Ⅰ 選股策略回測用 Matlab 好還是用 Python 好
語言就是用來幹活的，中間文件用HDF5或者csv轉存，需要時間序列分析的時候上R.畢竟Python的sm庫還是很爛的，但是PCA和大量的多因子計算，Python R MATLAB都差不多。
回測講究並發效率和一些多參數回測的參數調優以及一些MC方法的估計時，py運行效率(相對於MATLAB)會高一些
總體來說，別太把語言當回事，就跟吃飯用筷子還是勺子還是叉子，要根據食材來
Ⅱ 因子分析法如何確定主成分及各個指標的權重
(1)首先將數據標准化，這是考慮到不同數據間的量綱不一致，因而必須要無量綱化。
(2)對標准化後的數據進行因子分析(主成分方法)，使用方差最大化旋轉。
(3)寫出主因子得分和每個主因子的方程貢獻率。 Fj =β1j*X1 +β2j*X2 +β3j*X3 + ……+ βnj*Xn ; Fj 為主成分(j=1、2、……、m)，X1、X2 、X3 、……、Xn 為各個指標，β1j、β2j、β3j、……、βnj為各指標在主成分Fj 中的系數得分，用ej表示Fj的方程貢獻率。
(4)求出指標權重。 ωi=[(m∑j)βij*ej]/[(n∑i)(m∑j)βij*ej]，ωi就是指標Xi的權重。
(2)Python股票因子分析框架擴展閱讀
產品特點
1、操作簡便
界面非常友好，除了數據錄入及部分命令程序等少數輸入工作需要鍵盤鍵入外，大多數操作可通過滑鼠拖曳、點擊「菜單」、「按鈕」和「對話框」來完成。
2、編程方便
具有第四代語言的特點，告訴系統要做什麼，無需告訴怎樣做。只要了解統計分析的原理，無需通曉統計方法的各種演算法，即可得到需要的統計分析結果。
對於常見的統計方法，SPSS的命令語句、子命令及選擇項的選擇絕大部分由「對話框」的操作完成。因此，用戶無需花大量時間記憶大量的命令、過程、選擇項。
3、功能強大
具有完整的數據輸入、編輯、統計分析、報表、圖形製作等功能。自帶11種類型136個函數。SPSS提供了從簡單的統計描述到復雜的多因素統計分析方法，比如數據的探索性分析、統計描述、列聯表分析、二維相關、秩相關、偏相關、方差分析、非參數檢驗、多元回歸、生存分析、協方差分析、判別分析、因子分析、聚類分析、非線性回歸、Logistic回歸等。
Ⅲ 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。
Ⅳ Python 如何爬股票數據
現在都不用爬數據拉，很多量化平台能提供數據介面的服務。像比如基礎金融數據，包括滬深A股行情數據，上市公司財務數據，場內基金數據，指數數據，期貨數據以及宏觀經濟數據；或者Alpha特色因子，技術分析指標因子，股票tick數據以及網路因子數據這些數據都可以在JQData這種數據服務中找到的。
有的供應商還能提供level2的行情數據，不過這種比較貴，幾萬塊一年吧
Ⅳ Python培訓哪裡最好
相信在IT領域發展的同學對Java很熟悉。Python編程語言排行中一直處於領先地位，這可以直接體現Python的重要。因此很多同學准備參加Python培訓機構系統學習。那麼，Python培訓機構哪家比較好？下面我們介紹一下。
隨著Python普及，越來越多的人了解py，企業也會對求職者提出更高的要求，他們想招聘一些能馬上開始工作的人，所以往往會招聘一些有項目開發經驗的人。這就是為什麼那麼多計算機專業的大學生找不到工作，所以越來越多的大學生會選擇在畢業前後參加一些專業的Python培訓課程，以增加他們的實踐經驗。只有增強自己的力量，才能立於不敗之地。
Python培訓機構哪家比較好？判斷Python培訓機構好與壞主要看以下幾個方面
1.看教學課程內容
