量化投资对于数据源、回测、实盘平台的选择
量化策略开发第一步：数据源
开发量化策略的第一个重要环节：如何获取数据？
开发量化策略所需要的数据，包括历史数据和实时数据。特别指出，我们只介绍免费的数据源，以帮助大家降低成本。
先从股票开始，股票的历史数据，我们可以借用三方平台回测（例如优矿、聚宽、米筐等），相当于借用了平台的历史数据，但平台历史数据有一个问题：往往不能将全量数据下载到本地。想要自己搭建股票回测框架的话，推荐用tushare的数据，如果你是学生，tushare是可以免费使用的；而如果你有写blog的习惯，也可以写一些tushare相关的技术文，向tushare申请免费的积分以获取数据权限。
一个tushare获取数据的小栗子
对于实时数据，目前新浪财经、腾讯股票可以通过爬虫抓取实时数据，我们曾分享过如何通过新浪财经，以及Easyquotation（包含新浪、腾讯财经接口）获取数据的文章，传送门：
实时获取股票数据，免费！——Python爬虫Sina Stock实战
股票数据爬虫：进阶免费、开源的股票爬虫Python库，亲测真香
然后再看期货，期货数据根据数据周期可以分为K线数据和tick数据。期货的三方平台例如tbquant，提供了tbpy的接口。我们可以通过Python将平台提供的全量历史k线数据下载到本地，来进行本地的回测，可以说是极为友好了。此外，比如tqsdk（快期天勤的Py接口），以及上文提到过的tushare，也能提供期货的k线的历史数据接口。
对于高频策略需要用到的tick数据，就只能通过自编软件来收集了，目前我们没有看到三方平台或数据商有这一类免费的数据源提供。期货的实时数据，由于有ctp api这个完全免费、高度成熟的期货接口，任何人都可以通过这个接口接收交易所推送的标准行情数据，与此同时，我们可以配合mysql或mongodb，将数据落地，就形成了本地的tick级数据回测来源。
tick数据落地范例
量化策略开发第二步：回测平台
开发量化策略的第二个重要环节：选择合适的回测平台/框架
量化策略的回测，我们既可以借助成熟的三方平台，也可以用例如Python等语言自行编写搭建回测框架。
先说三方平台，股票回测的三方平台，以聚宽、优矿、米筐这3个最常见，这3个平台都是Python API的结构，并且有完善的测试结果的可视化工具。
对于期货的回测，K线策略同样可以借助4大三方平台：tbquant、文华财经、金字塔、multicharts来实现，如果对于Python比较熟悉，也可以选择天勤的tqsdk或者vn.py来回测，其中vn.py需自行对接历史数据。
三方回测平台的优势与劣势
然后，我们来分析一下三方平台的优势、劣势。首先是优势，第一点，三方平台把回测的基础框架都搭建好了，用户只需要专注最核心的策略逻辑部分，而不需要关注其他的底层；第二点，三方平台往往回测和实盘代码是同一套，回测、实盘的逻辑由三方平台自建的底层代码来做切换，给予用户编程最大程度的方便。
说完优势，我们再来看一下劣势，第一，三方平台封装好了底层，是一个双刃剑，在提供编程便利的同时，也把底层变成了黑盒，有些指标计算、开平仓价格的细节，无法通过代码去定位是否有潜在错误，导致回测结果变得不十分可信。代码控制的不好，很容易产生未来数据或偷价格等错误，导致回测出上帝视角的策略效果。第二，三方平台的回测速度，往往不如自编更快，因为三方平台需要兼顾许许多多客户的不同需求，增加越多通用性的功能，往往意味着性能上的妥协。第三，使用三方平台会产生一定的费用，例如需要购买历史数据、服务器磁盘空间、实盘权限等等（毕竟免费的三方回测，也不是做雷锋，总有其需要变现之处）。
总结一下，如果有一定的Python编写能力，或是对于策略的回测精度细节要求很高，基本上只能自己搭建框架来回测；而如果测试一些通用的策略，且编程是刚刚上手的，那么三方平台能尽快地帮助你去实现一些想法，并验证这些想法在历史上是否可行，以及是否有应用到实盘的价值。
我们在此前的直播中，分别分享了基于K线策略的自编Python回测框架，以及基于横截面策略的自编Python回测框架，感兴趣的朋友可以参考
【系列培训第三讲】魔改经典策略：变种肯特纳通道策略（完整录播版）
【系列培训第四讲】量价之外：期货基本面量化策略（完整录播）
量化策略开发第三步：实盘平台
开发量化策略的第三个重要环节：选择合适的实盘平台/API
首先是股票，股票目前监管较为严格，比较有名的像XTP，接入门槛在300万-500万起步；此外，市面上有一些类似外挂的接口，极不稳定，实盘请注意风险，不建议大资金使用，上述接口都是基于C++语言的。也有部分“科学家”用Python开发了类似按键精灵功能的伪接口，不算是完善的接口，实盘同样需要注意风险。
再说期货，期货入门门槛最低的是4大三方平台：tbquant、文华财经、金字塔、multicharts，这4个平台采用编程极为友好的easylanguage，建议编程初学者使用，但有需要支付额外手续费、速度慢等缺点；再难一点的是vn.py，开源的python平台，对于熟悉python的同学比较友好；然后更为复杂的就是C++ API了，大家用的最多的是ctp，速度更快的还有ctp mini、盛立、艾克朗科、恒生等。对于平台的选择，如果做的是中低频的策略，优选4大平台或vn.py，但如果做高频策略，C++是必须配置，ctp是起步要求，如果策略对于速度要求更高的话，选用盛立等以FPGA作为底层的平台更合适。FPGA为底层的交易系统（下图是一个典型的FPGA通路），可以将交易系统的响应速度提升到极致。
量化投资对于数据源、回测、实盘平台的选择相关推荐
- 量化交易如何进行回测+模拟+实盘？包括哪些回测框架？
大家在进行实盘交易前,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: 1. ...
