先从最基础的说起好了首先是工具

(一) 软件推荐：python

常用的量化软件有python、matlab、java、C++。从开发难度而言python和matlab都比较容易，java和C++麻烦一些。从运行速度而言，C++、java要快于matlab和python。不过对于大部分人而言，尤其是初学者，开发占用的时间远大于运行时间。如果追求运行速度的话，先将策略开发出来，再用C重写也不迟。另外，从量化资源而言，python资源多于matlab，而且matlab是商业软件，python是免费的。因此我推荐大家用python。

使用python的话，最好下载一个anaconda。这个软件将常用的库都集成好了，免去自己安装的烦恼。下载地址：Download Anaconda Now!

python教程推荐这个网站：Table of Contents，只需要看第一部分就可以了。该教程不仅介绍了python,而且介绍了numpy,scipy,pandas,matplotlib等科学计算库。

然后是数据库

(二) 本地数据源推荐：tushare

Tushare支持的数据很全面，使用方法也比较友好。下载地址：http://tushare.waditu.com/

(三) 量化框架：建立模型推荐使用量化平台

依靠上面提到的软件和数据源，我们可以在本地部署量化环境。然而，尤其对于初学者而言，自己动手搭建量化框架量化平台的缺点，一个是比较麻烦，需要花费较多时间。另外，也是更重要的一点是，自己部署的回测环境可能有很多问题没有考虑到，比如涨跌停买卖、停牌、撮合机制等。因此推荐大家使用量化平台。量化平台可以看成是一个已经搭建好的框架。只需添加一些自己的买卖条件，即可回测策略，免去了自己从无到有搭建基础框架的过程。

(四) 常见量化平台对比

目前常见的免费量化平台包括：京东量化平台、ricequant、joinquant、优矿。下面从几个不同角度加以对比。

1、 回测速度

下面是同一段程序(已根据不同平台api稍作修改)在京东量化平台、ricequant、joinquant、优矿四个平台运行时间的对比：

通过上图可以看出，京东平台回测速度最快，而joinquant、优矿要慢一些。

2、 数据及支持的品种。

京东平台：目前支持股票，不支持金融期货。比较有特色的是提供了京东行业数据。目前大多数的策略都是使用量价、财务数据等。使用京东行业数据这种独家数据，可能能够挖掘出与众不同的信息。

Ricequant：支持股票和金融期货，支持tushare。特色的数据是提供了雪球舆论数据。

Joinquant: 支持股票和金融期货，支持tushare。特色的数据是可以使用国泰安数据库。

优矿：支持股票、金融期货和期权。优矿的数据应该说是比较全面的了，毕竟是做数据出身。特色的数据包括已经处理好的各种因子、上市公司公告等。具体数据大家可以去优矿官网看一下。

3、 运行环境。

这方面这几个平台都差不多。京东和ricequant都是支持python3和java，而joinquant和优矿使用的是python2。Python3相比python2在中文和分数运算等方面做了一些改进，不过总的来讲相差并不大。

以上是做量化的一些基础工作。根据策略的不同可能还会用到一些其他的工具。

1)

数据库推荐：sqlite

如果所做的策略需要存储很多数据，那么就需要一个数据库软件配合使用。Python自带sqlite3库，可以在python中方便的操作sqlite数据库。Sqlite下载地址：SQLite Home Page

2)

机器学习推荐:scikit-learn

3)

网络信息采集推荐：Beautifulsoup等

左半边的大部分区域是编辑代码的地方，开发环境会自动识别Python语言的关键词。在代码区上面的设置标志里面可以个性化调节开发环境的视觉效果。

Python的回测代码主要包括init()函数，handle_data()函数，以及其他用户自定义内容。如果在每天开盘前要进行额外的处理或计算，可选择添加before_trade()函数。

def init(context):

# 这里用来写策略开始时要做什么

def before_trade(context):

