量化研究: Julia还是Matlab?

我个人是从事量化研究和投资工作，日常主要需要写策略代码，原来在策略研究阶段，主要是用MATLAB来做，但是，这个速度太慢了，我受不了，后来，一直就想换一门语言工具，后来看到了Julia,感觉很不错，所以快快阅读了其相关的文档，大约15天后，我就把我的策略研究平台转到Julia上了！

如果有时间，我会对Julia和Matlab的速度进行更为详细的比较，这里只说说大体的比较。

从我策略代码的运行速度上看，Julia要比Matlab快10倍以上！我跑一个策略从2010年4月至2014年中的IF1分钟线CTA策略，matlab一般是30秒-5分钟或更多都可能，但julia写策略大部分在0.05秒到3秒之间。

需要说明一下，速度的比较基准是，matlab的数据操作对象是dataset()，不是double[]，如果是double[],速度估计没有差这么多，这个没有实证数据。julia的数据主要是用Array{kbarData,1}，和Dict()格式，其中kbarData是我自定义的数据类型。另外，matlab的优势在向量和矩阵运算，在这方面，因为我策略逻辑中，很多地方不能用到向量计算，所以matlab速度也会吃亏。

但，这并不是说，在某些函数上，julia每个都要快，这个并不是事实！在不少的地方，matlab还有做得不错的！包括save和load，当然，库本身的优势那是无可比拟的，特别是在神经网络等上面。另外，在向量或矩阵运算上，matlab至今可能是无人能敌，优化的功力非其它语言能比。只能说，Julia适用性好，综合能力强，在一些点上，和matlab仍有距离。

二者反映出的主要的问题在于：（个人认为）

  (1)，matlab没有List,dictionary 等数据结构，这个是致命伤. 本身在索引查询上就有效率低下的问题，dataset类型本身就比较慢，这速度太吃亏了。而julia主要是对Array{},Dict{}进行push!。matlab起初本身的设计不是语言专家来设计的，而更多的是考虑一些行业用法的需要。所以，这个设计上的大伤，很难改。这点有点象R呀。

（2）matlab的函数封装时，过于考虑适用性，比如，不仅要支持标量，还得支持向量，和矩阵等，这个可能也会影响部分性能。而matlab在用时，往往为用其内置函数，如果不是向量运算，其实效率并不高。

（3）编译器模式。Julia选择的是LLVM-based just-in-time (JIT) compiler，据说，这种编译器可以带来更好计算性能。

（4）面对对象特性。Julia相Matlab相比，虽然都是函数式语言，但Julia有更好的面对对象的元素，而matlab在这块则很差，则类等设计的简直无语！。

（5）静态特性。Matlab是纯动态语言，而Julia兼于动态和静态之间，在这方面，有利于减少函数的参数的前置检查，减少转换。所以更容易提高速度。

    总之，julia的创始人吸取了matlab,R,python,perl等许多语言的优点，最核心是要速度。所以Julia总体性能上快于matlab那是很正常的事情。否则，谁用？

    当然，Julia的问题是过于年轻，国内用的人极少，资料极少，国外的网站资料还要经常翻墙才能看到，郁闷，另外，社区和中文资料极少，库有一些，够用。比MATLAB差了好远。

    仅管如此，我还是看好julia，因为它为快而生，当然它本身还在优化和发展！这正是我需要的，它更适合做量化策略研究，时间就是效率，时间就是收益！另外，是开源的，也是未来的发展方向！

总结，因为快，所以推荐julia做量化策略。