① python 怎么下单炒股票
前期的数据抓取和分析可能python都写好了，所以差这交易指令接口最后一步。对于股票的散户，正规的法子是华宝，国信，兴业这样愿意给接口的券商，但貌似开户费很高才给这权利，而且只有lts，ctp这样的c++接口，没python版就需要你自己封装。
这两个都没用，期货和股票之类的需要借助于第三方平台，象TradeBlazer，你所做的编程和开发也是需要用它提供的语言来进行，与C#什么的没有任何关系。
③ 个人做量化交易需要注意些什么
一说到量化投资，一下子蹦出来一堆厉害的语汇，例如：FPGA，微波加热，高频率，纳秒等级延迟时间这些。这种全是高频交易中的语汇，高频交易的确是基金管理公司做起来较为适合，平常人搞起来门槛较为高。
模拟交易最后实际效果一般在于你的程序流程是不是灵便，是不是优良的风险性和资金分配优化算法。
总结：对于说本人做量化投资是不是可靠，上边的步骤早已表明了实际可策划方案，可靠性显而易见。对于能否赚到钱，就看本人的修为了更好地。
④ 怎样用 Python 写一个股票自动交易的程序
概率炒股法：
下面方法买涨不买跌，同时避免被套，缺点，手续费比较高，但完全可以吃完整个牛市，熊市不会被套。
用python获取股票价格，如tushare，如果发现股票当天涨幅在大盘之上（2点30到2点50判断），买入持有一天，下跌当天就别买，你可以用概率论方法，根据资金同时持有5支，10支或20支，这样不怕停盘影响，理论上可以跑赢大盘。好处：避免人为冲动，缺点手续费高
还有一种是操作etf，如大盘50etf,etf300,中小板etf,创业板etf，当天2.30分判断那个etf上涨就买入那支，买入涨幅最大的，不上涨什么都不买，持有一天，第二天上午判断一下，如果下跌超过2%卖掉。好处：不会踩地雷，缺点：涨随大盘,我比较推荐这个方法，外围的风险比较小。
具体的python程序我有，比上面复杂，有止赢止损位，资金管理，监视管理，我用在实盘当中，自动化下单也已解决。
我觉得程序的成败不在一日之功，在于长期稳定赚钱，如运行十年，过多的数据分析也无意义，因为预测未来永远是一个概率问题，不是百分之百确定的，如果你的程序能在长时间多次数上战胜市场，你的程序就能趋向大数定理。
否则一时的回撤会让你停止程序自动执行，而无法趋向大数定理中的稳定概率。
如果有一个程序能百分之99确定，那么基本上肯定是分析了内幕交易数据，和徐x一样，每次重仓一支股，这种手法应该是得到了内幕，也就不需要什么程序来交易了。
巴菲特的交易模式实质上也是内幕交易的一种，因为他靠的是外在分析，实地考查，估计这是寻找内幕的手段，现在做大了，这种效果就不灵了，收益也下降了，美国经济也下滑了，所以巴菲特的未来是必定是暗淡的，因为内幕交易的池子有限，资金量大了不好操作。
想想如果巴菲特生在苏联，印度，日本等等其他国家，他可能在街头要饭，美国二战后经济环境加倾向内幕造就了他，而不是炒股技术有多神。所以巴菲特不屑于程序化交易。
巴菲特及不少美国式的股神实际上是幸存者偏差造成的，你想想苏联的股神在那里？为什么一个都没有？（“沉默的数据”、“死人不会说话”）
我觉得未来真正能成股神必定是程序，不是人，因为一个好的程序策略可以用一辈子，实现长期稳定增长，当然前提是社会经济环境稳定，不会出现类似苏联的动乱，也不会出现日本式的恶性通胀（对货币m2有点担心）。
太多的股票让股民每天沉浸在选股的游戏中，选股造就了券商的行情软件，实际上很多数据都是没有用的，所有的关键是按操作方法永远执行下去才能趋向稳定概率，否则今天换一种明天换一种方法，今天按kdj，明天按macd，后天按boll，大后天按ddx，大大后天按自编指标，多条件选股，最后钱都交手续费或止损不及时被套牢了。这时券商收佣金的目的也就达到了，每年券商收的佣金比股市分红要高。不管行情如何，只要多请几个股评员，总有方向说对的，玩个概率游戏让大家频繁交易，券商的收入只会增不会降。所以千万别信股评，玩的是概率游戏，如同预测硬币的正反，请十个股评师必定有个能预测三次正确的神股评。你信这个神股评，后面可能是三次都不准，呵呵。所以券商和行情软件总会在收盘或午休时弹出各种消息或评价，说实在的这种东西没有一分钱的价值。可能早就写好了上涨的说法是模块a，下跌的说法是模板b，平市的说法是模板c,只是填上当天数据即可，都是八股文，都是马后炮，一样的事件上午说成是上涨理由，下午说成是下跌理由。
程序的策略经过测试后的关键在于稳定执行，长期稳定执行，长期长期稳定稳定执行执行，重要的事说三遍。
人性无法战胜的弱点是执行力，小学生都懂的天天向上，每日进步，世间有几人能做到？而稳定几十年执行更是难上加难，如同背英语单词一样，理论上一天背一百个，一百天就可以一万词，但十年，二十年过去了，你可能还是三千词以下。
用程序的目的就是百分之百执行到位，没有折扣，真正战胜人性的弱点，和t+1没有关系。
另外通过一定方法降低手续费也可以使你的资金活得更久，如把上面的日模型改为周或月模型。
