1.Quant 应该学习哪些 Python 知识
2.八款优秀量化交易回测框架！码分VNPY更适合你实现期货CTP接口量化,码分2021VNTrader新版本性能提升
3.quantconnect学习笔记1---缘起
4.手把手教你入门量化回测最强神器backtrader（一）
5.pyalgotrade量化回测框架简单试用
6.目前哪个国内量化回测平台最好?

Quant 应该学习哪些 Python 知识

       1. 如果还需要Deep Learning方面的东西的话，可以考虑Theano或者Keras。这两个东西可能会用在分析新闻数据方面。不过不是很推荐使用这类方法去做量化模型，因为计算量实在是太大，成本很高。

       2. 交易框架方面，除了vn.py，还推荐PyAlgoTrade框架，github上可以搜到。私以为这个框架比vn.py牛逼太多了，毕竟是一个在金融IT领域混迹近年的老妖的作品，架构设计不是一般的优秀。

       3. 国内的话，ricequant是个不错的选择，虽然使用的是Java，但是团队我见过，都是做金融IT出身的，基本上都有7、8年以上经验，底层功底非常扎实，做事情都很靠谱。现在他们也在考虑把SDK扩展到Python这边。

       4. 国内的行情和交易接口，使用的是自己的协议（比如CTP接口使用的是FTD协议），而不是国际上广泛使用的FIX协议，并且都不开源。如果需要连接行情，还需要考虑将接口SDK为python封装一下。（修改：评论中有人提到很多券商也开放了FIX接口，不过似乎是在内网使用）

       5. 有人谈到数据库了，这里我也说一下，对于高频tick级别的数据，其量级可以达到每天TB级别，普通的关系数据库是扛不住的。如果试图使用传统的关系数据库，比如Oracle之类的可以省省了。对付这种级别的数据，采用文件系统+内存索引会更好。不过这种场景，一般也就是机构里面能碰到了，个人quant可以不用考虑。

八款优秀量化交易回测框架！VNPY更适合你实现期货CTP接口量化,码分VNTrader新版本性能提升

       八款出色的量化交易回测框架，各有特色，码分适合不同需求。码分对于钟爱.NET的码分源码时代编程培训学校开发者，QuantConnect凭借其Web接口和本地SDK，码分提供了丰富的码分本地测试选项。Python爱好者可以选择VNPY，码分它的码分年新版本专为期货CTP接口优化，易于安装和集成，码分特别适合期货实盘交易的码分回测。

       如果你需要的码分是灵活性，Virtualapi以其模拟原生API的码分设计，支持多种编程语言，码分且回测与实盘代码改动较少，对于CTP接口的兼容性出色。QuantConnect的Lean Engine则支持C#、F#和Python，且注重隐私保护和定制便利。

       Python社区的Backtrader和Pyalgotrade提供了纯Python的解决方案，Backtrader代码风格Pythonic，易于学习和二次开发，Pyalgotrade则以事件驱动和速度见长，但对Pandas支持不足。Zipline是入门友好，但Web回测速度和可定制性有待提升。

       最后，如果你是国内市场实盘交易的首选，VNPY的社区发展和期货专属性使其成为理想选择。选择哪个框架，关键在于你对市场的lzo压缩 vb源码需求和编程语言的偏好。

quantconnect学习笔记1---缘起

       在探索量化投资的道路上，我已经试用过多种平台，如金字塔、文华财经、TB、金魔方，以及基于Python的优矿、聚宽、米筐、backtrader、pyalgotrader和vnpy。这些平台在回测和实盘中都曾扮演过重要角色，但最终因为各种原因，我选择离开。我明白，对于量化投资而言，平台不过是个工具，而真正重要的是对工具的深度理解和熟练运用，这是我为何着手自己开发量化框架的原因，期待在未来能减少对平台的依赖，减少不必要的坑洞。

       然而，当工作中需要使用quantconnect时，我开始思考这个选择。作为一个纯Python开发者，学习C#底层框架是否合理？未来遇到问题时，我不清楚问题的本质，也无法自己填补这些未知的坑。为了验证quantconnect是否适合Python量化者，我决定在接下来的半年或一年后，分享我的网络表白php源码实际体验和答案，让大家看到它在实战中的表现。

