中国的 Python 量化交易工具链有哪些

1. 中国的 Python 量化交易工具链有哪些

1。 在数据获取方面强烈推荐使用TuShare 2。 在我们A股推荐成熟的pyalgotrade 3。测试策略 如：Ricequant 4。恒生的python-恒生量化社区 5。python的量化回测框架 QuantDigger

2. 中国的 Python 量化交易工具链有哪些

万得的Python API
同花顺iFinD的Python API
掘金的量化平台
通联数据的量化平台
QuickFix的Python API
Numpy/Scipy/Matplotlib/Pandas（量化分析）
IPyhon/Spyder（适合做量化分析的IDE环境）
Zipline（策略开发回测）
TuShare财经数据接口
恒生电子的量化赢家平台
米矿ricequant
海风的python交易平台：at_py

3. 中国的 Python 量化交易工具链有哪些

在数据获取方面强烈推荐使用TuShare，简单易用，速度很快，而且只写一行代码就能将数据存储在本地了，支持csv、excel、hdf5和关系型数据库和NoSQL。
补充一个：tinysoft
Python通过pywin32调用天软COM，主要是调用天软的数据，利用天软在数据整合上面的优势快速获得数据，并且有大量积累的金融方法函数！
dll方式的调用正在丰富中。

4. 中国的 Python 量化交易工具链有哪些

所说所有的变量都是对象。 对象在python里，其实是一个指针，指向一个数据结构，数据结构里有属性，有方法。

对象通常就是指变量。从面向对象OO的概念来讲，对象是类的一个实例。在python里很简单，对象就是变量。

class A:
myname="class a"
上面就是一个类。不是对象
a=A()
这里变量a就是一个对象。
它有一个属性（类属性），myname，你可以显示出来
print a.myname

所以，你看到一个变量后面跟点一个小数点。那么小数点后面

5. 中国的 Python 量化交易工具链有哪些

万得的Python API，可以用来获取实时数据、历史数据以及下单交易 优点：万得大而全 缺点：下单交易功能不是事件驱动（例如成交回报需要用户去查询，而不是主推）
同花顺iFinD的Python API，类似万得的API 优点：比万得便宜，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答复或者解决方案） 缺点：API连行情都不是主推的，更不要说下单交易了
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（量化分析）
IPyhon/Spyder（适合做量化分析的IDE环境）
Zipline（策略开发回测）

6. 中国的 Python 量化交易工具链有哪些

补充一个：tinysoft
Python通过pywin32调用天软COM，主要是调用天软的数据，利用天软在数据整合上面的优势快速获得数据，并且有大量积累的金融方法函数！
dll方式的调用正在丰富中。

7. 中国的 Python 量化交易工具链有哪些

万得的PythonAPI，可以用来获取实时数据、历史数据以及下单交易优点：万得大而全缺点：下单交易功能不是事件驱动（例如成交回报需要用户去查询，而不是主推）同花顺iFinD的PythonAPI，类似万得的API优点：比万得便宜，同花顺的服务态度很

8. 使用python做量化交易策略测试和回验，有哪些比较成熟一些的库

numpy
介绍：一个用python实现的科学计算包。包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包scipy配合使用更加方便。
scipy
介绍：SciPy是一款方便、易于使用、专为科学和工程设计的Python工具包。它包括统计、优化、线性代数、傅里叶变换、信号和图像处理、常微分方程求解等等。
pandas
介绍：Python Data Analysis Library 或 pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。你很快就会发现，它是使Python成为强大而高效的数据分析环境的重要因素之一。
quantdsl
介绍： quantdsl包是Quant DSL语法在Python中的一个实现。Quant DSL 是财务定量分析领域专用语言，也是对衍生工具进行建模的功能编程语言。Quant DSL封装了金融和交易中使用的模型（比如市场动态模型、最小二乘法、蒙特卡罗方法、货币的时间价值）。
statistics
介绍：python内建的统计库，该库提供用于计算数值数据的数学统计的功能。
PyQL
介绍： PyQL构建在Cython之上，并在QuantLib之上创建一个很浅的Pythonic层，是对QuantLib的一个包装，并利用Cython更好的性能。