。一般以腳本方式運行，運行調試完可生成二進制代碼來保證運行的速度。代碼非常簡潔
擁有無與倫比的配套標准庫。一般廣泛用於各種領域。尤其在科學界流行。
在python環境下，有科學運算庫，界面庫，各種演算法庫。非常適合用於科學研究。
matlab中的金融工具雖然比較全面，也比較好用，不過像我這種喜歡搞些新演算法。同時還要和交易介面編程的就非常喜愛python了。
python的演算法庫 ：numpy ,scipy等，用於統計的庫。
python的數據可視化庫 matplotlib(上面那個貼圖就是例子)，PyQt,pygtk,pyside等等，前面說的都是二維的。三維的VTK等等。
而且今後和CTP等交易平台對接的話,matlab就無能為力了，到時候再學python豈不是晚了。

⑹ 學習量化選擇Python還是R比較好

python對於新手來說較容易入門，而且python目前國內多家量化交易平台都支持，比如優礦、掘金量化、米筐、聚寬等，反而支持R語言的平台很少，所以說python語言做量化才是主流。

⑺ 量化投資中用python主要是負責什麼

python作為一門編程語言，簡單說它在量化投資主要是進行量化策略模型的編譯。

⑻ python量化投資是什麼

量化投資是指通過數量化方式及計算機程序化發出買賣指令，以獲取穩定收益為目的的交易方式。在海外的發展已有30多年的歷史，其投資業績穩定，市場規模和份額不斷擴大、得到了越來越多投資者認可。從全球市場的參與主體來看，按照管理資產的規模，全球排名前四以及前六位中的五家資管機構，都是依靠計算機技術來開展投資決策，由量化及程序化交易所管理的資金規模在不斷擴大。
python是一種編程語言，python量化投資也就是通過使用Python編寫能夠發出買賣指令的程序來交易。

⑼ 中國的 Python 量化交易工具鏈有哪些

萬得的Python API，可以用來獲取實時數據、歷史數據以及下單交易 優點：萬得大而全 缺點：下單交易功能不是事件驅動（例如成交回報需要用戶去查詢，而不是主推）
同花順iFinD的Python API，類似萬得的API 優點：比萬得便宜，同花順的服務態度很好（用戶提出新需求後很快就能給出確定的答復或者解決方案）
掘金的量化平台
通聯數據的量化平台
QuickFix的Python API（可以用來接國信、方正的FIX介面）
Numpy/Scipy/Matplotlib/Pandas（量化分析）
IPyhon/Spyder（適合做量化分析的IDE環境）
Zipline（策略開發回測）
TuShare財經數據介面 - 可以直接抓取新浪財經、鳳凰財經的網站數據，包括行情、基本面、經濟數據等等。完全免費，簡潔易用，API設計得非常友好，提取的數據格式是Pandas的DataFrame。同時可以獲取非高頻實時數據（取決於網站更新速度，同事經驗大約是15秒），一個極好的非高頻股票策略數據解決方案。
恆生電子的量化贏家平台，提供Python介面，鏈接我點進去後沒看到具體的使用教程，希望回頭補一下。
米礦ricequant在我提出這個問題時尚只有Java的API，後來也支持了Python，期待2016有新的突破。