1.如何系统地学习量化交易？
2.VeighNa发布v3.8.0 - IB交易接口功能强化！期权期权
3.Python读取MySQL数据库基本操作
4.Backtrader-系列教程-01-介绍
5.什么软件可以程序化交易？
6.请问国内哪家量化平台比较好？

如何系统地学习量化交易？

       首先，我对这个问题是源码源码完全不知道怎么回答，为此，期权期权我专门去请教了我的量化量化老师。

       我理解很难有一个定量交易的源码源码app源码编译教程所谓的系统学习过程，定量的期权期权只是手段，交易逻辑是量化量化多样的，你可以通过形态描述，源码源码追踪市场方法，期权期权如不合理的量化量化降价，也可以把天体物理、源码源码小波分析、期权期权神经网络等复杂模型应用其中，量化量化你可以做的源码源码是K线结构上的策略，也可以做日线或每毫秒数据进行决策的策略。所有的一切目的就是为了获利，所谓量化和程序化只是实现这一目的的手段。

       当你可以通过各种方法来理解定量的关注细节，比如如何避免未来的功能，如何理解每个数据的含义，测试，以及不同测试软件的优缺点，但你没法去“学习”量化交易，因为不会有人把自己真正赚钱的东西拿出来，如何赚钱必须自己去挖掘等等。

量化归根到底是什么不重要，重要的是你要利用自己的特点和优势，在你积累足够长的盘子以量化它为鸡肋之前，继续用单点深度挖掘坑，相信我，只要你有了长板（对，你应该首先把编程学牛了，达到准专业水平，这是最容易且可操作可衡量的点且受用一辈子），个劝你去撸策略的人都挂了，你的职业生涯还好好的。

       一个strategist需要思考策略的思维框架，实现方式，android反馈源码而developer则是侧重了前后端接口，输入输出，界面设置，风控机制，平台拼接等等很多很多方面。其实很不相同吧。

VeighNa发布v3.8.0 - IB交易接口功能强化！

       VeighNa社区公众号vnpy-community于-9-发布VeighNa的3.8.0版本，主要升级了IB接口功能，包括API版本升级到..1，期权交易功能强化，增加了期权链合约数据查询和IB实时隐含波动率、希腊值风险数据订阅。

       已安装VeighNa Studio的用户可通过快速更新功能自动完成升级，未安装的用户可下载VeighNa Studio-3.8.0体验Python量化交易发行版。推荐Ubuntu或Mac用户使用VeighNa Docker量化交易容器解决方案。

       新版本IB接口API安装需前往IB官网下载对应操作系统版本的安装程序，选择Stable版本，安装后运行命令将ibapi接口库源代码添加至Python环境。安装目录下的source\pythonclient文件夹包含ibapi接口库源代码，使用Powershell窗口运行命令即可完成安装。

       数字代码回归，因为IB接入的金融市场数量众多，导致合约数量庞大，为简化合约代码，VeighNa核心框架设计上遵循国内金融市场规则，早期使用了由IB分配的ConId，但不便记忆。为了解决问题，后续版本中引入了IB合约描述信息的字符串组合描述代码。在使用描述代码2年后，收到期权交易相关问题反馈，为解决这一问题，版本3.8.0重新引入了数字代码支持，并且两种代码类型可以混合使用。

       期权交易增强，IB平台期权交易功能强大，3.8.0版本的Php在线报价源码IB接口在连接登录时提供了查询期权功能，订阅标的合约行情时自动查询期权链合约，满足期权策略交易所需信息。同时增加了IB提供的隐含波动率和希腊值风险数据支持，可通过TickData.extra字典访问获取。

       华鑫奇点接口重构，之前版本中基于奇点官方Python 3.7 API开发的vnpy_tora无法在Python 3.环境中使用，新版本使用了奇点的C++ API重构封装，实现VeighNa Station直接加载使用。

       变更日志，新增功能包括K线合成器支持日K线合成、基于华鑫奇点柜台的C++ API重构vnpy_tora、期权合约查询和扩展行情数据支持等。调整了vnpy_rest/vnpy_websocket限制在Windows上必须使用Selector事件循环、vnpy_ctp升级6.6.9版本API、支持大商所1毫秒级别行情时间戳等功能。优化了多个模块性能，修复了一些已知问题，确保用户使用体验。

Python读取MySQL数据库基本操作

       Python通过pymysql库进行MySQL数据库的基本操作实例演示如下：

       首先，确保已安装必要的库，如pymysql。使用以下语法创建数据库连接：

       engine = create_engine('mysql+pymysql://用户名:密码@服务器地址:/数据库名')

