【精华干货】Quant 需要哪些 Python 知识

谢谢大家的支持！现在该公众号开通了评论留言功能，你们对每篇推文的留言与问题，可以通过【写评论】给圈主留言，圈主会及时回复您的留言。

想在市场上赚钱，必须同时具备两样能力：

1. 研究：做出正确的能够获利的决策，也就是寻找Alpha的能力
2. 交易：基于研究的结果和交易信号，执行相应的下单风控等操作，也就是将Alpha落实到你账户盈利上的能力

研究方面

python编程能力：

• python基础编程，必须掌握，不仅仅是会语法，还有各种语言细节的坑（当然比C++少很多）。对于常年使用R MATLAB SAS的研究人员来讲，python有很多更偏向程序员的表达方式，需要转换下思维适应。
• pandas：原AQR资本的员工写的一个库，专门用来处理panel data这种数据结构的，几乎是处理金融时间序列的标配了。
• scipy， numpy：科学计算的库，类似于一个小型matlab或者octave
• statsmodels : 看名字就知道，统计分析的包。
• scikit-learn: 这个包是做python做机器学习的库，地位很高。
• matplotlib : python的作图库。如果你喜欢R的ggplot， 现在也有python的版本，貌似还不成熟。

从研究的整体方向上来介绍下：

1. 获取数据：可以选择使用TuShare、通联、万得等数据工具下载数据，并将原始的数据格式转化为你自己想用的数据格式（可以用Python脚本实现），以保存到数据库中
2. 存储数据：几乎绝大部分常用的数据库都提供了Python接口，SQL/NoSQL/HDF5等等多种，最常用的应该是MySql和MongoDB，有兴趣学Q的也可以直接去用KDB+，数据库具体会应用的方向包括保存数据、读取数据、数据补全机制、数据变频（TICK变K线等）
3. 数据回测：将数据读取到内存中后（以numpy数组或者pandas序列的形式），进行策略的回测，并对回测结果进行研究（matplotlib绘图），或者对参数进行优化（scipy等）
4. 建模相关：对数据进行一些统计学检验（statsmodel）以及机器学习建模（scikit-learn）
5. 集成开发环境：在有针对性的IDE中实现以上步骤会更加简便快捷（ipython/spyder）

交易方面

主要分为两块：

1. 执行交易：对于绝大部分量化策略，都在一定程度上需要自动/半自动的下单功能。
   • CTA策略突破入场（秒级延时）
   • 期权做市实时挂撤单（毫秒级延时）
   • 股指期货高频（微秒级延时）
   • 分级基金套利（批量自动下单，延时没有以上几种重要）
   • Alpha套利（篮子交易，一般要使用vwap等算法）
2. 策略风控：同样一般需要自动或者半自动的风控功能.
   • 期权组合的希腊值风险实时监控对冲
   • 分级基金套利的beta净敞口、行业暴露等实时监控对冲
   • Alpha套利策略的因子监控

具体需要掌握的知识：

1. 模拟实盘交易的策略回测：将策略重新编写为可以基于数据回放（逐TICK/逐K线）的模式进行回测的程序，模拟实际交易情况，杜绝未来函数的可能性，实盘交易中使用完全相同的程序进行交易，保证实盘和回测的一致性。这块通常需要专门的框架或者程序，比如通联的优矿、掘金、vn.py框架中的vn.strategy等。
2. 实盘交易接口：将想要下的单子通过交易接口发送到经纪商柜台，目前可以实盘直接使用的应该包括掘金（期货）、vn.py中的vn.lts（证券、期权）和vn.ctp（期货）。如果要使用其他的柜台需要自己封装，如恒生、金证等。
3. 其他语言拓展：作为最有名的胶水语言之一，Python的拓展功能不用绝对是浪费。针对计算瓶颈可以使用cython拓展，针对API可以用boost.python和swig进行封装，调用matlab直接运行其中提供的特定算法，使用COM接口调用Excel自动生成每日交易记录和报表......
4. GUI程序的开发：相当数量的量化交易依旧需要交易员进行实时监控，除了在cmd中不断print一些数据外，更合理的方案是开发自己需要的GUI界面，重点推荐PyQt，比在C++中用Qt开发要来的快捷很多，底层运行的也是C++的代码，速度完全不用担心。一些有特别需求的人也可以考虑开发在浏览器中显示的界面，比如经常想用手机远程监控。

个人的Python知识体系：

研究方面

1. 期权目前国内的历史数据较少，所以整体上用万得的API就足以满足需求，做CTA策略研究会从MC导出csv格式的数据再读取到Python中，目前在研究通联的接口，原因无他：方便和性价比。
2. 数据储存主要用MongoDB，主要原因同样是方便，既可以用来存历史的行情数据（Tick，K线），也可以存交易系统的日志，甚至用来保存交易系统参数设置等等，存取数据如同使用Python字典一样方便（MySql试过用不惯）。
3. 数据回测，比较粗的回测一般就直接在Spyder里随手写测试脚本：读取原始数据，用矩阵的形式计算一些变量（技术指标、希腊值），然后用循环逐行跑回测，结果出来后用matplotlib绘图很方便。比较精细的回测会基于vn.py中模拟实盘交易的回测框架，在速度上会慢些，但是可以基本杜绝未来函数。
4. 建模相关：这块不是本人的主攻领域，偶尔有需求拿SciPy边看文档边写。
5. 集成开发环境：交互式开发写策略回测一般用Spyder，开发大型程序的时候用WingIDE（朋友友情支持的正版，不得不说非常给力），智能提示、自动完成可以大幅提高开发效率。
6. 交易接口：就是答主自己开发的vn.py框架了，期货方面是CTP接口，股票和期权方面是华宝的LTS接口，熟知大部分底层开发细节（为了封装接口，没办法）。然后针对不同的交易类型、交易策略，针对性的开发一些Python函数和算法，在其中实现特殊的简化下单功能（这些上层功能没放到框架中）。
7. Python语言拓展：必须掌握的是cython，提升python计算性能的神器；另外为了封装API用的boost.python，和swig比起来的主要好处是封装完全使用C++语言，同时答主也没有在java/perl中调用封装模块的需求。
8. GUI开发：PyQt，功能强大，文档也比较全；高性能的实时绘图：pyqtgraph，一些风控分析的图表可以用matplotlib（嵌入到PyQt中），生成的图表质量更高。

最后关于Python在量化交易领域的地位：

就像Javascript现在在web领域的地位一样，Python现在可以几乎覆盖整个量化交易业务链：从研究到写交易程序，一气呵成（可以叫做全栈Quant？）。其他的语言总会有这样那样的短板：

• C++/C#/Java：适合写交易程序，不适合用来做策略开发
• Matlab/R：适合做策略开发，但是在交易执行方面存在不少问题：速度、不稳定等等
• Python：速度不如C++，策略开发不如Matlab，但其作为胶水语言，使用这样那样的小技巧后，在两个方面都能满足需求