1. windows怎麼安裝pybluez
今天弄了一上午的python-ldap,發現要麼安裝vc，要麼用其他比較麻煩的方法，都比較麻煩。幸好找到這個地址：
http://www.lfd.uci.e/~gohlke/pythonlibs/
這上面有很多python第三方包的二進制安裝文件，包括32位和64位的。下載安裝就ok了！
包括了mysqldb,ldap等。
Index by date:
fiona
scikit-image
netcdf4
mercurial
scikits.audiolab
numba
llvmpy
python-igraph
rpy2
numpy
opencv
zope.interface
sfepy
quantlib
gdal
imread
django
psychopy
cx_freeze
msgpack
regex
cellcognition
vigra
scikit-learn
pytables
h5py
blender-mathutils
htseq
bioformats
simplejson
pyzmq
mako
simpleitk
qimage2ndarray
ujson
vlfd
libsvm
liblinear
cgkit
scipy
distribute
noise
theano
pyalembic
openimageio
pyaudio
pymca
pyamg
pgmagick
lxml
steps
sqlalchemy
cffi
biopython
python-ldap
pycurl
nipy
nibabel
pygments
mahotas
py-postgresql
pyamf
planar
holopy
pyvisa
jcc
polymode
polygon
cython
pyropes
llist
shapely
vtk
pymongo
libpython
meshpy
pandas
umysql
epydoc
coverage
cheetah
pyrxp
pybluez
pythonmagick
bsdiff4
pymssql
pymol
boost.python
orange
requests
pywcs
python-sundials
pymix
pyminuit
pylzma
pyicu
assimulo
basemap
pygraphviz
pyproj
mpi4py
spyder
pytz
pyfits
mysql-python
pygame
pycparser
twisted
pil
qutip
openexr
nipype
python-snappy
visvis
docutils
pyhdf
pyqwt
kivy
scikits.umfpack
psycopg
ets
guiqwt
veusz
pyqt
pyside
dpmix
py-fcm
scikits.hydroclimpy
smc.freeimage
scipy-stack
ipython
nose
mxbase
numexpr
pyyaml
ode
virtualenv
aspell_python
tornado
pywavelets
bottleneck
networkx
statsmodels
pylibdeconv
pyhook
lmfit
slycot
ndimage
scikits.scattpy
cvxopt
pymc
pysparse
scikits.odes
matplotlib
vpython
pycuda
pyopencl
pymvpa
pythonnet
cld
mod_wsgi
nltk
python-levenshtein
rtree
pywin32
scientificpython
sympy
thrift
pyopengl-accelerate
mdp
pyopengl
gmpy
reportlab
natgrid
scikits.vectorplot
pyreadline
milk
blosc
pycogent
pip
gevent
scons
carray
python-dateutil
jinja2
markupsafe
jsonlib
pysfml
fonttools
silvercity
console
python-cjson
pycluster
cdecimal
pytst
autopy
sendkeys
ceodbc
fipy
psutil
pyephem
pycifrw
blist
line_profiler
pydbg
bitarray
pyglet
python-lzo
faulthandler
delny
pyexiv2
ilastik
twainmole
scitools
pyspharm
casuarius
pyodbc
greenlet
nitime
pylibtiff
mmtk
pycairo
pysqlite
curses
videocapture
bazaar
nlopt
trfit
libsbml
oursql
sphinx
cellprofiler
py2exe
re2
liblas
cgal-python
pymedia
ffnet
pyfftw
libxml-python
pyfltk
pymex
pymatlab
zodb3
mmlib
pygtk
pyserial
babel
scikits.ann
scikits.delaunay
numeric
pulp
nmoldyn
pymutt
iocbio
jpype
wxpython
pybox2d
dipy
mmseg
pynifti
