这篇文章是对目前我自己用java开发量化交易系统的一个总结，后续有新的进展我会陆续更新到这个专栏里。用业余时间搞量化这个副业是想实现自己一直以来的愿望：当一个自由的宽客(其实大部分是因为不满足于死工资)

想做量化已经有4-5年了，记得大学的时候第一次在网上看到宽客这个名词，当时心里很激动。第一，当宽客很自由，而且能发挥个人的聪明才智，大学时在学校里参加过数据建模竞赛，我对能够用模型描述解决现实问题的这种方式感到既激动又开心，对社团里建模大神们尤其崇拜。当然，现在看来，当时的我们都不过是套模型，套公式而已。第二，这种职业不像自主创业那样需要太多应酬(当时的理解)。在学校里我们用的是matlab，后来慢慢又接触了python、R、java这些语言，在数学建模课上，老师讲了各种模型，像线性回归，决策树、SVM、遗传算法、退火算法等等，PPT一闪而过，我对模型却只是一知半解，在比赛的时候也只是找现成的解决方法去套，于是我决定用matlab来实现这些算法，后来接触到python、R后，又用python、R把这些算法实现了一遍。这些都是大学的经历，后来工作了，使用java比较多。这几门语言里，matlab和R在早期的时候使用的比较多，尤其是R的ggplot2绘图包，画出来的图实在是太惊艳了，但是它们有一个很大的局限处，它们的易用性只是体现在特定的领域：数据分析、处理、可视化等等，如果你想要用matlab或者R去写一个爬虫，或者将中间数据存储到数据库里，对它进行增删改查，相信你还是会选择python或者java这种比较全面一点的语言。python我使用得比较多，在整个研究生期间，包括后来实习都是用的python，用python也写了很多小玩具，比如打包依赖用的pymvn, 利用pyqt5写了一个翻译工具，后台调的是百度翻译，还写了一个用来计时的桌面小软件。总的来说python在写代码的时候很舒服，而且有很多库可以实现你想要的功能，缺点也有，就是很多库都是c/c++写的，有的时候出了莫名其妙的bug只能查文档，或者在网上翻解决方案，python很多应该是大部分库的代码都没有使用类型注解，如果不去debug，直接看源码会很懵逼。说实话，由于python很容易上手，导致很多水平很差的人在用python，看到有的同事写python变量用t,tt,ttt，我真的是一肚子火。最后一点当然是运行效率了，很多人说用python写原型，然后用c++或者java再实现一遍，但是当你写的逻辑或者算法特别复杂的时候，这个时候再去换一门语言代价就很大了。网上有不少文章写用numba或者cython给python提速，大多数人都只是罗列下官网的例子，或者随便找一个代数计算的例子。在真正在项目里面，很多都是自己定义的数据结构，numba和cython提升的效果根本就不明显，你需要把耗时的计算代码解耦出来，只使用基本的数据结构或者使用numpy的数组结构去实现计算功能，这样才能有效的提升代码的运行效率，在我看来这有点得不偿失，还不如用传统的方法去优化代码逻辑和数据结构，因为你的代码不可能不迭代，也许下次迭代的时候你解耦出来的高效代码就无用了。之所以使用java来做量化，其实我也纠结了很久，知乎里好多人比较反感java，认为java很啰嗦，很多人推送scala或者kotlin，这两门语言我都尝试过，就我个人而言，我并没有觉得使用了scala或者kotlin后我的代码简洁了很多，我有一个观点：只要工具包足够多，写代码的体验自然就提升了，在开发的过程中，我也写了一个java的工具包：easy-util，这个包包含了字符串格式化，操作数组、流、日期等等，个人体验还不错。好了，这部分到此为止，本来是想总结下自己的量化实践过程的，没想到都在说语言的问题了。

从一个业余的角度来看，个人觉得一个量化系统需要以下这几个模块：数据来源

方便操作数据集的工具，像python的DataFrame

回测结果可视化

策略参数优化

实盘交易数据来源：我在github上找了很多，但是没有找到提供java调用接口的数据源，国内的有tushare、baostock，tushare已经满足我个人的使用需求了，就没有关注其他的。tushare提供了部分http接口获取数据，但是像股票的实时分笔数据还是只能用python去调用，于是我用flask把tushare里获取数据的方法做成了http接口，利用http接口给java提供数据源。

一个方便操作数据集的工具：这个在python里有pandas，而且很成熟。我刚开始用的是kotlin的krangl库，它里面也提供了DataFrame结构，但还不是很成熟，并不好用。这里强力推荐下java的smile库，它提供了很多基于jvm语言的接口，而且它提供的DataFrame很好用，作者回复issue也很及时

回测结果可视化：smile库也提供了可视化的模块，但是个人觉得并不是很好用，画图的时候必须基于DataFrame的数据结构，很多时候我们画图的数据长度并不是一致的，有的列只有部分数据，用smile画图必须用DataFrame重新构造数据，我觉得这样做太麻烦了，于是写了一个专门画图的库：better-plot，这个库的思路是模仿pyechart，前端使用echart展示数据，在java端构造出echart的option，下面是画图的例子：

Plot.of()

.x(tradeDates, RangeUtil.slice(tradeDates, 6, new String[tradeDates.length - 6]),

tradeDates, RangeUtil.slice(tradeDates, 1, new String[tradeDates.length-1]),tradeDates, tradeDates)

.y(closePrices, RangeUtil.multiply(macdWeekLine, 8), RangeUtil.multiply(macdLine, 8), forceIndexesNormalized,

lowClosePrices, highClosePrices)

.title("ma")

.xLabel("trade_date")

.legend("close", "macd-week", "macd", "force-indexes", "low", "high")

.lineTypes("line", "line", "line", "line", "line", "line")

.show();

目前这个库还很简陋，只适合普通的折线和散点图，不过用来对回测进行可视化已经足够了，而且也比较方便

4. 策略参数优化：优化参数的算法有很多，像遗传算法，退火算法，粒子群算法等，我写了一个通用的遗传算法框架，将select，mutate，cross等算子中可重用的部分用框架实现，自己只需要实现个体的数据结构，适应度值计算，个体比较等逻辑。

5. 实盘交易：这块应该是量化交易中最重要的部分了，当初在设计的时候是想根据策略来执行自动交易的，但是国内个人要想进行自动交易好像比较困难，具体的我没详细去了解，网上现有一个解决方案：利用自动化测试工具像selenium等，在网页版交易软件上模拟交易操作时的点击事件。这种方案需要网络稳定，并且网页前端代码不变这些条件，最后我还是决定使用发送邮件的形式来通知交易。我开发了一个小网站，通过在网站上对相关股票进行关注，后台对关注的股票，每天下午2:30进行计算，将需要执行的交易发送到邮件里进行通知

好了，先记录到这里