如何用ricequant拉歷史數據

1. ricequant 量化 多少人

1。 在數據獲取方面強烈推薦使用TuShare 2。 在我們A股推薦成熟的pyalgotrade 3。測試策略 如：Ricequant 4。恆生的python-恆生量化社區 5。python的量化回測框架 QuantDigger

2. Quant 應該學習哪些 Python 知識

1. 如果還需要Deep Learning方面的東西的話，可以考慮Theano或者Keras。這兩個東西可能會用在分析新聞數據方面。不過不是很推薦使用這類方法去做量化模型，因為計算量實在是太大，成本很高。
2. 交易框架方面，除了vn.py，還推薦PyAlgoTrade框架，github上可以搜到。私以為這個框架比vn.py牛逼太多了，畢竟是一個在金融IT領域混跡近20年的老妖的作品，架構設計不是一般的優秀。
3. 國內的話，ricequant是個不錯的選擇，雖然使用的是Java，但是團隊我見過，都是做金融IT出身的，基本上都有7、8年以上經驗，底層功底非常扎實，做事情都很靠譜。現在他們也在考慮把SDK擴展到Python這邊。
4. 國內的行情和交易介面，使用的是自己的協議（比如CTP介面使用的是FTD協議），而不是國際上廣泛使用的FIX協議，並且都不開源。如果需要連接行情，還需要考慮將介面SDK為python封裝一下。（修改：評論中有人提到很多券商也開放了FIX介面，不過似乎是在內網使用）
5. 有人談到資料庫了，這里我也說一下，對於高頻tick級別的數據，其量級可以達到每天TB級別，普通的關系資料庫是扛不住的。如果試圖使用傳統的關系資料庫，比如Oracle之類的可以省省了。對付這種級別的數據，採用文件系統+內存索引會更好。不過這種場景，一般也就是機構裡面能碰到了，個人quant可以不用考慮。

3. 有哪些好的量化交易平台

量化交易在國內來說，興起於2005年左右。但由於投資者水平問題，基礎還是比較薄弱，市場還比較小，所以大眾化量化交易平台的發展熱度不足。大多平台都是機構自己構建的自用平台。
能實盤交易的量化平台只有幾個，如聚寬，掘金，文華財經，開拓者，TradeStation等
能提供量化測試的就比較多，鐳礦，優礦，京東，RiceQuant米筐，果仁，Bigquant，還有以上可以實盤的這些，等等。
基本採用Python語言為主，也有採用C++,C#,Easy Language 麥語言等。

4. 如何在 Ricequant 上實現策略

你好！以 [單股票均線策略] 的代碼實現為例說一下如何在Ricequant上實現策略吧。

1 確定框架：

[單股票均線策略] 的主要策略框架： 5 日均線高於 30 天均線，則全倉買入股票 5 日均線低於 30 天均線，則賣出所持股票。從我們日常交易的角度，一般交易者的行為可以拆分以下兩部分：

1.1 選擇標的（初始化）：

#在交易之前，我們通常會先選定要交易的股票池或者單個股票

1.2 交易（每天盯盤）

#我們會觀察該股票的五日均線和30日均線，並進行比較
#如果該股票的五日均線在30天均線以上，則全倉買入股票
#如果該股票的五日均線在30天均線以下，則全倉賣出（空倉）

那麼程序中，我們是怎麼做的呢？

先看看 Ricequant 平台中對應的代碼框架會是怎麼樣的吧：

definit(context):
#程序的初始化，預設股票池、設置參數和變數。只運行一次

defhandle(context,bar_dict):
#從回測的開始日期至結束日期，根據選擇的頻率（日、分鍾）循環運行

對照策略思路 及 Ricequant 代碼框架，你會發現我們可以很輕松地把 兩者結合起來

以上框架也是 Ricequant 平台的最基本也最主要的框架，也就是初始化循環 - 根據選擇的頻率（日、分鍾）循環運行

2 初始化：

選擇標的：本策略的交易股票設定為 300059 」東方財富「。

definit(context):
context.stock="300059.XSHE"#存入目標股票[東方財富]