# 非强制，在这里写每天开盘之前要做什么，不可下单

def handle_data(context, data_dict):

# 这里用来写每天开盘后要做什么，可以是计算，输出日志，或者下单

其中，init()是初始化函数，可以设置基准，滑点，佣金等回测参数，也可以利用context自定义变量。在

Python及大部分其他编程语言中，在局部变量只在该变量定义的函数体有效，在其他函数体内是无效的。而context被定义为一个局部变量，可以把内

容在不同函数代码之间传导。该函数在回测开始时运行一次。

handle_data()是每个交易时间点(分钟/日)时自动运行一次的函数，可以在此函数内设置交易判断和下单，是策略核心逻辑所在。

用户可以按照Python语言规则定义其他函数，包括运算/数据处理函数，也可以通过task()函数设置自定义函数的执行频率和执行时间。

接下来，我们用一个简单的策略来演示这个过程。我们策略的内容是对平安银行(000001.SZ)进行择时，如果前一天收益率大于中证全指收益率，则买入持仓，反之则不持仓。

首先，我们在init()函数里面设置我们的股票和比较的标的：

# init方法是您的初始化逻辑。context对象可以在任何方法之间传递。

def init(context):

context.stock = '000001.SZ'

context.set_benchmark = '000985.SH'

其中，只要在“#”后面的内容都是注释，不会被Python编译。设置stock和set_benchmark对象时，一定要在前面加上“context.”，这样才能传递到之后的函数中。设置标的后，回测中的基准曲线和收益将采用设置的指数。

然后我们来编辑每个交易日的逻辑：

# 日或分钟或实时数据更新，将会调用这个方法

def handle_data(context, data_dict):

price = get_history(2, '1d', 'close')[context.stock]

priceBm = get_history(2, '1d', 'close')[context.set_benchmark]

这部分代码获取了目标股票和标的的历史价格，其中context.stock和

context.set_benchmark都在init()函数中定义好了。get_history()函数是京东量化平台封装的取历史交易数据的函

数。其中“2”代表要取历史两天的数据，以便计算上个交易日的收益。“’1d’”和“'close’”分别表示数据频率为天，所需数据为收盘价。返回的价

格为pandas.Series类型。各个平台函数的使用方法可以查看帮助板块中的API文档。

为了方便计算收益率，我自定义了一个CalRet()函数，输入连续两天的价格，计算第二天的收益率：

def CalRet(price):

r = (price[1] - price[0]) / price[0]

return r

这段函数写在handle_data()之前。自定义函数编辑的语法符合Python语法即可。这个函数会返回float类型的r。

我们回到handle_data()函数，利用刚刚定义的函数和获取的股票及指数价格计算收益率：

ytdRet = CalRet(price)

bmRet = CalRet(priceBm)

可以得到上个交易日股票的收益率ytdRet和指数收益率bmRet。之后我们进行判断，如果ytdRet大于bmRet，则全仓买入平安银行股票，否则清仓。

if ytdRet > bmRet:

order_target_percent(context.stock, 1)

else:

order_target_percent(context.stock, 0)

order_target_percent()是量化平台编辑的下单函数，可以设置某个股票的仓位至一个百分比。平台同样支持加减仓，用手数，金额等方式下单，详见API文档。

现在，我们就完成了这个策略的设计。回测平台会自动按照这个逻辑，在回测区间内完成交易。

我们设置回测区间为今年，初始金额为一百万，调仓频率为每天，点击“运行回测”。结果如下：

我们可以看到在回测区间内，策略和基准的净值曲线，每天盈亏，买卖等图像，以及回测的技术指标。同时可以查看相对收益，对数收益等。我们可以看到，这个策略没有能够跑赢大盘。当然，这只是一个例子。

在左边的交易详情，持仓和输出日志中可以看到回测中的具体情况，方便进行归因分析，调整策略等等，同时还可以查看历史回测记录。

这个是我使用的京东量化平台，感觉还不错，你可以去看看 。