量化交易行业分析
随着技术的不断发展，用于交易的技术也在不断发展。在可预见的未来，我们将开始见证金融市场的高度自动化，而不是我们现在所看到的。算法交易将继续使用复杂的算法，以及集成人工智能。 AI将帮助改变您的模型以匹配市场变化并使统计上正确的移动。随着时间的推移，人工智能将需要重新培训，但通常应该是自我可持续的。交易空间创新的下一个阶段应该是包含机器学习。 ML将通过选择适合市场的交易技术进一步自动化交易的执行阶段。正在向该部门投入大量投资，以进一步加强和发展该技术。
机器人技术也是未来交易的新热点之一。 AllianceBernstein是一家位于纽约的5000亿美元投资集团，已经开始使用名为Abbie的试验机器人。她目前正在处理债券交易，在短短三个月的时间里，她处理了价值近190亿美元的数千债券。这只标志着金融业自动化和电子化的开始，过去一切都是由人和计算机完成的。预计机器人将取代大多数基金经理，对算法方面的需求将大幅增加。
牛津大学最近进行的一项研究表明，47％的工作岗位在未来20年内处于自动化的高风险，其中54％的工作来自金融部门。该模型引用了算法交易的三个成功三元组特征 - 强大的性能，广泛的采用和低劳动力需求。即使使用完全自动化的交易系统，人类仍然对关系开发，系统开发和业务的其他关键功能的过程至关重要。
量化交易具有广阔的成长空间，正出现以下新趋势
算法模型同质化。量化交易的算法模型虽各具特色，但同一理念的模型不断改进最终将趋同。
软件竞争硬件化。当算法模型趋于极限，包括超级计算机、超级芯片在内各种IT设备的硬件性能、质量、机房、服务器托管、与交易中心的点距离等都可能成为秒杀的关键因素，这同时也给高频交易的监管提出了新挑战。
竞争对手同类化。向量化交易转型的高技术门槛必然导致投资者结构的调整，市场将从主观与量化交易之间的博弈转向各类量化交易之间的博弈。
投资范围全域化。单一品种、单一资产、单一市场无法实现量化交易优势最大化，概率论青睐全品种、全时空、多市场、高频率的投资组合。
交易人才IT化。老牌金融中心伦敦正在演变为IT公司集散地，包括高盛、大小摩根、花旗、瑞信等在内众多欧美顶尖投行都在不计血本打造IT团队，专攻投资模型研发。
量化团队集约化。2017年8月有消息称，大小摩根和高盛筹划共建大数据公司，合力提供证券产品参考数据（Securities Product Reference Data）。
博弈手段对抗化。日趋激烈的竞争派生对手之间的干扰、幌骗甚至黑客攻击。2014年11月CFTC指控芝加哥投资公司交易员奥斯塔赫在359790份高频交易合约中累计幌骗交易1316次，CME对其处以15万美元罚款和一个月市场禁入。奥斯塔赫接受处罚但对幌骗行为既不承认也未否认。
量化投资之自动化实盘交易
发和鱼 于 2018-01-03 21:09:53 发布 19971 收藏 79
在我国的股票二级市场上，是没有直通交易所的api接口的，我们只能通过券商给出的第三方交易接口进行程序化交易。2015年中，证监会下发了《关于加强证券公司信息系统外部接入管理的通知》，要求证券公司对信息系统外部接入管理开展自查，全面梳理外部接入情况及业务开展情况，深入排查信息技术风险和业务合规风险。
随后中国证券业协会发布《证券公司外部接入信息系统评估认证规范》，声明以下三种程序化股票交易接口是合规的：
(一) 客户端是证券公司与第三方公司签署正式协议购置或租用的,并经证券公司测试和验收后,由证券公司进行发布、升级等运营管理;
(二) 客户端是客户自行开发或通过第三方购置、租用,且通过专线、互联网VPN等专用通讯通道接入证券公司的,经证券公司评估系统安全性并正式认可后,由客户自行运行管理或授权证券公司确定的第三方运行管理;
(三) 客户端是直连证券公司服务端的通用浏览器。
此后，各大券商停止了对一般的个人投资者提供交易接口，部分券商给高净值个人客户提供交易接口服务。然而大多数券商的官网上都有网上交易系统，投资者通过web页面进行投资操作。有些低净值量化投资爱好者，通过web编程技术模拟登录网页，通过http请求发送委托单。当然github上有现成的交易框架，比如easytrader等以供不熟悉web编程的投资者使用。不过从法律法规角度看来，这是不被允许的。另外，越来越多的券商陆陆续续地也将关闭网页web交易（见 又一家券商关闭了网页web交易—集思录）,非常流行的自动化交易 可见此法即使游走在法律边缘，也越来越行不通了。