延伸閱讀：

1 在 init 中實現程序的初始化，例如存入目標股票池，設置滑點、基準等參數以及設置其它變數。 context 是一個全局的容器，你可以通過它設置任何全局變數並初始化：如 context.stock 將會在後面代碼所被調用到。

2 代碼中 # 代表注釋，作為代碼說明，執行時會被跳過而不為程序所運行。

3 如何填寫股票代碼：你會發現策略代碼中 股票代碼後帶有後綴，那麼它們分別代表什麼呢？

後綴為

XSHE 代表在深交所上市交易的股票

XSHG 在上交所上市交易的股票

例子：

300059.XSHE 為深交所上市的東方財富

600000.XSHG 為上交所上市的浦發銀行

我們的代碼編輯器還提供了非常便利的股票代碼自動尋找和補全功能，在 Windows 中你可以用 ctrl+i ， Mac 系統你可以用 cmd+i 激活證券代碼自動補全功能。如下圖：

我們可以看到回測詳情中有精緻的圖表，詳細的各項風險收益指標、以及持倉、落單等詳情輔助你進一步了解你的策略的表現。

到這里，一個完整的從 [構建策略思路] 到 [策略代碼編寫] 到 [回測結果檢驗] 的流程就結束了。

5. 什麼軟體能構按財報選股

以下僅供參考：

這是一個挺符合我們現在在做的雲端工具的，首先最重要的是需要准確、齊全、易用的數據，有什麼比把這些數據都放在雲端，能讓大家打開一個瀏覽器就能篩選、調用方便呢？

我們Ricequant - Beta提供了多達400多項指標的所有A股上市公司的10年+的歷史以及現在的財務數據，所有命名都是自己做的高質量標准，包括提供了investopedia、wikipedia、網路和MBA智庫的鏈接，一句話的解釋以及計算公式：

作者：LIKE
來源：知乎

6. 量化策略一般用什麼平台回測分別有什麼優劣勢

我知道一家量化策略回測平台【QResearch】，非常好用，QResearch是一個無編程的條件式回測平台，它將所有因素都抽象為因子，簡單易用而不失靈活。用戶只要理解自己的策略即可動動滑鼠進行回測，非常適合有著豐富Idea但不會編程的用戶快速驗證想法；對於那些會編程的用戶，QResearch也可以為之節省大把數據處理和細節處理的時間。QResearch基於高質量的資料庫，提供豐富的因子庫，其中大部分因子都可以追溯到相應的Paper，非常適合高校金融學院的學生和老師進行研究之用。QResearch自誕生以來就一直追求回測與實盤的一致，力爭做到所見即所得的回測結果，目前只要交易費用設置得當，可以將每天回測與實盤的誤差控制在0.1bp級別，這在市場上魚龍混雜的回測平台當中顯得格外突出！

總之，QResearch適合各路策略研發人員使用，包括基本面研究人員，量化研究人員，交易員，以及高校師生等，相信每一類人員都可以通過使用QResearch而提高效率，做出漂亮的研究或不俗的業績！

該平台下Market Watch實時及歷史數據（包括收益，統計，期限結構和會員持倉）已添加至Toolkit交易工具箱，網址：https://qresearch.qedgeam.com/toolkit

7. 配對交易現在還有人做嗎具體是怎麼操作的

1. 發現可能具有協整性質的股票對。利用的方法為計算兩只股票回報的相關系數,選出相關系數高的股票對。

2. 一旦確定了可能具有協整性質的股票對,我們就可以利用統計學的方法來檢驗這些股票對是否真的具有協整的性質。在這一過程中我們就可以確定協整系數以及價差是否具有均值回歸的行為。

3. 最後我們需要確定策略的一些參數,比如利用多長的歷史數據來確定股票對是否具有協整性質,當價差偏離均值多遠時進場或退場等。
   

   
   

