如何用ricequant拉历史数据

1. ricequant 量化 多少人

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. Quant 应该学习哪些 Python 知识

1. 如果还需要Deep Learning方面的东西的话，可以考虑Theano或者Keras。这两个东西可能会用在分析新闻数据方面。不过不是很推荐使用这类方法去做量化模型，因为计算量实在是太大，成本很高。
2. 交易框架方面，除了vn.py，还推荐PyAlgoTrade框架，github上可以搜到。私以为这个框架比vn.py牛逼太多了，毕竟是一个在金融IT领域混迹近20年的老妖的作品，架构设计不是一般的优秀。
3. 国内的话，ricequant是个不错的选择，虽然使用的是Java，但是团队我见过，都是做金融IT出身的，基本上都有7、8年以上经验，底层功底非常扎实，做事情都很靠谱。现在他们也在考虑把SDK扩展到Python这边。
4. 国内的行情和交易接口，使用的是自己的协议（比如CTP接口使用的是FTD协议），而不是国际上广泛使用的FIX协议，并且都不开源。如果需要连接行情，还需要考虑将接口SDK为python封装一下。（修改：评论中有人提到很多券商也开放了FIX接口，不过似乎是在内网使用）
5. 有人谈到数据库了，这里我也说一下，对于高频tick级别的数据，其量级可以达到每天TB级别，普通的关系数据库是扛不住的。如果试图使用传统的关系数据库，比如Oracle之类的可以省省了。对付这种级别的数据，采用文件系统+内存索引会更好。不过这种场景，一般也就是机构里面能碰到了，个人quant可以不用考虑。

3. 有哪些好的量化交易平台

量化交易在国内来说，兴起于2005年左右。但由于投资者水平问题，基础还是比较薄弱，市场还比较小，所以大众化量化交易平台的发展热度不足。大多平台都是机构自己构建的自用平台。
能实盘交易的量化平台只有几个，如聚宽，掘金，文华财经，开拓者，TradeStation等
能提供量化测试的就比较多，镭矿，优矿，京东，RiceQuant米筐，果仁，Bigquant，还有以上可以实盘的这些，等等。
基本采用Python语言为主，也有采用C++,C#,Easy Language 麦语言等。

4. 如何在 Ricequant 上实现策略

你好！以 [单股票均线策略] 的代码实现为例说一下如何在Ricequant上实现策略吧。

1 确定框架：

[单股票均线策略] 的主要策略框架： 5 日均线高于 30 天均线，则全仓买入股票 5 日均线低于 30 天均线，则卖出所持股票。从我们日常交易的角度，一般交易者的行为可以拆分以下两部分：

1.1 选择标的（初始化）：

#在交易之前，我们通常会先选定要交易的股票池或者单个股票

1.2 交易（每天盯盘）

#我们会观察该股票的五日均线和30日均线，并进行比较
#如果该股票的五日均线在30天均线以上，则全仓买入股票
#如果该股票的五日均线在30天均线以下，则全仓卖出（空仓）

那么程序中，我们是怎么做的呢？

先看看 Ricequant 平台中对应的代码框架会是怎么样的吧：

definit(context):
#程序的初始化，预设股票池、设置参数和变量。只运行一次

defhandle(context,bar_dict):
#从回测的开始日期至结束日期，根据选择的频率（日、分钟）循环运行

对照策略思路 及 Ricequant 代码框架，你会发现我们可以很轻松地把 两者结合起来

以上框架也是 Ricequant 平台的最基本也最主要的框架，也就是初始化循环 - 根据选择的频率（日、分钟）循环运行

2 初始化：

选择标的：本策略的交易股票设定为 300059 ”东方财富“。

definit(context):
context.stock="300059.XSHE"#存入目标股票[东方财富]

延伸阅读：

1 在 init 中实现程序的初始化，例如存入目标股票池，设置滑点、基准等参数以及设置其它变量。 context 是一个全局的容器，你可以通过它设置任何全局变量并初始化：如 context.stock 将会在后面代码所被调用到。

2 代码中 # 代表注释，作为代码说明，执行时会被跳过而不为程序所运行。

3 如何填写股票代码：你会发现策略代码中 股票代码后带有后缀，那么它们分别代表什么呢？

后缀为

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 为深交所上市的东方财富

600000.XSHG 为上交所上市的浦发银行

我们的代码编辑器还提供了非常便利的股票代码自动寻找和补全功能，在 Windows 中你可以用 ctrl+i ， Mac 系统你可以用 cmd+i 激活证券代码自动补全功能。如下图：

我们可以看到回测详情中有精致的图表，详细的各项风险收益指标、以及持仓、落单等详情辅助你进一步了解你的策略的表现。

到这里，一个完整的从 [构建策略思路] 到 [策略代码编写] 到 [回测结果检验] 的流程就结束了。

5. 什么软件能构按财报选股

以下仅供参考：

这是一个挺符合我们现在在做的云端工具的，首先最重要的是需要准确、齐全、易用的数据，有什么比把这些数据都放在云端，能让大家打开一个浏览器就能筛选、调用方便呢？

我们Ricequant - Beta提供了多达400多项指标的所有A股上市公司的10年+的历史以及现在的财务数据，所有命名都是自己做的高质量标准，包括提供了investopedia、wikipedia、网络和MBA智库的链接，一句话的解释以及计算公式：