       接下来，我们进行数据表查询和操作。例如，查询"期权的基本信息"和"期权的风险指标"两个表:

       从"option_inf"表中筛选"证券名称"列。

       从"option_risk"表中筛选Gamma为0的行，以及Delta大于0.5且Gamma不为0的数据。

       对数据进行排序，如对"option_risk"表按"收盘价"升序，"Delta"和"证券代码"降序。

       执行连接操作，包括内连接（交集）、并集、左连接和右连接，以获取所需信息。

       在"option_merge"数据框中，进行基础操作，如修改"行权方式"和"交割方式"，ERP CRM OA源码添加、删除行和列，以及重新组织数据。

       将修改后的option_merge数据框写入数据库。在使用数据库软件（如DBeaver或Navicat）时，确保表格式为utf8以支持中文字符。经过调整后，重新运行写入代码。

       操作成功后，数据库中应可见新增和修改的数据。为了避免命名规范问题，建议使用英文命名。

       想要深入了解更多金融与Python的结合应用，可以考虑购买我的书籍《Python金融量化实战固定收益类产品分析》，它不仅适合初学者，还包含丰富的源代码、视频教程和AI入门资源。

Backtrader-系列教程--介绍

       Backtrader是一个由Daniel Rodriguez在年1月日在GitHub上开源的Python框架，主要支持股票、期货、期权和加密货币等资产的量化回测与实盘交易，主要用于国外市场，国内用户可能需要定制化支持。Backtrader的第一个正式版本1.0.0.于年6月3日发布，至今已更新至1.9..版本，指标数量从最初的个增长到个，结合TA-Lib等第三方库，其指标计算能力非常强大。

       Backtrader的成功源于作者的项目设计和持久努力，以及详实的文档支持和活跃的社区。官网backtrader.com提供了详细的文档和讨论区community.backtrader.com，供用户交流使用经验和量化策略。选择量化框架时，开源性、文档、社区活跃度和适应个人水平是关键，通过学习框架可以提升交易和编程理解。

       对于量化投资爱好者，个人发卡模板源码Backtrader是入门工具，从数据获取、清洗到策略编写和模拟交易，都能体验量化投资流程。但其源码复杂，涉及到元类和Python 2/3兼容性，以及代码风格问题。此外，由于开发者主要在国外，其一些功能设计可能与国内用户习惯不符，比如K线颜色的设置。对于新手，中文资源可能不够完整，笔者将通过AKShare和公众号数据科学实战提供Backtrader使用教程，结合AKShare数据接口实现策略，还会在知识星球数据科学家进行视频直播，欢迎关注和参与。

       下面是一个利用AKShare数据和Backtrader进行回测的示例代码，更多内容将在后续文章中逐步介绍，包括面向对象编程、多股票回测、多时间粒度分析等内容，以及自定义指标和订单编写等深度讲解。

什么软件可以程序化交易？

       一、金字塔决策交易系统

       金字塔决策交易系统是一款方便、稳定的量化交易平台。金字塔决策交易系统拥有海量的金融数据、多种策略研究平台、严谨易用的回测框架、稳定的模拟交易。面向交易速度设计，对接券商、期货、外盘实盘交易通道，同时支持全品种，跨市场的策略交易。为量化交易投资者提供行情、财务、回测、交易等一站式量化平台。

       二、天勤量化

       TqSdk是一个由信易科技发起并贡献主要代码的开源 python库。依托快期多年积累成熟的交易及行情服务器体系 ，TqSdk支持用户使用很少的代码量构建各种类型的量化交易策略程序，并提供包含历史数据-实时数据-开发调试-策略回测-模拟交易-实盘交易-运行监控-风险管理的全套解决方案。

       TqSdk提供当前所有可交易合约从上市开始的全部Tick数据和K线数据；支持数十家期货公司的实盘交易；支持模拟交易；支持 Tick级和K线级回测，支持复杂策略回测；提供近百个 技术指标函数及源码；用户无须建立和维护数据库，行情和交易数据全在内存数据库 , 无访问延迟；优化支持 pandas 和 numpy 库；无强制框架结构，支持任意复杂度的策略，在一个交易策略程序中使用多个品种的K线/实时行情并交易多个品种。

       三、交易开拓者TBQuant版

       交易开拓者TBQuant版，是一款支持证券、期货、外盘市场的中高端专业投资者的专业交易软件。除多帐户交易终端功能外，还拥有丰富的程序化交易功能。用户可以简单、快速的将自己的交易思想转化为计算机代码，形成自己的交易策略，让计算机辅助用户执行交易。是国内最早能够接入证券、期货市场进行自动交易的程序化交易软件。

