量化买卖工具链有哪些 中国的 Python (量化买卖工具有哪些)
本文目录导航：
中国的 Python 量化买卖工具链有哪些
万得的Python API，可以用来失掉实时数据、历史数据以及下单买卖 好处：万得大而全 缺陷：下单买卖性能不是事情驱动（例如成交报答须要用户去查问，而不是主推）同花顺iFinD的Python API，相似万得的API 好处：比万得廉价，同花顺的服务态度很好（用户提出新需求后很快就能给出确定的回答或许处置打算）掘金的量化平台通联数据的量化平台QuickFix的Python API（可以用来接国信、方正的FIX接口）Numpy/Scipy/Matplotlib/Pandas（量化剖析）IPyhon/Spyder（适宜做量化剖析的IDE环境）Zipline（战略开发回测）TuShare财经数据接口 - 可以间接抓取新浪财经、凤凰财经的网站数据，包含行情、基本面、经济数据等等。
齐全收费，繁复易用，API设计得十分友好，提取的数据格局是Pandas的DataFrame。
同时可以失掉非高频实时数据（取决于网站降级速度，共事阅历大概是15秒），一个极好的非高频股票战略数据处置打算。
恒生电子的量化赢家平台，提供Python接口，链接我点出来后没看到详细的经常使用教程，宿愿回头补一下。
米矿ricequant在我提出这个疑问时兴只要Java的API，起初也允许了Python，等候2016有新的打破。
Quant必备工具箱：量化买卖的技术框架
构建Quant的工具箱，旨在为量化买卖提供片面的技术框架。
本名目旨在边学习边通常，欢迎关注与交换。
工具箱分为三大畛域：量化开发（Developer）、事情驱动回测系统与实时买卖系统。
以下将区分论述。
量化开发畛域关注极速回测系统，此系统将大幅优化回测效率，清楚缩小耗时，优化战略开掘流程。
关键性在于，更快的回测能提供即时反应，减速战略验证与优化。
技术栈包含Python、xarray、empirical、TA-Lib、MongoDB、HDF5等。
事情驱动回测系统旨在经过一一数据条读取，模拟实盘买卖流程，成功战略的回测与实盘的无缝对接。
此类系统能够大幅优化代码的可复用性与分歧性，易于裁减与保养。
技术栈要求Python和面向对象编程（OOP）。
实时买卖系统聚焦于将战略从通常转为通常，成功智能化下单与盯盘流程。
系统需具有数据处置、订单口头等关键性能，允许多线程、设计形式与MVC架构，驳回矫捷开发形式。
技术栈要求Python、OOP、多线程、设计形式、MVC架构与矫捷开发。
散布式买卖主机着重处置高并发与大负载疑问，经过微服务与集群架构成功系统的横向裁减与纵向提速。
技术栈要求Java、RabbitMQ、Protocol Buffers、Disruptor与Docker。
产品化阶段，已成功部署云端主机并运转自营战略，收益浮现。
但是，产品化之路未止于此。
后续将深化讨论各框架的设计理念与成功细节，下期将聚焦于向量化回测系统的构建。
敬请等候后续内容。
Python量化买卖实战——经常使用vn.py构建买卖系统
在Python量化买卖的实战中，作者欧阳鹏程经过框架，为读者构建了一个从零基础到实战的教程。
本书分为8章，首先经过第1章和第2章引见环境搭建与Python工具包，为后续买卖战略的成功打下基础。
接着，第3-7章逐渐深化，从便捷到复杂，区分解说了买卖战略、仓位治理、风控以及多种详细买卖战略的成功，如基于目的的买卖战略（如均线、KDJ、MACD等）和基于模型的战略（如ARIMA、SVM等）。
最后，第8章将通常运行于实盘买卖，解说了实盘买卖与回测的区别，以及如何在实践环境中运转战略。
本书适宜对量化买卖感兴味，有必定Python基础的读者，经过详尽的代码示例和深刻易懂的言语，协助读者了解框架和买卖战略。
从环境性能到买卖战略的实战，都为读者提供了明晰的门路。
经过浏览本书，读者将能把握量化买卖的基本原理和的经常使用，为自己的买卖之路奠定松软基础。
phper