作者：LIKE
来源：知乎

6. 量化策略一般用什么平台回测分别有什么优劣势

我知道一家量化策略回测平台【QResearch】，非常好用，QResearch是一个无编程的条件式回测平台，它将所有因素都抽象为因子，简单易用而不失灵活。用户只要理解自己的策略即可动动鼠标进行回测，非常适合有着丰富Idea但不会编程的用户快速验证想法；对于那些会编程的用户，QResearch也可以为之节省大把数据处理和细节处理的时间。QResearch基于高质量的数据库，提供丰富的因子库，其中大部分因子都可以追溯到相应的Paper，非常适合高校金融学院的学生和老师进行研究之用。QResearch自诞生以来就一直追求回测与实盘的一致，力争做到所见即所得的回测结果，目前只要交易费用设置得当，可以将每天回测与实盘的误差控制在0.1bp级别，这在市场上鱼龙混杂的回测平台当中显得格外突出！

总之，QResearch适合各路策略研发人员使用，包括基本面研究人员，量化研究人员，交易员，以及高校师生等，相信每一类人员都可以通过使用QResearch而提高效率，做出漂亮的研究或不俗的业绩！

该平台下Market Watch实时及历史数据（包括收益，统计，期限结构和会员持仓）已添加至Toolkit交易工具箱，网址：https://qresearch.qedgeam.com/toolkit

7. 配对交易现在还有人做吗具体是怎么操作的

1. 发现可能具有协整性质的股票对。利用的方法为计算两只股票回报的相关系数,选出相关系数高的股票对。

2. 一旦确定了可能具有协整性质的股票对,我们就可以利用统计学的方法来检验这些股票对是否真的具有协整的性质。在这一过程中我们就可以确定协整系数以及价差是否具有均值回归的行为。

3. 最后我们需要确定策略的一些参数,比如利用多长的历史数据来确定股票对是否具有协整性质,当价差偏离均值多远时进场或退场等。
   

   
   

   具体实现的细节你可以进入Ricequant社区，搜索配对交易，可以看见完整的过程和相关的代码。
   

8. 股票量化交易系统有用吗

股市是一门经济学，哲学，概率学，心理学的综合体，想要成功，需要不断去感悟去总结每一次的失败，这样才能走的更好更远。

第一个理念：

顺势而为

股市的大趋势决定个股的走势，当指数大涨时个股更容易爆发，这个时候适合重仓介入，当然要注意获利就出;当市场处于弱势时，就要考虑轻仓介入，不盲目追涨。

第二个理念：

选定有价值的公司

在投资中，选定有价值的公司很重要，因为这些公司有很强的上涨潜力，一旦市场有好的信号，或者公司有大利好时，股价就会飞速上涨，所以这样的公司更容易让普通股民赚到钱。

第三个理念：

分批建仓 坚持到底

在投资中，投资者要住的是要做好投资策略，一般的策略就是分批建仓，在市场下跌时以倒金字塔形态建仓，在市场上涨时，以金字塔形态减仓。如果股票短期被套，市场情况还可以的话，则要选择坚持持仓。

天字一号量化交易系统通过设定不同的各种指标条件，一旦市场交易情况满足这些条件时就自动弹出一些操作指示；设定值达到开仓条件，系统会弹出买入信号、设定值达到减仓条件卖出一半或者全部卖出等。

9. 选股策略回测用 Matlab 好还是用 Python 好

首先十年的日级别数据量的确不大，使用Python来说的话不应该出现memoryerror，应该是在编程方面需要再多留意，我们在Ricequant上使用的分钟数据大概是200-300个GB左右，也是Python和Java共同合作完成的。

语言只是一个语言，兴许会有各种语法的不同，但是在谈语言的时候我们需要了解背后的工具箱和社区，以及它为什么处理一些事情比另外的一些语言要好。

本
身Python初期用来做金融回测等是应该被放弃的，用来开发策略也应该是被放弃的，因为相比matlab的矩阵运算来做开发，实在是太方便了。只不过后
来Python推出了series、pandas等一系列的强悍library，pandas的语法基本在“无耻”地模仿matlab和R，而
pandas的开发者正是美国大名鼎鼎的对冲AQR，因此使data
crunching和对数据的一些操作大大便利，此外，又包装了海量的开源社区的数学和科学计算库，也能处理各种的machin
learning等等的问题。

从科学计算的语言的发展来看，从最初的人们对浮点数计算的需求加入了fortran，再一路进行，让工具更加的让科学计算容易再容易（Python也封装了大量早期的数学家们用fortran写的数学计算基础库，这些经历了几十年的考验、加速等等）：

我们来看下python目前的科学技术栈：

numpy: basic array manipulation - 基础的数组处理
scipy: scientific computing in python, including signal processing and optimization - 科学计算，包括信号处理和优化等
matplotlib: visualization and plotting - 几行代码就可以做图形化显示了
IPython: write and run python code interactively in a shell or a notebook - 互动式编程环境，这是能将来替代掉matlab的一个必备，即在一行一行代码的输入、显示过程中学习、改进
pandas: data manipulation - 最重要的矩阵运算等
scikit-learn: machine learning - 机器学习

但
是随着以后的发展Python的开源属性就会体现的越来越强大，可以让更多的人享受到其便利和贡献进来，包括Quantopian也放出了zipline
的python回测框架，只需要引入yahoo数据即可进行回测，并且Python的速度由于跟C的很好的结合可以达到非常快的速度，而且可以将来和其他
系统很容易整合对接实盘交易接口。

由于欧美已经有很多的投行和对冲在往Python的技术栈靠拢，因此选择了Python即掌握了一门重要的工具，并且无需跟一家私有化公司进行捆绑。

当然，最后的最后，所有的python回测你都可以来Ricequant - Beta上完成，我们支持海量的市场、财务数据，还有不断加入的和大数据公司合作的舆情数据等等，同时策略回测完还可以做实时模拟交易，享受到实时数据的计算。在云平台上已经支持了几乎所有的Python科学计算库，无需花时间安装、测试等等。