① 選股策略回測用 Matlab 好還是用 python 好
首先十年的日級別數據量的確不大，使用Python來說的話不應該出現memoryerror，應該是在編程方面需要再多留意，我們在Ricequant上使用的分鍾數據大概是200-300個GB左右，也是Python和Java共同合作完成的。
語言只是一個語言，興許會有各種語法的不同，但是在談語言的時候我們需要了解背後的工具箱和社區，以及它為什麼處理一些事情比另外的一些語言要好。
本身Python初期用來做金融回測等是應該被放棄的，用來開發策略也應該是被放棄的，因為相比matlab的矩陣運算來做開發，實在是太方便了。只不過後來Python推出了series、pandas等一系列的強悍library，pandas的語法基本在「無恥」地模仿matlab和R，而pandas的開發者正是美國大名鼎鼎的對沖基金AQR，因此使data crunching和對數據的一些操作大大便利，此外，又包裝了海量的開源社區的數學和科學計算庫，也能處理各種的machin learning等等的問題。
從科學計算的語言的發展來看，從最初的人們對浮點數計算的需求加入了fortran，再一路進行，讓工具更加的讓科學計算容易再容易（Python也封裝了大量早期的數學家們用fortran寫的數學計算基礎庫，這些經歷了幾十年的考驗、加速等等）：
② 如何使用python對基金投資收益進行回測
詳細建議您可以去看看掘金量化的Python介面文檔，我們team有位大神挺懶的就是用掘金來做回測，免費的～回測是否具有統計意義看你的策略邏輯和交易樣本的數量。個人認為可以直觀地觀測策略的盈虧特性，如適合什麼屬性的標的，在怎樣的市場環境下能盈利（或虧損）。因此對未來行情的表現具有一定指導意義。
要注意的是，參數擬合好後把策略扔到樣本外的歷史行情觀察表現，評估策略的適應性和泛化能力。
③ 選股策略回測用 Matlab 好還是用 Python 好
首先十年的日級別數據量的確不大，使用Python來說的話不應該出現memoryerror，應該是在編程方面需要再多留意，我們在Ricequant上使用的分鍾數據大概是200-300個GB左右，也是Python和Java共同合作完成的。
語言只是一個語言，興許會有各種語法的不同，但是在談語言的時候我們需要了解背後的工具箱和社區，以及它為什麼處理一些事情比另外的一些語言要好。
本身Python初期用來做金融回測等是應該被放棄的，用來開發策略也應該是被放棄的，因為相比matlab的矩陣運算來做開發，實在是太方便了。只不過後來Python推出了series、pandas等一系列的強悍library，pandas的語法基本在「無恥」地模仿matlab和R，而pandas的開發者正是美國大名鼎鼎的對沖基金AQR，因此使data crunching和對數據的一些操作大大便利，此外，又包裝了海量的開源社區的數學和科學計算庫，也能處理各種的machin learning等等的問題。
從科學計算的語言的發展來看，從最初的人們對浮點數計算的需求加入了fortran，再一路進行，讓工具更加的讓科學計算容易再容易（Python也封裝了大量早期的數學家們用fortran寫的數學計算基礎庫，這些經歷了幾十年的考驗、加速等等）：
numpy: basic array manipulation - 基礎的數組處理
scipy: scientific computing in python, including signal processing and optimization - 科學計算，包括信號處理和優化等
matplotlib: visualization and plotting - 幾行代碼就可以做圖形化顯示了
IPython: write and run python code interactively in a shell or a notebook - 互動式編程環境，這是能將來替代掉matlab的一個必備，即在一行一行代碼的輸入、顯示過程中學習、改進
pandas: data manipulation - 最重要的矩陣運算等
scikit-learn: machine learning - 機器學習
但是隨著以後的發展Python的開源屬性就會體現的越來越強大，可以讓更多的人享受到其便利和貢獻進來，包括Quantopian也放出了zipline的python回測框架，只需要引入yahoo數據即可進行回測，並且Python的速度由於跟C的很好的結合可以達到非常快的速度，而且可以將來和其他系統很容易整合對接實盤交易介面。
由於歐美已經有很多的投行和對沖基金在往Python的技術棧靠攏，因此選擇了Python即掌握了一門重要的工具，並且無需跟一家私有化公司進行捆綁。
當然，最後的最後，所有的python回測你都可以來Ricequant - Beta上完成，我們支持海量的市場、財務數據，還有不斷加入的和大數據公司合作的輿情數據等等，同時策略回測完還可以做實時模擬交易，享受到實時數據的計算。在雲平台上已經支持了幾乎所有的Python科學計算庫，無需花時間安裝、測試等等。
④ 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。
⑤ 選股策略回測用 Matlab 好還是用 Python 好