而对于机构投资者，可以通过正规地申请程序，来获得券商地交易接口。当然现在很多的量化投资平台已经可以提供自动化实盘交易，下面将逐一来介绍我所知道的这些量化交易平台。
【源码时代干货分享】什么样的工作可以学习Python
很多 Python 初学者都用它来编写爬虫程序。 非常流行的自动化交易 Python爬虫入门相对简单易学。一开始不需要掌握太多基础和底层的知识，就能快速上手，快速出成果。它非常适合小孩子。起初，白想创造一种有形的成就感。 将所有网络数据作为资源，通过自动化程序进行有针对性的数据收集和处理。爬虫开发项目包括反爬虫策略、高性能异步IO、分布式爬虫等，深入分析Scrapy框架源码，了解其原理，实现自定义爬虫框架。 Python 更常用于网络爬虫。谷歌是第一个将 Python 用于网络爬虫的，Python 也被驱动发展。
3、桌面程序
Python 包含了大量的 UI 库，可以轻松完成一个 GUI 程序。也有很多Python实现GUI的例子，比如Dropbox，它是一个用Python实现的服务器端和客户端程序。
4、人工智能和机器学习
人工智能是目前火热的领域，让Python语言的未来充满无限潜力。大多数最有影响力的 AI 框架都是 Python 的实现。 Python 足够动态并且具有足够的性能。这就是人工智能技术所够要的技术特征。 .一些网站如基于Python的深度学习库、深度学习方向、机器学习方向、自然语言处理方向等基本都是通过Python实现的。机器学习，尤其是目前流行的大部分深度学习工具框架，都提供了Python接口，简洁明了的语法深受开发者喜爱。
5、科学计算
6、数据分析
7、服务器运维
Python在服务器运维方面也占有一席之地。目前，几乎所有的 Linux 发行版都有自己的 Python 解释器，使用 Python 脚本进行批量文件部署和操作调整已经成为 Linux 服务器上的一个不错的选择。 Linux运维必须掌握Python语言。 Python是一种非常NB的编程语言，满足了Linux运维工程师日益增长的工作速度需求。
8、Python自动化测试
Python 语言对测试非常有帮助。 Python 语言在自动化测试中有广泛的用途，可以提高工作效率。 Python 太强大了，无法掌握和熟悉我们经常使用的自动化流程、方法和模板
教程入门：建立一个完全自动化的交易系统
I天辉I 于 2017-04-25 09:48:51 发布 16203 收藏 26
首先对于量化交易的初学者，建议读读 Ernie P. Chan的书籍：Quantitative Trading: How to build your own algorithmic trading business，这本书是基础。
量化交易系统可以分为半自动化交易和完全自动化交易两种，半自动化系统适合一个星期有几笔交易，推荐使用 Matlab, R语言, 甚至是Excel，具体建议如下：
- 可以忽略Matlab, 它会带来很多金钱上的成本，并没有许多训练材料如博客或书籍教会你如何使用Matlab编码交易策略。
- R语言有不少资源可以用来学习如何构建交易策略，推荐阅读:QuantStratTradeR run by Ilya Kipnis.
- 如果你没有编程经验，可以使用Microsoft Excel，能够使用Excel进行半自动化交易，但是不能帮助你建立一个完整的交易技术体系。
对于完全自动化交易系统，适合你实时下单，可以使用C#语言，QuantConnect也是使用C#，QuantStart 和Quantopian 使用的是Python，HFT更喜欢使用C++，当然Java也很流行。
（1）Quantopian：使用易于学习的Python，能够自由访问很多数据集，有大量社区支持，它是这个领域的市场领导者，它的开源项目是Zipline，这是一个开源的引擎，能够引发在IDE中的backtester，其Github仓库按此。有 Google group讨论组支持。