學習Java技術，最主要是與時俱進，掌握的技術點能夠滿足時下企業的用人需求。而想要了解一家培訓機構所提供的課程是否新穎，也可以去機構的官網上看看，了解自己想學習的學科的課程大綱。看看學習路線圖是如何安排的，有沒有從零到一的系統搭建，是不是有強化實訓、實操的比重，有盡量多的項目實戰。因為企業對Java從業者的技術能力和動手實戰能力要求較高。
2.看師資力量
因為Java開發技術知識的專業性很強，如果盲目去學很容易走進誤區。相反，有講師帶領，站在巨人的肩膀上，往往事半功倍。畢竟現在這個時代只要多跟別人交流才能獲得更多更有價值的信息，初學者千萬不能閉門造車。
3.看口碑
行業內口碑比較好，學生對培訓機構比較認可，這種機構把精力放在了學生身上的機構，才是做教育的應有態度。
4.看就業情況
以學生就業為目標的培訓機構現在才是最主要的。要知道就業也是教學成果的體現，沒有好的教學保證是做不到好的就業的。
5.上門免費試聽
試聽是為了更好的去感受培訓機構的課程內容、講課風格、班級氛圍等，同時也能通過和班上在讀同學進行交流，更進一步去了解這家培訓機構各個方面是否符合自己的需要。
Ⅵ python量化哪個平台可以回測模擬實盤還不要錢
Python量化投資框架：回測+模擬+實盤
Python量化投資 模擬交易 平台 1. 股票量化投資框架體系 1.1 回測 實盤交易前，必須對量化交易策略進行回測和模擬，以確定策略是否有效，並進行改進和優化。作為一般人而言，你能想到的，一般都有人做過了。回測框架也如此。當前小白看到的主要有如下五個回測框架： Zipline ：事件驅動框架，國外很流行。缺陷是不適合國內市場。 PyAlgoTrade ： 事件驅動框架，最新更新日期為16年8月17號。支持國內市場，應用python 2.7開發，最大的bug在於不支持3.5的版本，以及不支持強大的pandas。 pybacktest ：以處理向量數據的方式進行回測，最新更新日期為2個月前，更新不穩定。 TradingWithPython：基於pybacktest，進行重構。參考資料較少。 ultra-finance：在github的項目兩年前就停止更新了，最新的項目在谷歌平台，無奈打不開網址，感興趣的話，請自行查看吧。 RQAlpha：事件驅動框架，適合A股市場，自帶日線數據。是米筐的回測開源框架，相對而言，個人更喜歡這個平台。 2 模擬 模擬交易，同樣是實盤交易前的重要一步。以防止類似於當前某券商的事件，半小時之內虧損上億，對整個股市都產生了惡劣影響。模擬交易，重點考慮的是程序的交易邏輯是否可靠無誤，數據傳輸的各種情況是否都考慮到。 當下，個人看到的，喜歡用的開源平台是雪球模擬交易，其次是wind提供的模擬交易介面。像優礦、米筐和聚寬提供的，由於只能在線上平台測試，不甚自由，並無太多感覺。 雪球模擬交易：在後續實盤交易模塊，再進行重點介紹，主要應用的是一個開源的easytrader系列。 Wind模擬交易：若沒有機構版的話，可以考慮應用學生免費版。具體模擬交易介面可參看如下鏈接：http://www.dajiangzhang.com/document 3 實盤 實盤，無疑是我們的終極目標。股票程序化交易，已經被限制。但對於萬能的我們而言，總有解決的辦法。當下最多的是破解券商網頁版的交易介面，或者說應用爬蟲爬去操作。對我而言，比較傾向於食燈鬼的easytrader系列的開源平台。對於機構用戶而言，由於資金量較大，出於安全性和可靠性的考慮，並不建議應用。 easytrader系列當前主要有三個組成部分： easytrader：提供券商華泰/傭金寶/銀河/廣發/雪球的基金、股票自動程序化交易，量化交易組件 easyquotation : 實時獲取新浪 / Leverfun 的免費股票以及 level2 十檔行情 / 集思路的分級基金行情 easyhistory : 用於獲取維護股票的歷史數據 easyquant : 股票量化框架，支持行情獲取以及交易 2. 