scikits.samplerate
scikits.timeseries
vitables
quickfix
numscons
visionegg
2. Quant 應該學習哪些 Python 知識
Python是非常適合做quant類工作的語言，本身就是科學計算方面的統治級語言，現在加入了IPython，pandas等重量級神器，為Quant類工作量身定做，而且仍在飛速發展中，以後會越來越重要。
關於其他語言，首先介紹一下我自己最喜歡的一個比較小眾的組合，Mathematica+Java/Scala。
Mathematica的優點在於：本身提供函數式的編程語言，表達能力非常強大，比如Map/Rece是標配，很多時候不需要去做煩人的for循環或下標控制，排版經常可以直接照數學公式原樣輸入，即直觀又不容易寫錯；代碼和輸出混排的排版方式使得建模時的演算和推理過程非常流暢，甚至還可以直接生成動畫，對於找直觀理解非常有幫助（這幾點分別被IPython和R偷師了一部分）。Mathematica的缺點在於對金融類的時間序列數據沒有很好的內建支持，使得存儲和計算都會比較低效，因此需要用內嵌Java的方式來補足，對於數據格式或性能敏感的操作都可以用Java/Scala實現。這個組合在我心目中無出其右，不論是快速建模，還是建模轉生產，都遠遠領先於其他選擇。但Mathematica的商用授權很貴，如果公司本身不認可的話很難得到支持，這是最致命的缺陷。另外隨著Python系的逐漸成熟，領先優勢在逐漸縮小，長遠看Python的勢頭更好一些。
其他答案里也列舉了不少其他語言，我自己既做Quant的工作，也做軟體開發的工作，這里想從一個軟體工程師的角度，說說我的理解。平時工作中會和一些偏Quant背景的人合作，很容易發現建模能力好的人往往在計算機方面基礎比較薄弱（因為以前的訓練重點不在這里）。他們也可以快速學習掌握一種像C++，Java這樣的語言，實現很多必要的功能。但是一方面這些語言陡峭的學習曲線和繁瑣的開發步驟會給他們真正要做的工作增加不必要的負擔，另一方面一旦涉及到性能敏感的情景，他們對計算機體系結構缺乏理解的缺點就容易暴露，比如說很可能他們沒有計算復雜度，內存碎片，cache
miss，甚至多線程等概念，導致寫出的程序存在相當大的隱患。
即使是計算機功底扎實，如果每天的工作需要在C++，Python，R/Matlab，甚至一眾腳本語言之前來回切換，思維負擔也會非常重，人的精力是有限的，很難同時兼顧數學建模和底層代碼調試這種差距巨大的工作。長期發展下去最可能的結果就是要麼遠離建模，專心做生產環境開發，要麼遠離生產環境，專心建模。這種局面顯然不論對個人還是團隊都是有很大弊端的。
如果深入思考這個問題，相信不難得出結論，對於Quant來說，C++這種相當面向機器的語言肯定不是最佳選擇。的確在歷史上，它比更面向機器的C已經友好了很多，但是在計算機技術飛速發展的今天，如果還需要Quant大量使用C++做建模類的工作顯然是很遺憾的事情。設想一下你拿到一份股票數據，不論你是想分析價格走勢，成交量分布，還是波動性，第一件要做的事一定是畫出圖來看看，有一個直觀認識。如果你的工具是C++，肯定有很多時間花在編譯，調試，再編譯的過程上，好容易能解析文件了，接下來怎麼算移動平均？怎麼算波動性？全都要自己寫代碼。再然後怎麼畫圖？這整個工作流簡直慘不忍睹，這些問題浪費掉你大部分精力，而他們全部和你真正感興趣的工作毫無關系。所以如果你是一個數理金融等背景的新人打算開始Quant生涯，在決定是否要投資到這項重量級技術上時需要慎重，即便它目前的市場定價可能仍在峰值。相比之下我認為Python會是更理想的選擇，即能很好的完成建模工作，也可以訓練一定的編程技巧，使你在必要時也能勝任一些簡單的C++工作。
3. 怎麼使用 python quantlib
Python 是一種面向對象、解釋型計算機程序設計語言，由Guido van Rossum於1989年底發明，第一個公開發行版發行於1991年。Python語法簡潔而清晰，具有豐富和強大的類庫。它常被昵稱為膠水語言，它能夠很輕松的把用其他語言製作的各種模塊（尤其是C/C++）輕松地聯結在一起。常見的一種應用情形是，使用Python快速生成程序的原型（有時甚至是程序的最終界面），然後對其中有特別要求的部分，用更合適的語言改寫，比如3D游戲中的圖形渲染模塊，性能要求特別高，就可以用C++重寫
4. 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。
5. Quant 應該學習哪些 Python 知識
1. 如果還需要Deep Learning方面的東西的話，可以考慮Theano或者Keras。這兩個東西可能會用在分析新聞數據方面。不過不是很推薦使用這類方法去做量化模型，因為計算量實在是太大，成本很高。
2. 交易框架方面，除了vn.py，還推薦PyAlgoTrade框架，github上可以搜到。私以為這個框架比vn.py牛逼太多了，畢竟是一個在金融IT領域混跡近20年的老妖的作品，架構設計不是一般的優秀。
3. 國內的話，ricequant是個不錯的選擇，雖然使用的是Java，但是團隊我見過，都是做金融IT出身的，基本上都有7、8年以上經驗，底層功底非常扎實，做事情都很靠譜。現在他們也在考慮把SDK擴展到Python這邊。
4. 國內的行情和交易介面，使用的是自己的協議（比如CTP介面使用的是FTD協議），而不是國際上廣泛使用的FIX協議，並且都不開源。如果需要連接行情，還需要考慮將介面SDK為python封裝一下。（修改：評論中有人提到很多券商也開放了FIX介面，不過似乎是在內網使用）