   具體實現的細節你可以進入Ricequant社區，搜索配對交易，可以看見完整的過程和相關的代碼。
   

8. 股票量化交易系統有用嗎

股市是一門經濟學，哲學，概率學，心理學的綜合體，想要成功，需要不斷去感悟去總結每一次的失敗，這樣才能走的更好更遠。

第一個理念：

順勢而為

股市的大趨勢決定個股的走勢，當指數大漲時個股更容易爆發，這個時候適合重倉介入，當然要注意獲利就出;當市場處於弱勢時，就要考慮輕倉介入，不盲目追漲。

第二個理念：

選定有價值的公司

在投資中，選定有價值的公司很重要，因為這些公司有很強的上漲潛力，一旦市場有好的信號，或者公司有大利好時，股價就會飛速上漲，所以這樣的公司更容易讓普通股民賺到錢。

第三個理念：

分批建倉 堅持到底

在投資中，投資者要住的是要做好投資策略，一般的策略就是分批建倉，在市場下跌時以倒金字塔形態建倉，在市場上漲時，以金字塔形態減倉。如果股票短期被套，市場情況還可以的話，則要選擇堅持持倉。

天字一號量化交易系統通過設定不同的各種指標條件，一旦市場交易情況滿足這些條件時就自動彈出一些操作指示；設定值達到開倉條件，系統會彈出買入信號、設定值達到減倉條件賣出一半或者全部賣出等。

9. 選股策略回測用 Matlab 好還是用 Python 好

首先十年的日級別數據量的確不大，使用Python來說的話不應該出現memoryerror，應該是在編程方面需要再多留意，我們在Ricequant上使用的分鍾數據大概是200-300個GB左右，也是Python和Java共同合作完成的。

語言只是一個語言，興許會有各種語法的不同，但是在談語言的時候我們需要了解背後的工具箱和社區，以及它為什麼處理一些事情比另外的一些語言要好。

本
身Python初期用來做金融回測等是應該被放棄的，用來開發策略也應該是被放棄的，因為相比matlab的矩陣運算來做開發，實在是太方便了。只不過後
來Python推出了series、pandas等一系列的強悍library，pandas的語法基本在「無恥」地模仿matlab和R，而
pandas的開發者正是美國大名鼎鼎的對沖AQR，因此使data
crunching和對數據的一些操作大大便利，此外，又包裝了海量的開源社區的數學和科學計算庫，也能處理各種的machin
learning等等的問題。

從科學計算的語言的發展來看，從最初的人們對浮點數計算的需求加入了fortran，再一路進行，讓工具更加的讓科學計算容易再容易（Python也封裝了大量早期的數學家們用fortran寫的數學計算基礎庫，這些經歷了幾十年的考驗、加速等等）：

我們來看下python目前的科學技術棧：

numpy: basic array manipulation - 基礎的數組處理
scipy: scientific computing in python, including signal processing and optimization - 科學計算，包括信號處理和優化等
matplotlib: visualization and plotting - 幾行代碼就可以做圖形化顯示了
IPython: write and run python code interactively in a shell or a notebook - 互動式編程環境，這是能將來替代掉matlab的一個必備，即在一行一行代碼的輸入、顯示過程中學習、改進
pandas: data manipulation - 最重要的矩陣運算等
scikit-learn: machine learning - 機器學習

但
是隨著以後的發展Python的開源屬性就會體現的越來越強大，可以讓更多的人享受到其便利和貢獻進來，包括Quantopian也放出了zipline
的python回測框架，只需要引入yahoo數據即可進行回測，並且Python的速度由於跟C的很好的結合可以達到非常快的速度，而且可以將來和其他
系統很容易整合對接實盤交易介面。

由於歐美已經有很多的投行和對沖在往Python的技術棧靠攏，因此選擇了Python即掌握了一門重要的工具，並且無需跟一家私有化公司進行捆綁。

當然，最後的最後，所有的python回測你都可以來Ricequant - Beta上完成，我們支持海量的市場、財務數據，還有不斷加入的和大數據公司合作的輿情數據等等，同時策略回測完還可以做實時模擬交易，享受到實時數據的計算。在雲平台上已經支持了幾乎所有的Python科學計算庫，無需花時間安裝、測試等等。