Ⅰ python量化哪个平台可以回测模拟实盘还不要钱
Python量化投资框架：回测+模拟+实盘
Python量化投资 模拟交易 平台 1. 股票量化投资框架体系 1.1 回测 实盘交易前，必须对量化交易策略进行回测和模拟，以确定策略是否有效，并进行改进和优化。作为一般人而言，你能想到的，一般都有人做过了。回测框架也如此。当前小白看到的主要有如下五个回测框架： Zipline ：事件驱动框架，国外很流行。缺陷是不适合国内市场。 PyAlgoTrade ： 事件驱动框架，最新更新日期为16年8月17号。支持国内市场，应用python 2.7开发，最大的bug在于不支持3.5的版本，以及不支持强大的pandas。 pybacktest ：以处理向量数据的方式进行回测，最新更新日期为2个月前，更新不稳定。 TradingWithPython：基于pybacktest，进行重构。参考资料较少。 ultra-finance：在github的项目两年前就停止更新了，最新的项目在谷歌平台，无奈打不开网址，感兴趣的话，请自行查看吧。 RQAlpha：事件驱动框架，适合A股市场，自带日线数据。是米筐的回测开源框架，相对而言，个人更喜欢这个平台。 2 模拟 模拟交易，同样是实盘交易前的重要一步。以防止类似于当前某券商的事件，半小时之内亏损上亿，对整个股市都产生了恶劣影响。模拟交易，重点考虑的是程序的交易逻辑是否可靠无误，数据传输的各种情况是否都考虑到。 当下，个人看到的，喜欢用的开源平台是雪球模拟交易，其次是wind提供的模拟交易接口。像优矿、米筐和聚宽提供的，由于只能在线上平台测试，不甚自由，并无太多感觉。 雪球模拟交易：在后续实盘交易模块，再进行重点介绍，主要应用的是一个开源的easytrader系列。 Wind模拟交易：若没有机构版的话，可以考虑应用学生免费版。具体模拟交易接口可参看如下链接：http://www.dajiangzhang.com/document 3 实盘 实盘，无疑是我们的终极目标。股票程序化交易，已经被限制。但对于万能的我们而言，总有解决的办法。当下最多的是破解券商网页版的交易接口，或者说应用爬虫爬去操作。对我而言，比较倾向于食灯鬼的easytrader系列的开源平台。对于机构用户而言，由于资金量较大，出于安全性和可靠性的考虑，并不建议应用。 easytrader系列当前主要有三个组成部分： easytrader：提供券商华泰/佣金宝/银河/广发/雪球的基金、股票自动程序化交易，量化交易组件 easyquotation : 实时获取新浪 / Leverfun 的免费股票以及 level2 十档行情 / 集思路的分级基金行情 easyhistory : 用于获取维护股票的历史数据 easyquant : 股票量化框架，支持行情获取以及交易 2. 期货量化投资框架体系 一直待在私募或者券商，做的是股票相关的内容，对期货这块不甚熟悉。就根据自己所了解的，简单总结一下。 2.1 回测 回测，貌似并没有非常流行的开源框架。可能的原因有二：期货相对股票而言，门槛较高，更多是机构交易，开源较少； 去年至今对期货监管控制比较严，至今未放开，只能做些CTA的策略，另许多人兴致泱泱吧。 就个人理解而言，可能wind的是一个相对合适的选择。 2.2 模拟 + 实盘 vn.py是国内最为流行的一个开源平台。起源于国内私募的自主交易系统，2015年初启动时只是单纯的交易API接口的Python封装。随着业内关注度的上升和社区不断的贡献，目前已经一步步成长为一套全面的交易程序开发框架。如官网所说，该框架侧重的是交易模块，回测模块并未支持。 能力有限，如果对相关框架感兴趣的话，就详看相关的链接吧。个人期望的是以RQAlpha为主搭建回测框架，以雪球或wind为主搭建模拟框架，用easy系列进行交易。
Ⅱ 可以不通过平台自己用Python写量化交易策略吗
在哪？可以啊，只要有你有能力，你怎么学都可以
Ⅲ 程序化交易里面主流的语言是C++，python是趋势吗
中小投资者一般用程序化的商用软件，语言是软件提供的。
机构一般用C++。
Ⅳ 怎样用 Python 写一个股票自动交易的程序
概率炒股法：
