量化交易软件 python_用python实现量化交易

先可以试试用掘金量化的平台， 有免费版， 不能交易， 可以实盘模拟。 平台做的不错， 能想到的，人家都想到了。 我们玩儿熟了， 然后做了自己的python平台， 很多地方参考了掘金

找一个开源的项目， zipline， algotrader什么的， 作为开发的基础。 原则是， 第一这个项目一定要active， 有人一直在维护， 里面的功能设计要全面， 同时可扩展性强。有一天你要增加新的功能的时候， 就会发现当初选用一个很难扩展的框架是多痛苦。 第二就是性能， 你要用这个系统来做回测， 一定要快快快!!! 一个策略， 从想法诞生， 到测试买入卖出点的合理性， 到你开始样本外的移动测试， 蒙特卡洛模拟， 单就一个策略idea， 你起码测试10-100K次。 如果你要把这个idea不断演化， 回测测试起码再乘上个n倍吧。 如果一次回测超过半分钟， 你自己算算测一个策略要多久吧 。 结果是， 我们自己做了3个回测系统： 初级回测系统基于vectorized的方法， 忽略一些复杂交易要素，极大提高运算速度。回测速度在秒级（针对>100K数据点）。 中级回测系统考虑了所有交易要素， 模拟精准度很高， 回测速度在分钟级， 主要用于筛选过后的策略。 最后高级回测系统其实就是交易系统， 可以用历史数据回测， 或者直接切换到实盘。 这个主要用于模拟实盘交易跟踪策略。 我们的策略可以用简易的脚本构建 ，可以在3个回测系统里面自如的切换

实盘交易系统： 这个其实没有必要说太多， 前面的回测系统做好了， 才是第一步。 基于世面上有的CTP接口， 就可以搭一个实盘交易系统。 问题是， 一定要确保几件事儿。 1. 你的回测系统跟交易系统的误差要小， 要极小。 抛开下单成交问题， 两个系统所有的单据， 统计， 买卖点触发时间， 等等这些地方， 一定要一致。 这些可以缩减的误差一定要去除。 2. 成交， 模拟环境不可能达到实际交易情况， 如果你用限价单，止损单的话， 在模拟情况下成交，在真实情况为未必成交。 我们的回测系统要尽可能贴近交易系统。

数据： 是个大坑。 1分钟bar历史数据， 大家可以去交易开拓者上下载， 免费而且质量很好。 实时数据我们一直自己在下载着， tick数据生成bar数据， 里面的小坑无数。 不过细心解决不是大问题。我们自己实时生成的1分钟bar数据跟开拓者的一致，。