㈠ 量化投资 用python好 还是c++
Python是非常适合做quant类工作的语言，本身就是科学计算方面的统治级语言，现在加入了IPython，pandas等重量级神器，为Quant类工作量身定做，而且仍在飞速发展中，以后会越来越重要。
关于其他语言，首先介绍一下我自己最喜欢的一个比较小众的组合，Mathematica+Java/Scala。 Mathematica的优点在于：本身提供函数式的编程语言，表达能力非常强大，比如Map/Rece是标配，很多时候不需要去做烦人的for循环或下标控制，排版经常可以直接照数学公式原样输入，即直观又不容易写错；代码和输出混排的排版方式使得建模时的演算和推理过程非常流畅，甚至还可以直接生成动画，对于找直观理解非常有帮助（这几点分别被IPython和R偷师了一部分）。Mathematica的缺点在于对金融类的时间序列数据没有很好的内建支持，使得存储和计算都会比较低效，因此需要用内嵌Java的方式来补足，对于数据格式或性能敏感的操作都可以用Java/Scala实现。这个组合在我心目中无出其右，不论是快速建模，还是建模转生产，都远远领先于其他选择。但Mathematica的商用授权很贵，如果公司本身不认可的话很难得到支持，这是最致命的缺陷。另外随着Python系的逐渐成熟，领先优势在逐渐缩小，长远看Python的势头更好一些。
其他答案里也列举了不少其他语言，我自己既做Quant的工作，也做软件开发的工作，这里想从一个软件工程师的角度，说说我的理解。平时工作中会和一些偏Quant背景的人合作，很容易发现建模能力好的人往往在计算机方面基础比较薄弱（因为以前的训练重点不在这里）。他们也可以快速学习掌握一种像C++，Java这样的语言，实现很多必要的功能。但是一方面这些语言陡峭的学习曲线和繁琐的开发步骤会给他们真正要做的工作增加不必要的负担，另一方面一旦涉及到性能敏感的情景，他们对计算机体系结构缺乏理解的缺点就容易暴露，比如说很可能他们没有计算复杂度，内存碎片，cache miss，甚至多线程等概念，导致写出的程序存在相当大的隐患。
即使是计算机功底扎实，如果每天的工作需要在C++，Python，R/Matlab，甚至一众脚本语言之前来回切换，思维负担也会非常重，人的精力是有限的，很难同时兼顾数学建模和底层代码调试这种差距巨大的工作。长期发展下去最可能的结果就是要么远离建模，专心做生产环境开发，要么远离生产环境，专心建模。这种局面显然不论对个人还是团队都是有很大弊端的。
如果深入思考这个问题，相信不难得出结论，对于Quant来说，C++这种相当面向机器的语言肯定不是最佳选择。的确在历史上，它比更面向机器的C已经友好了很多，但是在计算机技术飞速发展的今天，如果还需要Quant大量使用C++做建模类的工作显然是很遗憾的事情。设想一下你拿到一份股票数据，不论你是想分析价格走势，成交量分布，还是波动性，第一件要做的事一定是画出图来看看，有一个直观认识。如果你的工具是C++，肯定有很多时间花在编译，调试，再编译的过程上，好容易能解析文件了，接下来怎么算移动平均？怎么算波动性？全都要自己写代码。再然后怎么画图？这整个工作流简直惨不忍睹，这些问题浪费掉你大部分精力，而他们全部和你真正感兴趣的工作毫无关系。所以如果你是一个数理金融等背景的新人打算开始Quant生涯，在决定是否要投资到这项重量级技术上时需要慎重，即便它目前的市场定价可能仍在峰值。相比之下我认为Python会是更理想的选择，即能很好的完成建模工作，也可以训练一定的编程技巧，使你在必要时也能胜任一些简单的C++工作。
最后同意 @袁浩瀚，不要拘泥于语言，不论学习那一种，对其他的语言还是要抱有开放的心态。另外世界变化很快，你会发现单一的语言分类方式其实是没有意义的，每一门语言在发展过程中都会逐渐吸收其他语言的特性，比如Python本身就既有C/C++/Java那样命令式的特点，也有函数式的特点，像pandas甚至还提供类似SQL的使用方式，在其他语言或系统里也都或多或少包含了不同的特点，可以在学习过程里慢慢体会。
㈡ 当下对于量化投资有用的R语言包有哪些
quantomd包
㈢ 国内量化交易的主流开发语言有哪些
程序化交易交易策略核东西种种策略实际总结效交易式变按条件触发程序化执行步骤效并收益高靠经验或者看K线图类涉及数、理甚至编写代码等等专业领域些团队组些模型都要自析摸索否则抄效家工作劲呢都作股票
㈣ 国内量化交易平台哪家支持python等多门编程语言开发策略
你好，在金融量化交易领域，掘金量化交易平台可以支持多种主流编程语言的开发，包括python、R、Matlab, C, C++, C# ；可以满足掌握不同编程语言的量化策略者的需求。
㈤ 量化算法交易员一般使用什么语言为股票趋势编程 MATLAB
一、三个指数的今日走势，看量价，看走势的轻重缓急，关键点位。
二、行业板块指数的涨跌幅，资金交易量，这个与指数结合起来看，看看大盘是健康的还是畸形的。
三、看个股，因为帮客户做风险控制，所以主要看客户的个股，计算客户明日最大亏损值，是否在可以承受范围之内。
㈥ 量化投资用什么编程语言研发策略好呢
么以下我就以程序语言的角度来回答
当然如果已经会了某些语言,那你可以使用熟悉的语言去找网上的学习资源会比较快
如果没有特别熟悉的语言,或者是愿意多学一种非常好用的语言
我的建议是学习Python