下面方法买涨不买跌，同时避免被套，缺点，手续费比较高，但完全可以吃完整个牛市，熊市不会被套。
用python获取股票价格，如tushare，如果发现股票当天涨幅在大盘之上（2点30到2点50判断），买入持有一天，下跌当天就别买，你可以用概率论方法，根据资金同时持有5支，10支或20支，这样不怕停盘影响，理论上可以跑赢大盘。好处：避免人为冲动，缺点手续费高
还有一种是操作etf，如大盘50etf,etf300,中小板etf,创业板etf，当天2.30分判断那个etf上涨就买入那支，买入涨幅最大的，不上涨什么都不买，持有一天，第二天上午判断一下，如果下跌超过2%卖掉。好处：不会踩地雷，缺点：涨随大盘,我比较推荐这个方法，外围的风险比较小。
具体的python程序我有，比上面复杂，有止赢止损位，资金管理，监视管理，我用在实盘当中，自动化下单也已解决。
我觉得程序的成败不在一日之功，在于长期稳定赚钱，如运行十年，过多的数据分析也无意义，因为预测未来永远是一个概率问题，不是百分之百确定的，如果你的程序能在长时间多次数上战胜市场，你的程序就能趋向大数定理。
否则一时的回撤会让你停止程序自动执行，而无法趋向大数定理中的稳定概率。
如果有一个程序能百分之99确定，那么基本上肯定是分析了内幕交易数据，和徐x一样，每次重仓一支股，这种手法应该是得到了内幕，也就不需要什么程序来交易了。
巴菲特的交易模式实质上也是内幕交易的一种，因为他靠的是外在分析，实地考查，估计这是寻找内幕的手段，现在做大了，这种效果就不灵了，收益也下降了，美国经济也下滑了，所以巴菲特的未来是必定是暗淡的，因为内幕交易的池子有限，资金量大了不好操作。
想想如果巴菲特生在苏联，印度，日本等等其他国家，他可能在街头要饭，美国二战后经济环境加倾向内幕造就了他，而不是炒股技术有多神。所以巴菲特不屑于程序化交易。
巴菲特及不少美国式的股神实际上是幸存者偏差造成的，你想想苏联的股神在那里？为什么一个都没有？（“沉默的数据”、“死人不会说话”）
我觉得未来真正能成股神必定是程序，不是人，因为一个好的程序策略可以用一辈子，实现长期稳定增长，当然前提是社会经济环境稳定，不会出现类似苏联的动乱，也不会出现日本式的恶性通胀（对货币m2有点担心）。
太多的股票让股民每天沉浸在选股的游戏中，选股造就了券商的行情软件，实际上很多数据都是没有用的，所有的关键是按操作方法永远执行下去才能趋向稳定概率，否则今天换一种明天换一种方法，今天按kdj，明天按macd，后天按boll，大后天按ddx，大大后天按自编指标，多条件选股，最后钱都交手续费或止损不及时被套牢了。这时券商收佣金的目的也就达到了，每年券商收的佣金比股市分红要高。不管行情如何，只要多请几个股评员，总有方向说对的，玩个概率游戏让大家频繁交易，券商的收入只会增不会降。所以千万别信股评，玩的是概率游戏，如同预测硬币的正反，请十个股评师必定有个能预测三次正确的神股评。你信这个神股评，后面可能是三次都不准，呵呵。所以券商和行情软件总会在收盘或午休时弹出各种消息或评价，说实在的这种东西没有一分钱的价值。可能早就写好了上涨的说法是模块a，下跌的说法是模板b，平市的说法是模板c,只是填上当天数据即可，都是八股文，都是马后炮，一样的事件上午说成是上涨理由，下午说成是下跌理由。
程序的策略经过测试后的关键在于稳定执行，长期稳定执行，长期长期稳定稳定执行执行，重要的事说三遍。
人性无法战胜的弱点是执行力，小学生都懂的天天向上，每日进步，世间有几人能做到？而稳定几十年执行更是难上加难，如同背英语单词一样，理论上一天背一百个，一百天就可以一万词，但十年，二十年过去了，你可能还是三千词以下。
用程序的目的就是百分之百执行到位，没有折扣，真正战胜人性的弱点，和t+1没有关系。
另外通过一定方法降低手续费也可以使你的资金活得更久，如把上面的日模型改为周或月模型。
Ⅳ 作为Python程序员 怎样入门量化交易
量化交易大多用在股票交易上，量化是指将某只股票或者摸个行业的数据进行量化，在更具各家机构自己的量化公式进行选择，量化交易只是选择，并不涉及交易，程序化交易也是一种量化交易，但是是更具已有的数据进行，比如各种行情指标，MACD KDJ等，无法像量化交易那样把能涉及到的所有数据进行量化，程序化交易更侧重交易的自动进行，没有认为干预，且模型编写简单，个人用户也可以进行