手把手教你入门量化回测最强神器backtrader（一）

       目前，Python量化回测框架种类丰富，如zipline、vnpy、pyalgotrader和backtrader等。backtrader以其功能完善、文档详尽、安装简便（pip安装）等优点，受到许多量化投资者的喜爱。尽管学习过程中可能需要处理大量元编程（类class），但对于有一定Python基础的用户来说，它仍然是一个强大的工具。

       backtrader的核心组件包括数据加载（Data Feed）、交易策略（Strategy）、回测框架设置（Cerebro）、运行回测和评估性能（Analyzers）。其中，数据加载用于将交易策略所需的数据加载到回测框架中；交易策略负责设计交易决策；回测框架设置则包括资金、佣金、数据馈送、策略和交易头寸大小等参数的设置；运行回测后，可以通过Analyzers对策略的回测结果进行图形和风险收益等指标的评价。

       以日单均线策略为例，该策略的核心是判断收盘价是否突破或跌破日均线。在backtrader中，首先需要构建策略，包括参数设置、日志记录、初始化、订单和交易状态通知等。hibernate注解源码包接下来是数据加载，backtrader支持多种数据接口，包括quandl、yahoo和pandas格式数据等。然后进行回测设置，包括初始化、数据加载、策略添加、经纪商设置和头寸规模设置等。执行回测后，可以输出回测结果，并进行可视化分析。

       backtrader作为一款功能强大的量化回测框架，在实盘交易中得到了广泛应用。本文以日单均线策略为例，介绍了backtrader的基本使用方法和运行过程。接下来，公众号将全面介绍backtrader的应用。学习backtrader需要耐心和细心，研读官方文档是最佳途径。

pyalgotrade量化回测框架简单试用

       持续行动1期 /，“AI技术应用于量化投资研资”之可转债投资。

       今天我们要探讨的是量化投资中的一个重要环节——回测。

       提到量化，很多人首先想到的就是回测系统，编写一个策略，添加几个技术指标，看看效果。

       在此之前，我们一直在讨论数据和因子，它们是linux 音乐播放源码量化的核心。回测系统只是一个工具，而且有很多成熟的开源项目，例如quantopian等平台，提供了数据源。

       我将分享四个量化回测引擎：pyalgotrade， backtrader，我自研的以及qlib内置的。

       特别说明，qlib内置的回测系统适用于机器模型驱动的策略，但如果你需要改造成传统事件驱动的策略，也可以自己实现。我可能会考虑将我的回测系统与qlib框架相结合，如果有必要的话。

       今天我们先来看一个简单的例子：pyalgotrade。

       安装很简单：pip install PyAlgoTrade

       它的版本停留在0.2，虽然不再维护，但基本能满足需求。

       github.com/gbeced/pyalg...

       文档地址：

       gbeced.github.io/pyalgo...

       pyalgotrade-docs-zh-cn.readthedocs.io...

       有人改进了国内市场的版本，开源地址如下：

       github.com/Yam-cn/pyalg...

        hello pyalgotrade

       由于yahoofinance不再适用于获取csv数据，我们使用自己的格式下载。

       我们使用茅台的股票数据。

       pyalgotrade的数据列以大写字母开头，并且必须有复权价。

       接下来，我们将展示如何打印收盘价：

        参数优化

       以下是本地参数集回测的代码。

       pyalgotrade虽然小巧，但功能齐全。

       尤其是对于编写传统的技术面策略，如均线、MACD、动量等，非常合适。

       交易的股票数量不多，因子也较少，买卖规则清晰。

        多支股票轮动

       这是我们最需要的场景。

       然而，我们的数据格式是dataframe计算好的指标，而pyalgotrade只能从csv文件中添加数据，这有些麻烦。

       我们可以参考其买卖状态的可视化部分的代码。

       backtrader也存在着类似的缺陷，这些传统的量化框架更适合技术分析的量化，需要加载的数据量较少，因子也较少。

       接下来，我们将讨论自主研发的量化框架。

       飞狐，科技公司CTO，用AI技术做量化投资；以投资视角观历史，解时事；专注个人成长与财富自由。

目前哪个国内量化回测平台最好?

