缘起

当站在如今之刻回望工作乃至学习以来，迈入基础架构领域，实属校招工作分配的筛子，赖着云计算的高歌猛进算是押对了行业；然而对数字的和推理的追求，那是曾经无尽的兴趣所在，限于大脑一般的记性和视觉审美，唯觉简洁深度抽象乃是美的展现形式，本质所在。不幸之是，作为一般开发，基础架构对于数理之需求实乃不高，所谓用进废退，对数字与定理之敏感，已是退步许多。

因机缘巧合触及机器学习云原生化，进而对应用/图像算法工程领域有皮毛的接触，三年前便知曾经人为发掘的特征或者算法，几乎为海量的数据和算力的深度学习所碾压。如今机缘巧合，感触到量化交易也展现雷同之势。我们建设机器学习平台，对于推广搜而言是带来多个点击率和 GMV 的提升；对于计算视觉而言是诸如车牌人脸识别提升多少个百分点，固然有很大的业务价值。但是当站在科技和金融的十字路口时，其团队和个人的业务价值或者可以更加体现。

有时问起自己，从哪里来、到哪里去的哲学命题时，时间的维度便拉的很长，兴趣与个人的意义便被突出与放大，生而有涯学无涯，在有条件之余，给自己一个探索的机会，用一年的周期折腾一把量化交易。

选型

折腾的选型因素主要考虑功能、生态；其次是快速的进行开发和实现第一笔实盘交易，形成流程的闭环，让飞轮的运转起来，进而在算法策略逐步迭代，在此约束下完成如下梳理和调研。

功能

无论是平台还是开源项目，期望可以提供准确丰富的数据源、提供易用的开发环境，支持测回/模拟/实盘和交易后端。

• 丰富的数据源：国内/国际期货、股票、外汇、数字货币等数据，准确和完整是核心诉求，越精细越好。
• 友好的算法开发和模拟：提供快速的算法策略开发环境，支持回测和分析；支持模拟和实盘。
• 丰富的交易后端：支持国内/国际券商/期货公司的交易后端为佳。其中 futu 提供了简易的交易入口，支持 A股/H/US 等，适配 futu 的成本非常低。

生态

• 社区：文档 & 热度。
• 语言：必须以 Python 为主，核心能力上 Python 在数理统计分析、机器学习算法等生态丰富；周边能力上系统层面也具备较好的生态。
• 系统：稳定性 / 成熟度。

开源项目

• vnpy: 17.4k Star，基于 Python 的开源量化交易系统开发框架，在开源社区 7 年持续不断的贡献下一步步成长为全功能量化交易平台，社区活跃度高，支持丰富的后端，支持 ubuntu/windows 系统，代码风格一般。
• Zipline：14.8k Star，基于事件触发的 Python 交易库，支持回测等等，用于在 Quantopian 社区(目前已关闭)，github 最近一年无 commit 记录，据网络信息表示米筐和聚宽参考了 Zipline 原形。
• rqalpha：4.4k Star，RQAlpha 提供数据获取、算法交易、回测引擎、实盘模拟等能力，为程序化交易者提供了全套解决方案，对应的社区 Ricequant(米筐科技)，社区相对活跃。
• QUANTAXIS：6.2k Star，提供股票/期货/期权/虚拟币的数据、回测、模拟、交易功能，社区相对活跃。
• qlib：7.8k Star，微软开源的基于机器学习的量化交易项目，社区比较活跃。

平台

• 米筐科技：主导 rqalpha 开源项目，提供 SaaS 化的平台和数据能力。
• MindGo：同花顺。提供丰富的国内数据，不支持实盘，数据不支持下载。
• JoinQuant：提供免费的量化数据、工具和学习体系，其旗下的私募近年收益不错。 ……

学习路径

方向上仅考虑中低频，并给予时间和耐心，跑通第一次回测、模拟和第一笔交易是首要任务，让迭代的飞轮运作起来，拿到可见的进步。量化交易的策略从简单到复杂逐步迭代，甚至短期内不考虑深度学习等场景，相关的专业名词、经济金融知识在迭代中积累，确认收益后再进行基础性系统性学习。