我从以下几点来分别说明
平台资源
国内外使用Python做云端回测以及运算的免费平台相当的多,例如有 宽客在线，发明者量化，优矿, 等等不胜枚举,可以使用平台的支持以及社区的互相帮助来学习
容易学习
综合以上所说,"目前的环境底下" 我推荐Python.（推荐直接下载 Anaconda的集成开发环境）
㈦ Julia会替代Python成为量化投资热门语言吗
python被神话了
它出现的时间很早。1992年
所以设计上的理念很老，说白了不合时宜了
因为它用起来比JAVA什么的方便，所以才会流行
但是它自身的语法问题太多，很多地方设计的太随意了
新生代的语言必然会客服老的语言的错误和问题，所以JULIA替代PYTHON是大概率事件。
㈧ 量化投资要学那个语言好
Matlab 和 C++,一个建模一个执行，足够了。实在不爱用Matlab的话，R和Python也行。多看书多学习，英语也是很重要的。可以找视频和书籍学习。
个人推荐《量化投资：以python为工具》主要讲解量化投资的思想和策略，并借助Python 语言进行实战。《量化投资：以Python为工具》一共分为5 部分，第1 部分是Python 入门，第2 部分是统计学基础，第3 部分是金融理论、投资组合与量化选股，第4 部分是时间序列简介与配对交易，第5 部分是技术指标与量化投资。《量化投资：以Python为工具》首先对Python 编程语言进行介绍，通过学习，读者可以迅速掌握用Python 语言处理数据的方法，并灵活运用Python 解决实际金融问题；其次，向读者介绍量化投资的理论知识，主要讲解量化投资所需的数量基础和类型等方面；最后讲述如何在Python 语言中构建量化投资策略。
㈨ 做量化交易选择什么语言好呢
量化交易，就是把人能够识别的信息变成数字，输入给计算机程序处理，辅助或者代替人类的思考和交易决策。
初学者碰到的第一个问题就是工具的选择。首先大部分交易员本来不会写程序，选择任何一个语言进行策略开发，都有不小的学习成本。更重要的是，选择了一门语言，接下来开发环境、人员招聘、数据接口与平台、甚至同类人群之间的交流、遇到问题后的支持，都跟着被“套牢”。所以从一开始就必须慎重对待。
先给出答案：对于还没有确定一套固定量化环境的，建议用Python。
量化交易员面临的大致选择有：C/C++/java/C#/R/Matlab/excel等。我们从以下几个方面考虑简单做个对比。
注意：这里假设你团队规模在50人以下。
1 学习成本和应用的广泛性
C、C++的特点是速度最快，但要想用好，必须对计算机底层架构、编译器等等有较好的理解，这是非计算机专业的人很难做到的，对于做量化交易来说更是没有必要。
Java本来是SUN的商业产品，有学习成本和体系的限制，也不适合。
Excel面对GB级别的数据无能为力，这里直接排除。
Python、R和Matlab学起来都简单，上手也快，可以说是“一周学会编程”。但R和Matlab一般只用来做数据处理，而Python作为一门强大的语言，可以做任何事，比如随时写个爬虫爬点数据，随时写个网页什么的，更何况还要面对处理实时行情的复杂情况。
2 开始做量化分析后，哪个用起来碰到问题最少，最方便省事?
用历史数据的回测举例。假设我们有2014年所有股票的全年日线，现在我们想看看600001的全年前10个最高股价出现在什么时候。python世界有个强大的pandas库，所以一句话就解决问题：
dailybar[dailybar [‘code’]==‘600001’].sort_values([‘close’].head(10)
R/Mathlab等科学语言也可以做到。
C/C++没有完备的第三方库。如果为了做大量的计算，要自己实现、维护、优化相应的底层算法，是一件多么头疼的事。
Python从一开始就是开源的，有各种第三方的库可以现成使用。这些底层功能库让程序员省去了“造轮子”的时间，让我们可以集中精力做真正的策略开发工作。
3 现在我们更进一步，要做实时行情分析和决策
以A股的入门级L1数据为例，每3秒要确保处理完3000条快照数据，并完成相应的计算甚至下单。这样的场景，C和C++倒是够快了。所以行情软件比如大智慧、同花顺等客户端都是使用高效率的语言做的，但像客户端那样的开发量，绝大部分量化交易机构没能力也没必要去做吧。
python的速度足够对付一般的实时行情分析了。其底层是C实现的，加上很多第三方的C也是C实现，尽管其计算速度比不上原生C程序，但对我们来说是足够啦。
4 quant离职了，他的研究成果怎么办
Python是使用人群最多、社区最活跃的语言之一，也是最受quant欢迎的语言之一。如果你是老板，你能更容易地招聘到优秀人材，享受到python社区带来的便利。
附几个量化中常用的python库：
- Pandas：
天生为处理金融数据而开发的库。几乎所有的主流数据接口都支持Pandas。Python量化必备。
- Numpy：
科学计算包，向量和矩阵处理超级方便
- SciPy：
开源算法和数学工具包，与Matlab和Scilab等类似
- Matplotlib：
Python的数据画图包，用来绘制出各类丰富的图形和报表。
PS: Python也是机器学习领域被使用最多的语言之一。像tensorflow、scikit-learn、Theano等等对python都有极好的支持。