       量化回测平台的选择，需要综合考虑使用成本和易用性。目前市场上免费平台众多，如商业型平台金字塔、文华、交易开拓者、优矿、聚宽、米筐、万矿、掘金，以及开源平台zipline、backtrader、pyalgotrade、qauntaxis、qauntdigger等。收费平台多针对机构，费用较高。

       使用成本上，免费平台易于获取，但付费平台往往提供更全面、专业的服务。若寻找免费且好用的框架，推荐使用开源平台。zipline或backtrader是两个优秀的开源框架，适合希望深度定制和理解回测流程的用户。

       从易用性角度，商业平台如文华、TB等通常操作简便，上手快。若考虑回测涉及基本面、报表数据的需求，聚宽、米筐、掘金较为适合。掘金平台支持MATLAB和Python，其中Python是主流选择，MATLAB则可能面临被禁止使用的风险。

       若追求高服务质量，建议选择收费平台，这些平台通常提供更快速、专业的客服支持。对于希望自定义、深度理解回测流程的用户，开源框架是理想选择。米筐作为提供开源框架的平台，值得推荐。

       综上所述，量化回测平台的选择需根据个人需求和偏好，权衡成本与易用性。开源框架如zipline或backtrader适合追求深度定制的用户，而商业平台如聚宽、米筐则能满足高级功能需求。

国内有哪些量化平台以及对比？

       在金融科技创新的浪潮中，国内涌现出了众多优秀的量化平台，它们各具特色，满足不同投资者的需求。以下是一些备受推崇的量化平台，让我们一起深入了解一下他们的特性与优势：

vnpy</: 作为开源的交易平台框架，vnpy凭借其灵活的架构和强大的社区支持，为专业交易者提供了稳定可靠的基础。

quantLib</: 开源金融计算库，为复杂的金融模型和算法提供了强大的算力支持，助力量化策略的深度开发。

talib</: 技术分析领域的翘楚，talib提供了丰富的技术指标，为交易者提供了深入的技术分析工具。

rqalpha</: Python的量化之选，rqalpha提供了易用的接口和丰富的社区资源，适合新手和进阶投资者。

easytrader</: 自动交易神器，简化了交易流程，适用于日常交易和高频交易策略。

BigQuant</: 集人工智能与金融于一体的平台，通过机器学习和大数据分析，为高阶量化投资者提供了前沿策略。

PyNance</: 数据分析与可视化的强大工具，帮助投资者洞察市场动态，提升决策效率。

TA-Lib</: 技术分析领域的经典之作，专注于提供精确的技术指标和分析方法。

BigQuant</: 金融数据与机器学习的完美结合，提供深度的量化研究环境。

vn.py</: 另一款Python交易平台框架，以高效和稳定著称，深受开发者喜爱。

EasyQuotation</: 实时行情获取利器，为实时交易提供了实时的数据支持。

       此外，对于初学者和入门者，我们还要提及阿岛格，一个低门槛的量化分析与交易教程平台，为学习者提供了丰富的学习资源。在探索过程中，可以参考“知shi星球（阿岛格）”进行交流和探讨。

       还有一些值得关注的补充选项，如pyalgotrade-cn，支持A股历史回测和比特币交易接口；pyktrader则结合了vnpy和GUI，提供易用的交易平台设计。trade专注于主题投资和事件驱动策略分析，而zipline和QSTK则在国内量化平台中扮演着模板和建模的角色。

       对于初级开发者，quantitative是一个尚在开发中的事件驱动反向测试库，虽然还在成长中，但也值得关注。analyzer则提供了实时金融数据分析与交易策略开发的平台，bt和rqalpha、quantconnect则是在线回测平台的佼佼者。

       通过这些平台，无论是策略编写、实盘交易还是深度回测，国内的量化生态体系日益完善，为投资者提供了广阔的应用场景和无限可能。

       最后，值得一提的是，finmarketpy、volatility-trading等平台分别聚焦金融数据分析、波动率交易等特定领域，而vnpy_oanda则提供了定制化Oanda接口，QuantDigger则为股票期货交易提供了全面的解决方案。

       无论你是寻找简单易用的工具，还是寻求深度的量化研究，国内的量化平台都能为你提供强大的支持。让我们一起探索这些金融科技的宝藏，提升投资智慧，共创辉煌!