5. 有人談到資料庫了，這里我也說一下，對於高頻tick級別的數據，其量級可以達到每天TB級別，普通的關系資料庫是扛不住的。如果試圖使用傳統的關系資料庫，比如Oracle之類的可以省省了。對付這種級別的數據，採用文件系統+內存索引會更好。不過這種場景，一般也就是機構裡面能碰到了，個人quant可以不用考慮。
6. Quant 應該學習哪些 Python 知識
數據分析的python軟體包不能算是嚴格的Python知識吧？嚴格來說，熟練使用那些軟體包更多的還是依賴於金融市場，數理統計方面的知識，因為軟體包的API通常都是這些領域知識的術語。
作為一個quant, 這個問題（一個這時候的quant應該學習哪些Python知識）的必要性在於，Python在這個領域真的是很火，一句不過分的話說「華爾街以前運行在Excel上，今後會運行在Python上」 （當然技術上來講，這並非事實，要說這個可能性的基礎，從編程語言上來講，還得是C/C++，這里的說法更多是體現在Python語言作為一種最接近用戶層面的語言的流行度而來的， 同時即便從這個意義上來講，現在流行的還有R, Matlab, Q(在一些知名銀行很流行)等）。
以熟練掌握Python為目標，可以這樣來關注Python：
Python是一門什麼編程語言，它的顯著優勢和劣勢分別是什麼
Python編程環境的快速搭建（包括包管理（現在pip正在被標准化），編輯器，以及調試工具）
Python最被廣泛認同的編碼規范和最佳實踐是什麼 (e.g., ('a' + 'b') VS. ''.join(['a', 'b'], 這一點被很多初學者所忽略（「為什麼不呢？反正我的代碼運行正確了。」），但是如果學習者最初花多一點時間來回答這個問題（「雖然有多種選擇，但是哪種選擇在這個時候最合適」），或者說建立起來這樣一種思考方式，你將很快的超越自己，成為別人眼中的專家。)
Python內建的主要的數據類型（int, long, str, tuple, list, dict, heapq, deque - 內建的標准庫中並不包含像C++裡面那樣豐富的數據結構，Search Tree, Binary Search Tree, AVL/Splay/Red Black Tree, Graph等, 不過這些非線性的數據結構都可以在PyPI中找到），以及它們的常用API（這也正是Python的閃光點之一，即最初的編程效率的來源）。
Python的常用標准庫（Python擁有非常易用和功能完備的標准庫，使得Python在安裝之後就能應付大量問題，如字元處理，文件系統，HTTP, 常見數據文件處理等。語言的維護者早期應該是希望賦予Python以明朗的模塊組織結構，對於某類具體問題都存在一個明確的甚至是唯一的模塊，但是隨著這些年Python的流行，第三方包的大量增加，這種初衷現在面臨不少挑戰。直觀的結果是，在Python 2.X的版本里，你會找到像urllib2這樣命名的模塊。現在的Python 3所作出的眾多努力中就包括對這些模塊組織上的歧義進行整理。總的來說，用戶仍然還是可以迅速的回答「我該使用哪個模塊」這個通常需要不少經驗的問題。）
Python的面向對象範式怎麼使用（如何在此理解上可靠的實現封裝，重用，繼承，覆蓋）
Python在處理網路編程上的常見方案，常用標准包及第三方包（這本身是一個豐富的話題，同時也幾乎不可避免，熟練掌握這個話題需要多年的經驗，深層次的理解更需要系統的計算機科學知識，但是你可以從其中某一個具體的方案開始。Python內建標准包提供幾乎所有層次的網路編程術語，你可以工作在從IP到應用的所有層面。）
Python在處理CPU密集型運算時候採用的流行解決方案，以及它們的工作原理大致是什麼（這個理解可以幫助你以不變應萬變的從眾多第三方方案中選擇合適的候選者。流行的方案一般是通過Python <-> C/C++/Fortran互操作，可能會使用一些元編程語言（比如Cython)來進行language translation/generation，也有可能直接從C/C++/Fortran編寫的軟體中來生成二進制編程界面或者應用編程界面（取決於生成的過程是利用二進制文件（.lib, .so）還是源文件），甚至更新的嘗試會利用到一個多階段的源代碼處理管道，從Python源代碼，中間C/C++代碼，再到LLVM將Python代碼（目前比較成功的方案似乎支持到Python的一個理想子集）實時生成對應的機器碼。理解這一原理將幫助你克服Python在CPU密集運算時所遇到的瓶頸，同時我認為如果你將為你所在的部門構建一個基於Python的數據分析平台
7. 如何執行python第三方包windows exe格式
python第三方包的windows安裝文件exe格式， 這上面有很多python第三方包的二進制安裝文件，包括32位和64位的。下載安裝就ok了！
這下面有很多python第三方包的二進制安裝文件，包括32位和64位的。下載安裝就ok了！
包括了mysqldb,ldap等。
Index by date:
fiona
scikit-image
netcdf4
mercurial
scikits.audiolab
numba
llvmpy
python-igraph
rpy2
numpy
opencv
zope.interface
sfepy
quantlib
gdal
imread
django
psychopy
cx_freeze
msgpack
regex
cellcognition
vigra
scikit-learn
pytables
h5py
blender-mathutils
htseq