期貨量化投資框架體系 一直待在私募或者券商，做的是股票相關的內容，對期貨這塊不甚熟悉。就根據自己所了解的，簡單總結一下。 2.1 回測 回測，貌似並沒有非常流行的開源框架。可能的原因有二：期貨相對股票而言，門檻較高，更多是機構交易，開源較少； 去年至今對期貨監管控制比較嚴，至今未放開，只能做些CTA的策略，另許多人興致泱泱吧。 就個人理解而言，可能wind的是一個相對合適的選擇。 2.2 模擬 + 實盤 vn.py是國內最為流行的一個開源平台。起源於國內私募的自主交易系統，2015年初啟動時只是單純的交易API介面的Python封裝。隨著業內關注度的上升和社區不斷的貢獻，目前已經一步步成長為一套全面的交易程序開發框架。如官網所說，該框架側重的是交易模塊，回測模塊並未支持。 能力有限，如果對相關框架感興趣的話，就詳看相關的鏈接吧。個人期望的是以RQAlpha為主搭建回測框架，以雪球或wind為主搭建模擬框架，用easy系列進行交易。
Ⅶ 如何選股，選股方法，短線如何選股
如果你有一定編程基礎，比如python，C++，C#,mtalb，可以用我們掘金量化平台進行多因子選股、集合競價選股等策略選股。
Ⅷ Python培訓需要學習哪些內容
第一階段：Python核心編程
Python語言基本介紹、分支和循環、內置數據結構、函數、模塊、常用標准模塊、文件操作、異常處理、面向對象編程、多任務、內置函數與調試、排列組合與正則表達式、語法進階、Linux操作系統、文件系統與用戶管理、文件操作、網路命令、進程管理與服務配置、Shell編程與bash，源文件編譯、版本控制、MySQL使用、MySQL進階、游戲項目開發、階段總結+考核+簡歷指導
第二階段：全棧開發
HTML、CSS、JavaScript、jQuery、 BootStrap、Vue、Web開發基礎、Flask Views、Flask模板、資料庫操作、FLask配置、Django認識、Models、Templates、Views、Django AdvancedDjango進階)、(Django-Rest-Framework、天天生鮮項目(Vue+DRF)、項目部署、Tornado框架基礎、Tornado框架進階、ElasticSearch、全棧項目開發、階段總結+考核+簡歷指導
第三階段：網路爬蟲
爬蟲與數據、多線程爬蟲、Scrapy框架、Scrapy框架與信息實時抓取、定時爬取與郵件監控、NoSQL資料庫、Scrapy-Redis框架、百萬量數據採集、階段總結+考核+簡歷指導
第四階段：人工智慧
數據分析-基礎內容、數據分析-模塊學習、數據分析-數據清洗、數據分析-特徵工程和結果可視化、pyechart模塊動態可視化、詞雲、分類演算法、聚類演算法、回歸類演算法、關聯演算法、卷積神經網路、TensorFlow+PaddlePaddle、圖像識別、階段總結+考核+簡歷指導
第五階段：就業指導
就業指導、技術指導
Ⅸ python數據分析師需要掌握什麼技能
首先是基礎篇
1、首先是Excel，貌似這個很簡單，其實未必。Excel不僅能夠做簡單二維表、復雜嵌套表，能畫折線圖/Column chart/Bar chart/Area chart/餅圖/雷達圖/Combo char/散點圖/Win Loss圖等，而且能實現更高級的功能，包括透視表（類似於BI的多維分析模型Cube），以及Vlookup等復雜函數，處理100萬條以內的數據沒有大問題。最後，很多更高級的工具都有Excel插件，例如一些AI Machine Learning的開發工具。