Ⅵ 使用python做量化交易策略测试和回验，有哪些比较成熟一些的库
numpy
介绍：一个用python实现的科学计算包。包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。
scipy
介绍：SciPy是一款方便、易于使用、专为科学和工程设计的Python工具包。它包括统计、优化、线性代数、傅里叶变换、信号和图像处理、常微分方程求解等等。
pandas
介绍：Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。
quantdsl
介绍： quantdsl包是Quant DSL语法在Python中的一个实现。Quant DSL 是财务定量分析领域专用语言，也是对衍生工具进行建模的功能编程语言。Quant DSL封装了金融和交易中使用的模型（比如市场动态模型、最小二乘法、蒙特卡罗方法、货币的时间价值）。
statistics
介绍：python内建的统计库，该库提供用于计算数值数据的数学统计的功能。
PyQL
介绍： PyQL构建在Cython之上，并在QuantLib之上创建一个很浅的Pythonic层，是对QuantLib的一个包装，并利用Cython更好的性能。
Ⅶ 如何实现股票或者期货的自动化交易
程序化交易跟机械化交易本质没啥区别
只是自动化而已
跟高手能不能拼在于
首先如何定位高手？
比如，年收益100倍？10倍？1倍？0.3倍？
其实这些神话都有人实现过？
拉瑞就实现过年收益100倍，但我们为啥在富豪榜中能看到巴菲特，而没有拉瑞？
拉瑞的确是高手，但是他肯定不稳定，或者在高收益的要求下不稳定
手动交易的思路我觉得跟主观交易的思路是不同的
一般人想把主观的思路程序化，这也许可能（有句话叫：没有什么不可能嘛）
但对初学者，这样做会让你很累，
程序就走机械的路，主观就走灵活的路
Ⅷ 程序化交易里面主流的语言是C++,python是趋势吗主流的平台软件有...
语言只是工具，各有优势，用自己顺手的就行了，但对于通常的金融交易来讲，大部分语言效率都足够了，不明白为什么一直有这样的争论存在，对于程序而言，执
行效率只是其中一个重要的方面，但不是全部，还要考虑开发效率，可维护性，程
序健壮性等众多因素。
至于Java的效率，并不是想像中的那样低，GC 是会有不确定的
CPU消耗，但这个是可控的，算法交易模块就有用Java开发的，国外还有MarketCetera平台就是
完全基于Java的。
众多语言中，R/Python是我喜欢用来研究的，Python,C/C++是用来交易的，但C/C++是易错的，难维护，不是特别需要追求速度的时候一
般是不用的，就像不再用汇编来写程序一样， Scala 是拿来玩的。 最喜欢的还是Python，可用的资源多，开发效率高，好维护。
Ⅸ 现在股票可以程序化交易吗行吗
程序化交易是什么，顾名思义，就是用程序编程去实现交易进行标的买卖，跟量化交易的定义其实不太一样。在中国，期货那端来说，接口都是公开的，懂编程的人实现下单难度应该不是很大，而在A股市场，目前证监会是不允许行情转发到机房外，也不允许券商开放接口给个人。对于很多人来说，需求更加大的应该是A股的程序化交易。简单来说下，A股的程序化交易主要分2类，一类是根据券商提供的平台实现程序化交易，如宽睿系统、国信TS、中信CATS、恒生PB、中泰XTP等，在这类系统平台上开发策略实现程序化交易合法合规；另一类自然是自己搭建平台，当然这个难度很大，首先数据源就是一个难题，采集好数据后，其次是搭建平台，再次是开发策略，最后是实现交易下单，但是实现下单又涉及券商下单接口，又是一个难题。当然，最近2年，出现了很多在线的python开发平台可以用来模拟策略，比如米筐、聚宽等，可以用来开发简单的中低频策略。综合来说，不是太建议个人自己搭建一个平台来实现程序化交易，工作量太大，不是靠个人可以搞定的。
Ⅹ 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。