量化金融專業學python

㈠ 想用python量化金融，需要掌握python哪些

urllib, urllib2, urlparse, BeautifulSoup, mechanize, cookielib 等等啦這些庫的掌握並不難，網路爬蟲難的是你要自己設計壓力控制演算法，還有你的解析演算法，還有圖的遍歷演算法等。

㈡ 結合Python分析金融數據挖掘在量化投資領域中的應用

量化投資領域在金融數據中的應用包括：

• 股票市場的價格預測，利用歷史數據對股票未來的價格進行預測，幫助投資者決策。

• 資產配置，通過分析金融數據，幫助投資者合理配置資產，使投資回報最大化。

• 風險評估，利用金融數據進行風險評估，幫助投資者了解投資風險，並進行風險管理。

• 自動交易，利用金融數據進行交易策略的設計和執行，進行自動化交易。

• 定量研究，利用金融數據進行定量研究，對金融市場的行為進行深入的研究。

㈢ 完全不懂金融，想學習量化投資需要學習哪些金融科目

我個人認為學習量化投資在金融方面需要具備兩個方面的知識：
1、首先是要了解金融市場與金融產品，只有這樣才能在眾多市場與標的中選擇合適的來構建投資組合，這一方面需要了解的基礎知識有：金融市場與金融機構、投資學、金融衍生品等等；
2、其次是需要了解如何量化，相信你應該有足夠的IT背景，編程沒啥問題，其次的話就是要了解數理來溝通金融產品選擇與編程落地，需要了解的科目有：概率論、統計學、計量經濟學、金融經濟學、數理金融等。

㈣ 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。

(4)量化金融專業學python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。

㈤ 量化投資 用python好 還是c++

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。

最後同意 @袁浩瀚，不要拘泥於語言，不論學習那一種，對其他的語言還是要抱有開放的心態。另外世界變化很快，你會發現單一的語言分類方式其實是沒有意義的，每一門語言在發展過程中都會逐漸吸收其他語言的特性，比如Python本身就既有C/C++/Java那樣命令式的特點，也有函數式的特點，像pandas甚至還提供類似SQL的使用方式，在其他語言或系統里也都或多或少包含了不同的特點，可以在學習過程里慢慢體會。

㈥ 金融工程，量化投資學什麼軟體好Python還是Matlab

看了半天數據，也分析不出個所以然來，02

㈦ python量化交易半個月可以學會嗎

python量化交易半個月可以學會的。

如果已經有了Python基礎，半個月可以入門的，如果沒有Python基礎，就先學Python，學一兩個月有了基礎後，再結合量化交易的模型，邊學Python語言，邊學以Python實現量化模型，上手也會很快的。

大家可能覺得搞量化的人就是整天和大量數據打交道，用一行行代碼寫出復雜的模型，然後沒完沒了地Run，在回測和優化中掙扎，沉浸在數學和統計海洋里的一群人。

實際上，這只是表面現象。雖然每個搞量化的人必須會寫代碼，也必須具備扎實的數學功底，在開發策略的過程中，的確需要分析大量數據，不斷做回測和優化，但是，這一切的背後是強大的金融思維和對金融市場的深刻理解在支撐的。

換句話說，如果你沒有經濟、金融的完整知識體系和工作經驗，或者沒有正確的、科學的思維方式，無論數學多麼地好，也很可能在做無用功；即便編程多麼在行，也只能淪為碼農一枚（沒有歧視程序員的意思哦）。

反過來說，如果你具備科學的思維和邏輯，並發現了經濟、金融的某些規律，想做Quant就不難了。接下來，你只需花點時間學習編程工具，好好利用數據和代碼為你實現自己的想法。