都是工具，也都可以開發選股策略的回測，推薦Python.理由：Python免費且開源Python編程語言簡潔優美Python有眾多的量化包，包括獲取數據、處理數據、回測、風險分析。目前國外、國內很多平台和項目都是使用PythonPython開發策略，簡潔高效，這里舉幾個例子：1.[量化學堂-策略開發]金叉死叉策略2.[量化學堂-策略開發]海龜策略3.[量化學堂-策略開發]淺談小市值策略4.[量化學堂-策略開發]多頭排列回踩買入策略5.[量化學堂-策略開發]藉助talib使用技術分析指標來炒股6.[量化學堂-策略開發]大師系列之價值投資法7.[量化學堂-策略開發]事件驅動策略（基於業績快報）8.[量化學堂-策略開發]基於協整的配對交易9.[量化學堂-策略開發]使用cvxopt包實現馬科維茨投資組合優化:以一個股票策略為例這些策略涵蓋了股票量化主要的策略類型，但是使用Python語言，每個策略代碼都不多。
⑥ 選股策略回測用 Matlab 好還是用 Python 好
首先十年的日級別數據量的確不大，使用Python來說的話不應該出現memoryerror，應該是在編程方面需要再多留意，我們在Ricequant上使用的分鍾數據大概是200-300個GB左右，也是Python和Java共同合作完成的。
語言只是一個語言，興許會有各種語法的不同，但是在談語言的時候我們需要了解背後的工具箱和社區，以及它為什麼處理一些事情比另外的一些語言要好。
本
身Python初期用來做金融回測等是應該被放棄的，用來開發策略也應該是被放棄的，因為相比matlab的矩陣運算來做開發，實在是太方便了。只不過後
來Python推出了series、pandas等一系列的強悍library，pandas的語法基本在「無恥」地模仿matlab和R，而
pandas的開發者正是美國大名鼎鼎的對沖AQR，因此使data
crunching和對數據的一些操作大大便利，此外，又包裝了海量的開源社區的數學和科學計算庫，也能處理各種的machin
learning等等的問題。
從科學計算的語言的發展來看，從最初的人們對浮點數計算的需求加入了fortran，再一路進行，讓工具更加的讓科學計算容易再容易（Python也封裝了大量早期的數學家們用fortran寫的數學計算基礎庫，這些經歷了幾十年的考驗、加速等等）：
我們來看下python目前的科學技術棧：
numpy: basic array manipulation - 基礎的數組處理
scipy: scientific computing in python, including signal processing and optimization - 科學計算，包括信號處理和優化等
matplotlib: visualization and plotting - 幾行代碼就可以做圖形化顯示了
IPython: write and run python code interactively in a shell or a notebook - 互動式編程環境，這是能將來替代掉matlab的一個必備，即在一行一行代碼的輸入、顯示過程中學習、改進
pandas: data manipulation - 最重要的矩陣運算等
scikit-learn: machine learning - 機器學習
但
是隨著以後的發展Python的開源屬性就會體現的越來越強大，可以讓更多的人享受到其便利和貢獻進來，包括Quantopian也放出了zipline
的python回測框架，只需要引入yahoo數據即可進行回測，並且Python的速度由於跟C的很好的結合可以達到非常快的速度，而且可以將來和其他
系統很容易整合對接實盤交易介面。
由於歐美已經有很多的投行和對沖在往Python的技術棧靠攏，因此選擇了Python即掌握了一門重要的工具，並且無需跟一家私有化公司進行捆綁。
當然，最後的最後，所有的python回測你都可以來Ricequant - Beta上完成，我們支持海量的市場、財務數據，還有不斷加入的和大數據公司合作的輿情數據等等，同時策略回測完還可以做實時模擬交易，享受到實時數據的計算。在雲平台上已經支持了幾乎所有的Python科學計算庫，無需花時間安裝、測試等等。
⑦ 有沒有基於python pandas的回測框架
本地運行：
Quantopian開源的zipline可以，但是本地的回測程序，做美股研究可以，但是A股不適合。
線上運行：
想線上回測美股可以使用Quantopian，不過有時鏈接不是很穩定；
因為A股獨特的交易機制，使得沒有一款本地可以運行回測的python包。一、你可以到JoinQuant聚寬量化交易平台，他們自己寫的A股回測框架，還提供處理好的數據，這一點非常好，省去了自己數據清洗的過程。除了A股還有基金期貨的數據，可以做個輪動，對沖等等。二、就是自己寫回測框架，優點是靈活，自己隨意改，缺點就是需要一定的編程基礎。
總結：
JoinQuant和Quantopian數據都可以取到DataFrame格式的，並且都提供notebook以及回測模式，回測研究都可以在線完成。
⑧ python回測系統 模擬回測 最簡單量化回測系統有哪些支持期貨和股票
github上有一個jdhc簡單回測 是用python寫的比較簡單，需要設置些參數。
⑨ 選股策略回測用 Matlab 好還是用 Python 好
都可以用來做回測，主要看你用哪個比較順手比較熟練。
可能python中自帶的金融程序包會給編程中帶來一些便利。
⑩ 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。