bioformats
simplejson
pyzmq
mako
simpleitk
qimage2ndarray
ujson
vlfd
libsvm
liblinear
cgkit
scipy
distribute
noise
theano
pyalembic
openimageio
pyaudio
pymca
pyamg
pgmagick
lxml
steps
sqlalchemy
cffi
biopython
python-ldap
pycurl
nipy
nibabel
pygments
mahotas
py-postgresql
pyamf
planar
holopy
pyvisa
jcc
polymode
polygon
cython
pyropes
llist
shapely
vtk
pymongo
libpython
meshpy
pandas
umysql
epydoc
coverage
cheetah
pyrxp
pybluez
pythonmagick
bsdiff4
pymssql
pymol
boost.python
orange
requests
pywcs
python-sundials
pymix
pyminuit
pylzma
pyicu
assimulo
basemap
pygraphviz
pyproj
mpi4py
spyder
pytz
pyfits
mysql-python
pygame
pycparser
twisted
pil
qutip
openexr
nipype
python-snappy
visvis
docutils
pyhdf
pyqwt
kivy
scikits.umfpack
psycopg
ets
guiqwt
veusz
pyqt
pyside
dpmix
py-fcm
scikits.hydroclimpy
smc.freeimage
scipy-stack
ipython
nose
mxbase
numexpr
pyyaml
ode
virtualenv
aspell_python
tornado
pywavelets
bottleneck
networkx
statsmodels
pylibdeconv
pyhook
lmfit
slycot
ndimage
scikits.scattpy
cvxopt
pymc
pysparse
scikits.odes
matplotlib
vpython
pycuda
pyopencl
pymvpa
pythonnet
cld
mod_wsgi
nltk
python-levenshtein
rtree
pywin32
scientificpython
sympy
thrift
pyopengl-accelerate
mdp
pyopengl
gmpy
reportlab
natgrid
scikits.vectorplot
pyreadline
milk
blosc
pycogent
pip
gevent
scons
carray
python-dateutil
jinja2
markupsafe
jsonlib
pysfml
fonttools
silvercity
console
python-cjson
pycluster
cdecimal
pytst
autopy
sendkeys
ceodbc
fipy
psutil
pyephem
pycifrw
blist
line_profiler
pydbg
bitarray
pyglet
python-lzo
faulthandler
delny
pyexiv2
ilastik
twainmole
scitools
pyspharm
casuarius
pyodbc
greenlet
nitime
pylibtiff
mmtk
pycairo
pysqlite
curses
videocapture
bazaar
nlopt
trfit
libsbml
oursql
sphinx
cellprofiler
py2exe
re2
liblas
cgal-python
pymedia
ffnet
pyfftw
libxml-python
pyfltk
pymex
pymatlab
zodb3
mmlib
pygtk
pyserial
babel
scikits.ann
scikits.delaunay
numeric
pulp
nmoldyn
pymutt
iocbio
jpype
wxpython
pybox2d
dipy
mmseg
pynifti
scikits.samplerate
scikits.timeseries
vitables
quickfix
8. 中國的 Python 量化交易工具鏈有哪些
一個Python環境的研究,回測,交易平台,除了可以使用題主提到的pandas,scipy,numpy等第三方庫之外,還可以使用通聯提供的量化分析庫(可以看做是quantlib的中國加強版)
9. Tbquant怎麼改Python
QuantLib金融計算C++代碼改寫成Python程序。
Python 在科學計算、數據分析和可視化等方面已經形成了非常強大的生態。而且，作為一門時尚的腳本語言，易學易用。因此，對於量化分析和風險管理的從業者來說，將某些 QuantLib 的歷史代碼轉換成 Python 程序是一件值得嘗試的工作。
Python本身的面向對象機制非常完善，藉助 SWIG 的包裝，由 C++ 代碼轉換而成的 Python 程序基本上可以完整地保留原本的類架構。對於用戶來說，應用層面的歷史代碼幾乎可以平行的進行移植，只需稍加修改即可。