⑤ 实盘量化交易平台有哪些
既能支持股票又能支持期货的有掘金量化
⑥ python的量化代码怎么用到股市中
2010 ~ 2017 沪深A股各行业量化分析
在开始各行业的量化分析之前，我们需要先弄清楚两个问题：
第一，A股市场上都有哪些行业；
第二，各行业自2010年以来的营收、净利润增速表现如何？
第一个问题
很好回答，我们使用JQData提供的获取行业成分股的方法，输入get_instries(name='sw_l1')
得到申万一级行业分类结果如下：它们分别是：【农林牧渔、采掘、化工、钢铁、有色金属、电子、家用电器、食品饮料、纺织服装、轻工制造、医药生物、公用事业、交通运输、房地产、商业贸易、休闲服务、综合、建筑材料、建筑装饰、电器设备、国防军工、计算机、传媒、通信、银行、非银金融、汽车、机械设备】共计28个行业。
第二个问题
要知道各行业自2010年以来的营收、净利润增速表现，我们首先需要知道各行业在各个年度都有哪些成分股，然后加总该行业在该年度各成分股的总营收和净利润，就能得到整个行业在该年度的总营收和总利润了。这部分数据JQData也为我们提供了方便的接口：通过调用get_instry_stocks(instry_code=‘行业编码’, date=‘统计日期’)，获取申万一级行业指定日期下的行业成分股列表，然后再调用查询财务的数据接口：get_fundamentals(query_object=‘query_object’, statDate=year)来获取各个成分股在对应年度的总营收和净利润，最后通过加总得到整个行业的总营收和总利润。这里为了避免非经常性损益的影响，我们对净利润指标最终选取的扣除非经常性损益的净利润数据。
我们已经获取到想要的行业数据了。接下来，我们需要进一步分析，这些行业都有什么样的增长特征。
我们发现，在28个申万一级行业中，有18个行业自2010年以来在总营收方面保持了持续稳定的增长。它们分别是：【农林牧渔，电子，食品饮料，纺织服装，轻工制造，医药生物，公用事业，交通运输，房地产，休闲服务，建筑装饰，电气设备，国防军工，计算机，传媒，通信，银行，汽车】；其他行业在该时间范围内出现了不同程度的负增长。
那么，自2010年以来净利润保持持续增长的行业又会是哪些呢？结果是只有5个行业保持了基业长青，他们分别是医药生物，建筑装饰，电气设备，银行和汽车。（注：由于申万行业在2014年发生过一次大的调整，建筑装饰，电气设备，银行和汽车实际从2014年才开始统计。）
从上面的分析结果可以看到，真正能够保持持续稳定增长的行业并不多，如果以扣非净利润为标准，那么只有医药生物，建筑装饰，电气设备，银行和汽车这五个行业可以称之为优质行业，实际投资中，就可以只从这几个行业中去投资。这样做的目的是，一方面，能够从行业大格局层面避免行业下行的风险，绕开一个可能出现负增长的的行业，从而降低投资的风险；另一方面，也大大缩短了我们的投资范围，让投资者能够专注于从真正好的行业去挑选公司进行投资。
「2010-2017」投资于优质行业龙头的收益表现
选好行业之后，下面进入选公司环节。我们知道，即便是一个好的行业也仍然存在表现不好的公司，那么什么是好的公司呢，本文试图从营业收入规模和利润规模和来考察以上五个基业长青的行业，从它们中去筛选公司作为投资标的。
3.1按营业收入规模构建的行业龙头投资组合
首先，我们按照营业收入规模，筛选出以上5个行业【医药生物，建筑装饰，电气设备，银行和汽车】从2010年至今的行业龙头如下表所示：
结论
通过以上行业分析和投资组合的历史回测可以看到：
先选行业，再选公司，即使是从2015年股灾期间开始投资，至2018年5月1号，仍然能够获得相对理想的收益，可以说，红杉资本的赛道投资法则对于一般投资者还是比较靠谱的。
在构建行业龙头投资组合时，净利润指标显著优于营业收入指标，获得的投资收益能够更大的跑赢全市场收益率
市场是不断波动的，如果一个投资者从股灾期间开始投资，那么即使他买入了上述优质行业的龙头组合，在近3年也只能获得12%左右的累计收益；而如果从2016年5月3日开始投资，那么至2018年5月2日，2年时间就能获得超过50%以上的收益了。所以，在投资过程中选择时机也非常重要。
出自：JoinQuant 聚宽数据 JQData
⑦ Python 可期货实盘交易吗
国内期货暂时没有这个品种，期货品种大多是同质化保质期较长的大宗商品期货，包括有色金属、钢铁、煤炭、贵金属、豆类等等。
⑧ 如何用Python炒股
如果想直接执行python程序的话可以写一个.bat新建一个记事本，然后写一段下面的代码，最后存成.bat文件，以后直接执行这段代码就可以了。其实也可以直接执行.py文件c:\program files\python file.py
⑨ python量化哪个平台可以回测模拟实盘还不要钱
Python量化投资框架：回测+模拟+实盘
