① python 怎麼下單炒股票
前期的數據抓取和分析可能python都寫好了，所以差這交易指令介面最後一步。對於股票的散戶，正規的法子是華寶，國信，興業這樣願意給介面的券商，但貌似開戶費很高才給這權利，而且只有lts，ctp這樣的c++介面，沒python版就需要你自己封裝。
這兩個都沒用，期貨和股票之類的需要藉助於第三方平台，象TradeBlazer，你所做的編程和開發也是需要用它提供的語言來進行，與C#什麼的沒有任何關系。
③ 個人做量化交易需要注意些什麼
一說到量化投資，一下子蹦出來一堆厲害的語匯，例如：FPGA，微波加熱，高頻率，納秒等級延遲時間這些。這種全是高頻交易中的語匯，高頻交易的確是基金管理公司做起來較為適合，平常人搞起來門檻較為高。
模擬交易最後實際效果一般在於你的程序流程是不是靈便，是不是優良的風險性和資金分配優化演算法。
總結：對於說本人做量化投資是不是可靠，上邊的步驟早已表明了實際可策劃方案，可靠性顯而易見。對於能否賺到錢，就看本人的修為了更好地。
④ 怎樣用 Python 寫一個股票自動交易的程序
概率炒股法：
下面方法買漲不買跌，同時避免被套，缺點，手續費比較高，但完全可以吃完整個牛市，熊市不會被套。
用python獲取股票價格，如tushare，如果發現股票當天漲幅在大盤之上（2點30到2點50判斷），買入持有一天，下跌當天就別買，你可以用概率論方法，根據資金同時持有5支，10支或20支，這樣不怕停盤影響，理論上可以跑贏大盤。好處：避免人為沖動，缺點手續費高
還有一種是操作etf，如大盤50etf,etf300,中小板etf,創業板etf，當天2.30分判斷那個etf上漲就買入那支，買入漲幅最大的，不上漲什麼都不買，持有一天，第二天上午判斷一下，如果下跌超過2%賣掉。好處：不會踩地雷，缺點：漲隨大盤,我比較推薦這個方法，外圍的風險比較小。
具體的python程序我有，比上面復雜，有止贏止損位，資金管理，監視管理，我用在實盤當中，自動化下單也已解決。
我覺得程序的成敗不在一日之功，在於長期穩定賺錢，如運行十年，過多的數據分析也無意義，因為預測未來永遠是一個概率問題，不是百分之百確定的，如果你的程序能在長時間多次數上戰勝市場，你的程序就能趨向大數定理。
否則一時的回撤會讓你停止程序自動執行，而無法趨向大數定理中的穩定概率。
如果有一個程序能百分之99確定，那麼基本上肯定是分析了內幕交易數據，和徐x一樣，每次重倉一支股，這種手法應該是得到了內幕，也就不需要什麼程序來交易了。
巴菲特的交易模式實質上也是內幕交易的一種，因為他靠的是外在分析，實地考查，估計這是尋找內幕的手段，現在做大了，這種效果就不靈了，收益也下降了，美國經濟也下滑了，所以巴菲特的未來是必定是暗淡的，因為內幕交易的池子有限，資金量大了不好操作。
想想如果巴菲特生在蘇聯，印度，日本等等其他國家，他可能在街頭要飯，美國二戰後經濟環境加傾向內幕造就了他，而不是炒股技術有多神。所以巴菲特不屑於程序化交易。
巴菲特及不少美國式的股神實際上是倖存者偏差造成的，你想想蘇聯的股神在那裡？為什麼一個都沒有？（「沉默的數據」、「死人不會說話」）
我覺得未來真正能成股神必定是程序，不是人，因為一個好的程序策略可以用一輩子，實現長期穩定增長，當然前提是社會經濟環境穩定，不會出現類似蘇聯的動亂，也不會出現日本式的惡性通脹（對貨幣m2有點擔心）。