- 数字货币中短线策略（数据+回测+实盘）
数量技术宅团队在CSDN学院推出了量化投资系列课程 欢迎有兴趣系统学习量化投资的同学,点击下方链接报名: 量化投资速成营(入门课程) Python股票量化投资 Python期货量化投资 Python数 ...
- 基于Python的指数基金量化投资-股票数据源baostock
基于Python的指数基金量化投资-股票数据源baostock 课程参考:基于Python的量化指数基金投资 微信公众号: 量化用到的数据源来自baostock,可以通过www.baostock.co ...
- python外汇交易回测系统_StarQuant - 综合量化交易回测系统/平台
Welcome to StarQuant StarQuant(中文名:易数交易系统)是一个轻量的.面向个人( 普通)用户的综合量化交易回测系统,目前主要用于期货期权程序化交易(CTP接口,在实盘测试中 ...
- Quant工具箱：量化开发之事件驱动回测框架与实盘交易系统
所以这一章,我们将分别聊一遍 事件驱动回测框架 和 实盘交易系统 的架构与实现细节.这篇开始就逐渐有工程味道了,小伙伴们准备好哦. 一.事件驱动回测 承接着向量化回测,这一篇我们先说事件驱动回测模块. ...
- 量化框架zipline--分钟回测改写
基于zipline的分钟回测改写,其中数据源为自定义,使用bcolz的ctable,该数据格式与pandas的DataFrame很好兼容,并且bcolz文件压缩率很好.以下主要记录此次改写回测整个过程 ...
- 数据分析师1.4量化交易策略的回测方法和技巧
1.具体流程 1.利用Python编写好策略,选择选好的股票池. 2.设置开始和结束的时间点,然后设定资金池 3.通过股票池和日期获得股票数据,然后按照设定的间隔,比如每天/每 分钟调用回测函数. 4 ...
- 终于有人把量化投资讲明白了
导读:股市起起伏伏,"基金"成为了热搜的常驻嘉宾,你上车了吗?翻车了吗?今天我们也蹭一下这个热度,聊聊量化投资. 作者:赵志强 刘志伟 来源:大数据DT(ID:hzdashuju) ...
- 目前市面上量化交易软件、平台、框架的特点, 重点推荐VNPY底层仿真回测系统
随着这几年量化交易在国内的快速发展,各种API接口.量化平台.量化交易框架匆匆推出,呈现出一片百花齐放,欣欣向荣的景象,但是由于目前国内还处于私募基金发展的初期,大部分平台也都匆匆上马,既有自己的特点 ...
最新文章
- Excel 公式 两个时间比大小
- java中断线程_Java中断线程的方法
- python日历函数_python 怎么定义一个函数，输出日历
- Servlet中response对象Commit状态的分析
- 看懂 IPv6+，这篇就够了
- Android入门(四)UI-创建自定义控件
- 左右db_block_size了解和实验
- 十九、Math和Random类
- DPDK学习0 -- 学习步骤
- 129.求根到叶子节点数字之和
- IDEA+Maven搭建JavaWeb项目
- Java打包ZIP压缩包文件下载
- 练习题 斐波那契数列
- 使用jenkins流水线完成自动部署服务到K8s
- 批处理：批量修改文件名称
- jwt token使用autho0-jwt框架使用(二)
- 模电——多级放大电路的耦合方式
- 卡巴斯基2019安装之后电脑网速变慢
- PostMessage,SendMessage,GetMessage,PeekMessage,TranslateMessage,DispatchMessage的用法集合
- 深入学习spring cloud gateway 限流熔断