Python量化投资 模拟交易 平台 1. 股票量化投资框架体系 1.1 回测 实盘交易前，必须对量化交易策略进行回测和模拟，以确定策略是否有效，并进行改进和优化。作为一般人而言，你能想到的，一般都有人做过了。回测框架也如此。当前小白看到的主要有如下五个回测框架： Zipline ：事件驱动框架，国外很流行。缺陷是不适合国内市场。 PyAlgoTrade ： 事件驱动框架，最新更新日期为16年8月17号。支持国内市场，应用python 2.7开发，最大的bug在于不支持3.5的版本，以及不支持强大的pandas。 pybacktest ：以处理向量数据的方式进行回测，最新更新日期为2个月前，更新不稳定。 TradingWithPython：基于pybacktest，进行重构。参考资料较少。 ultra-finance：在github的项目两年前就停止更新了，最新的项目在谷歌平台，无奈打不开网址，感兴趣的话，请自行查看吧。 RQAlpha：事件驱动框架，适合A股市场，自带日线数据。是米筐的回测开源框架，相对而言，个人更喜欢这个平台。 2 模拟 模拟交易，同样是实盘交易前的重要一步。以防止类似于当前某券商的事件，半小时之内亏损上亿，对整个股市都产生了恶劣影响。模拟交易，重点考虑的是程序的交易逻辑是否可靠无误，数据传输的各种情况是否都考虑到。 当下，个人看到的，喜欢用的开源平台是雪球模拟交易，其次是wind提供的模拟交易接口。像优矿、米筐和聚宽提供的，由于只能在线上平台测试，不甚自由，并无太多感觉。 雪球模拟交易：在后续实盘交易模块，再进行重点介绍，主要应用的是一个开源的easytrader系列。 Wind模拟交易：若没有机构版的话，可以考虑应用学生免费版。具体模拟交易接口可参看如下链接：http://www.dajiangzhang.com/document 3 实盘 实盘，无疑是我们的终极目标。股票程序化交易，已经被限制。但对于万能的我们而言，总有解决的办法。当下最多的是破解券商网页版的交易接口，或者说应用爬虫爬去操作。对我而言，比较倾向于食灯鬼的easytrader系列的开源平台。对于机构用户而言，由于资金量较大，出于安全性和可靠性的考虑，并不建议应用。 easytrader系列当前主要有三个组成部分： easytrader：提供券商华泰/佣金宝/银河/广发/雪球的基金、股票自动程序化交易，量化交易组件 easyquotation : 实时获取新浪 / Leverfun 的免费股票以及 level2 十档行情 / 集思路的分级基金行情 easyhistory : 用于获取维护股票的历史数据 easyquant : 股票量化框架，支持行情获取以及交易 2. 期货量化投资框架体系 一直待在私募或者券商，做的是股票相关的内容，对期货这块不甚熟悉。就根据自己所了解的，简单总结一下。 2.1 回测 回测，貌似并没有非常流行的开源框架。可能的原因有二：期货相对股票而言，门槛较高，更多是机构交易，开源较少； 去年至今对期货监管控制比较严，至今未放开，只能做些CTA的策略，另许多人兴致泱泱吧。 就个人理解而言，可能wind的是一个相对合适的选择。 2.2 模拟 + 实盘 vn.py是国内最为流行的一个开源平台。起源于国内私募的自主交易系统，2015年初启动时只是单纯的交易API接口的Python封装。随着业内关注度的上升和社区不断的贡献，目前已经一步步成长为一套全面的交易程序开发框架。如官网所说，该框架侧重的是交易模块，回测模块并未支持。 能力有限，如果对相关框架感兴趣的话，就详看相关的链接吧。个人期望的是以RQAlpha为主搭建回测框架，以雪球或wind为主搭建模拟框架，用easy系列进行交易。
⑩ 有没有人在学python做量化交易的
推荐一些书籍
1 像计算机科学家一样思考Python
2 [Python标准库].Doug.Hellmann.扫描版
3《Python科学计算》.(张若愚)
4 用Python做科学计算
5 利用Python进行数据分析
6 Python数据分析基础教程：NumPy学习指南（第2版）
7 NumPy攻略
7 Python科学计算与数据分析
8 A Practical Guide To Quantitative Portfolio Trading
9 Data Structures and Algorthms Using Python
10 Mastering Python for Finance
计量经济学
1 金融计量学从初级 到 高级建模技术
2 哈佛教材 应用计量经济学 stata
3 高等计量经济学 李子奈等编着
4 Analysis of Financial Time Series- Financial Econometrics(2002)金融时序分析
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计量精要
10 Akira Takayama - Mathematical Economics