太多的股票讓股民每天沉浸在選股的游戲中，選股造就了券商的行情軟體，實際上很多數據都是沒有用的，所有的關鍵是按操作方法永遠執行下去才能趨向穩定概率，否則今天換一種明天換一種方法，今天按kdj，明天按macd，後天按boll，大後天按ddx，大大後天按自編指標，多條件選股，最後錢都交手續費或止損不及時被套牢了。這時券商收傭金的目的也就達到了，每年券商收的傭金比股市分紅要高。不管行情如何，只要多請幾個股評員，總有方向說對的，玩個概率游戲讓大家頻繁交易，券商的收入只會增不會降。所以千萬別信股評，玩的是概率游戲，如同預測硬幣的正反，請十個股評師必定有個能預測三次正確的神股評。你信這個神股評，後面可能是三次都不準，呵呵。所以券商和行情軟體總會在收盤或午休時彈出各種消息或評價，說實在的這種東西沒有一分錢的價值。可能早就寫好了上漲的說法是模塊a，下跌的說法是模板b，平市的說法是模板c,只是填上當天數據即可，都是八股文，都是馬後炮，一樣的事件上午說成是上漲理由，下午說成是下跌理由。
程序的策略經過測試後的關鍵在於穩定執行，長期穩定執行，長期長期穩定穩定執行執行，重要的事說三遍。
人性無法戰勝的弱點是執行力，小學生都懂的天天向上，每日進步，世間有幾人能做到？而穩定幾十年執行更是難上加難，如同背英語單詞一樣，理論上一天背一百個，一百天就可以一萬詞，但十年，二十年過去了，你可能還是三千詞以下。
用程序的目的就是百分之百執行到位，沒有折扣，真正戰勝人性的弱點，和t+1沒有關系。
另外通過一定方法降低手續費也可以使你的資金活得更久，如把上面的日模型改為周或月模型。
⑤ 實盤量化交易平台有哪些
既能支持股票又能支持期貨的有掘金量化
⑥ python的量化代碼怎麼用到股市中
2010 ~ 2017 滬深A股各行業量化分析
在開始各行業的量化分析之前，我們需要先弄清楚兩個問題：
第一，A股市場上都有哪些行業；
第二，各行業自2010年以來的營收、凈利潤增速表現如何？
第一個問題
很好回答，我們使用JQData提供的獲取行業成分股的方法，輸入get_instries(name='sw_l1')
得到申萬一級行業分類結果如下：它們分別是：【農林牧漁、採掘、化工、鋼鐵、有色金屬、電子、家用電器、食品飲料、紡織服裝、輕工製造、醫葯生物、公用事業、交通運輸、房地產、商業貿易、休閑服務、綜合、建築材料、建築裝飾、電器設備、國防軍工、計算機、傳媒、通信、銀行、非銀金融、汽車、機械設備】共計28個行業。
第二個問題
要知道各行業自2010年以來的營收、凈利潤增速表現，我們首先需要知道各行業在各個年度都有哪些成分股，然後加總該行業在該年度各成分股的總營收和凈利潤，就能得到整個行業在該年度的總營收和總利潤了。這部分數據JQData也為我們提供了方便的介面：通過調用get_instry_stocks(instry_code=『行業編碼』, date=『統計日期』)，獲取申萬一級行業指定日期下的行業成分股列表，然後再調用查詢財務的數據介面：get_fundamentals(query_object=『query_object』, statDate=year)來獲取各個成分股在對應年度的總營收和凈利潤，最後通過加總得到整個行業的總營收和總利潤。這里為了避免非經常性損益的影響，我們對凈利潤指標最終選取的扣除非經常性損益的凈利潤數據。
我們已經獲取到想要的行業數據了。接下來，我們需要進一步分析，這些行業都有什麼樣的增長特徵。
我們發現，在28個申萬一級行業中，有18個行業自2010年以來在總營收方面保持了持續穩定的增長。它們分別是：【農林牧漁，電子，食品飲料，紡織服裝，輕工製造，醫葯生物，公用事業，交通運輸，房地產，休閑服務，建築裝飾，電氣設備，國防軍工，計算機，傳媒，通信，銀行，汽車】；其他行業在該時間范圍內出現了不同程度的負增長。
那麼，自2010年以來凈利潤保持持續增長的行業又會是哪些呢？結果是只有5個行業保持了基業長青，他們分別是醫葯生物，建築裝飾，電氣設備，銀行和汽車。（註：由於申萬行業在2014年發生過一次大的調整，建築裝飾，電氣設備，銀行和汽車實際從2014年才開始統計。）