2. SQL（資料庫）
我們都知道數據分析師每天都會處理海量的數據，這些數據來源於資料庫，那麼怎麼從資料庫取數據？如何建立兩表、三表之間的關系？怎麼取到自己想要的特定的數據？等等這些數據選擇問題就是你首要考慮的問題，而這些問題都是通過SQL解決的，所以SQL是數據分析的最基礎的技能。
3. 統計學基礎
數據分析的前提要對數據有感知，數據如何收集？數據整體分布是怎樣的？如果有時間維度的話隨著時間的變化是怎樣的？數據的平均值是什麼？數據的最大值最小值指什麼？數據相關與回歸、時間序列分析和預測等等。
4、掌握可視化工具，比如BI，如Cognos/Tableau/FineBI等，具體看企業用什麼工具，像我之前用的是FineBI。這些工具做可視化非常方便，特別是分析報告能含這些圖，一定會吸引高層領導的眼球，一目瞭然了解，洞察業務的本質。另外，作為專業的分析師，用多維分析模型Cube能夠方便地自定義報表，效率大大提升。
進階階段需要掌握的：
1、系統的學好統計學
純粹的機器學習講究演算法預測能力和實現，但是統計一直就強調「可解釋性」。比如說，針對今天微博股票發行就上升20%，你把你的兩個預測股票上漲還是下跌的model套在新浪的例子上，然後給你的上司看。統計學就是這樣的作用。
數據挖掘相關的統計方法（多元Logistic回歸分析、非線性回歸分析、判別分析等）
定量方法（時間軸分析、概率模型、優化）
決策分析（多目的決策分析、決策樹、影響圖、敏感性分析）
樹立競爭優勢的分析（通過項目和成功案例學習基本的分析理念）
資料庫入門（數據模型、資料庫設計）
預測分析（時間軸分析、主成分分析、非參數回歸、統計流程式控制制）
數據管理（ETL（Extract、Transform、Load）、數據治理、管理責任、元數據）
優化與啟發（整數計劃法、非線性計劃法、局部探索法、超啟發（模擬退火、遺傳演算法））
大數據分析（非結構化數據概念的學習、MapRece技術、大數據分析方法）
數據挖掘（聚類（k-means法、分割法）、關聯性規則、因子分析、存活時間分析）
其他，以下任選兩門（社交網路、文本分析、Web分析、財務分析、服務業中的分析、能源、健康醫療、供應鏈管理、綜合營銷溝通中的概率模型）
風險分析與運營分析的計算機模擬
軟體層面的分析學（組織層面的分析課題、IT與業務用戶、變革管理、數據課題、結果的展現與傳達方法）
2、掌握AI Machine Learning演算法，會用工具（比如Python/R）進行建模。
傳統的BI分析能回答過去發生了什麼？現在正在發生什麼？但對於未來會發生什麼？必須靠演算法。雖然像Tableau、FineBI等自助式BI已經內置了一部分分析模型，但是分析師想要更全面更深度的探索，需要像Python/R的數據挖掘工具。另外大數據之間隱藏的關系，靠傳統工具人工分析是不可能做到的，這時候交由演算法去實現，無疑會有更多的驚喜。
其中，面向統計分析的開源編程語言及其運行環境「R」備受矚目。R的強項不僅在於其包含了豐富的統計分析庫，而且具備將結果進行可視化的高品質圖表生成功能，並可以通過簡單的命令來運行。此外，它還具備稱為CRAN（The Comprehensive R Archive Network）的包擴展機制，通過導入擴展包就可以使用標准狀態下所不支持的函數和數據集。R語言雖然功能強大，但是學習曲線較為陡峭，個人建議從python入手，擁有豐富的statistical libraries，NumPy ，SciPy.org ，Python Data Analysis Library，matplotlib: python plotting。
以上我的回答希望對你有所幫助
Ⅹ python因子分析怎麼做
用spss就可以