從上面的分析結果可以看到，真正能夠保持持續穩定增長的行業並不多，如果以扣非凈利潤為標准，那麼只有醫葯生物，建築裝飾，電氣設備，銀行和汽車這五個行業可以稱之為優質行業，實際投資中，就可以只從這幾個行業中去投資。這樣做的目的是，一方面，能夠從行業大格局層面避免行業下行的風險，繞開一個可能出現負增長的的行業，從而降低投資的風險；另一方面，也大大縮短了我們的投資范圍，讓投資者能夠專注於從真正好的行業去挑選公司進行投資。
「2010-2017」投資於優質行業龍頭的收益表現
選好行業之後，下面進入選公司環節。我們知道，即便是一個好的行業也仍然存在表現不好的公司，那麼什麼是好的公司呢，本文試圖從營業收入規模和利潤規模和來考察以上五個基業長青的行業，從它們中去篩選公司作為投資標的。
3.1按營業收入規模構建的行業龍頭投資組合
首先，我們按照營業收入規模，篩選出以上5個行業【醫葯生物，建築裝飾，電氣設備，銀行和汽車】從2010年至今的行業龍頭如下表所示：
結論
通過以上行業分析和投資組合的歷史回測可以看到：
先選行業，再選公司，即使是從2015年股災期間開始投資，至2018年5月1號，仍然能夠獲得相對理想的收益，可以說，紅杉資本的賽道投資法則對於一般投資者還是比較靠譜的。
在構建行業龍頭投資組合時，凈利潤指標顯著優於營業收入指標，獲得的投資收益能夠更大的跑贏全市場收益率
市場是不斷波動的，如果一個投資者從股災期間開始投資，那麼即使他買入了上述優質行業的龍頭組合，在近3年也只能獲得12%左右的累計收益；而如果從2016年5月3日開始投資，那麼至2018年5月2日，2年時間就能獲得超過50%以上的收益了。所以，在投資過程中選擇時機也非常重要。
出自：JoinQuant 聚寬數據 JQData
⑦ Python 可期貨實盤交易嗎
國內期貨暫時沒有這個品種，期貨品種大多是同質化保質期較長的大宗商品期貨，包括有色金屬、鋼鐵、煤炭、貴金屬、豆類等等。
⑧ 如何用Python炒股
如果想直接執行python程序的話可以寫一個.bat新建一個記事本，然後寫一段下面的代碼，最後存成.bat文件，以後直接執行這段代碼就可以了。其實也可以直接執行.py文件c:\program files\python file.py
⑨ 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。
⑩ 有沒有人在學python做量化交易的
推薦一些書籍
1 像計算機科學家一樣思考Python
2 [Python標准庫].Doug.Hellmann.掃描版
3《Python科學計算》.(張若愚)
4 用Python做科學計算
5 利用Python進行數據分析
6 Python數據分析基礎教程：NumPy學習指南（第2版）
7 NumPy攻略
7 Python科學計算與數據分析
8 A Practical Guide To Quantitative Portfolio Trading
9 Data Structures and Algorthms Using Python
10 Mastering Python for Finance
計量經濟學
1 金融計量學從初級 到 高級建模技術
2 哈佛教材 應用計量經濟學 stata
3 高等計量經濟學 李子奈等編著
4 Analysis of Financial Time Series- Financial Econometrics(2002)金融時序分析
5 Phoebus J. Dhrymes, Mathematics for Econometrics, 4e
6 Osborne,Rubinstein-A Course in Game Theory
7 Model Building in Mathematical Programming(5e)
8 Hayashi - Econometrics
9 Gujarati-Essentials of Econometrics計量精要
10 Akira Takayama - Mathematical Economics