       交易开拓者TBQuant版完备的数据库。涵盖宏观、企业财务数据、板块、复权等等基础数据；完整的事件驱动机制，支持OnBar、OnOrder等；数据源的自动对齐机制；丰富的数据类型，支持数组MAP等多种数据类型；强大的系统函数支持多元线性回归等；策略雷达和公式选股；策略生成器无须编码实现量化策略；期权的T型报价、组合报价和自定义报价；丰富的系统指数和自定义指数；后复权的全面支持。

       四、MultiCharts

       MultiCharts，是专业程序化交易软件，支持股票、期货、期权，提供量化分析选股，能自由编写策略，实现准确的数据回测，稳定执行自动交易期货和股票。

       Multicharts（简称 MC）提供国内期货（中金所、上期所、大商所、郑商所、上海能源）、国外期货（香港交易所、芝加哥交易所、伦敦交易所、新加坡交易所等）、国内A股、国内期权四大块的实时行情数据和交易接口。满足跨市策略组合的需求。Multicharts（简称 MC）历史行情数据用户可以直接下载到本地计算机，接收的实时行情数据直接存在本地，策略计算完全在用户的计算机完成，保证策略不会泄露；完善的策略间通信机制。

请问国内哪家量化平台比较好？

       推荐澎博财经的真格量化。云端运行，行情和交易速度都经过专业优化。

       支持期货、期权和ETF的tick级别回测。

       有完善的文档和培训教程。

       支持编程语言为Python2.7和Python3.5.

       上手很快，对用户非常友好。

基于聚宽平台进行量化交易策略(三重滤网)回测

       为了实现跨品种、跨周期的复杂交易策略回测，从传统的通达信和TradingView转向量化交易平台是必要的。国内众多量化平台如聚宽提供了广泛的选择，涵盖股票、期货、期权等交易品种。本文将以聚宽平台为例，探讨三重滤网策略的编写、回测和优化。

       在量化交易中，借助统计学和数学方法，通过计算机程序分析市场数据。例如，见底三绝策略需要明确的量化标准，然后转化为可编程逻辑进行回测验证。量化交易的价值在于，它能快速、准确地评估策略的有效性，以及在大量数据中寻找交易机会。

       编写策略时，需注意处理逻辑的细节，如在每个交易日开盘前获取趋势和震荡指标数值，并确保不引入未来数据。在聚宽平台，可以利用Jupyter进行数据验证和指标计算，确保数据一致性。在策略编写阶段，需利用平台提供的技术分析指标和自定义指标，如MACD、EMA和强力指数等，根据特定规则进行交易决策。

       在策略框架中，用户可以根据需求定制盘前、盘中、盘后操作，例如设置基准、手续费和动态复权。通过设置全局变量记录交易状态，最终将策略逻辑融入到预设的框架中。

       在聚宽平台上，创建和管理策略的流程包括新建策略模板，如“三重滤网”，然后按照自己的交易逻辑编写和优化源代码。这样的转换为策略的执行和优化提供了强大而灵活的环境。

Python实现常见随机过程的模拟

       一、常见随机过程介绍

       1. 几何布朗运动（GBM）：这是Black-Scholes在年引入的期权定价过程的基础，尽管存在一些缺陷和与实证研究的冲突，GBM仍然是期权和衍生品估值的关键过程。

       2. CIR模型：这个平方根扩散过程，由Cox, Ingersoll和Ross在年提出，用于描述均值回复的量，如利率或波动率，并且保持为正数。

       3. 跳跃扩散过程（Jump Diffusion）：Merton在年首次提出，将几何布朗运动与对数正态分布的跳动成分相结合，允许我们更好地评估如短期虚值（OTM）期权的定价，特别是当需要考虑在较大跳动可能性下进行定价。

       4. Heston模型：Heston在年提出了一种描述标的资产波动率变化的数学模型，它假设资产收益率的波动率不是恒定的，而是遵循一个随机过程。

       5. SABR模型：SABR模型由Hagan在年提出，它是一种随机波动率模型，假设隐含波动率是几何布朗运动，并且将隐含波动率设置为标的资产价格和期权行权价的函数，融合了随机波动率模型和局部波动率模型的思路，更准确地描绘了符合市场特征的隐含波动率曲线。

       二、常见随机过程的模拟

       1. 几何布朗运动

       几何布朗运动的随机微分方程如下，意味着我们在等价鞅测度下进行操作：

       其中，Wt是布朗运动，μ和σ为常数，εt服从正态分布（期望为0，方差为1）。

       通过欧拉离散化得到离散时间模型，用于模拟证券价格。

       案例分析1

       模拟证券初始价格为（日收益率均值为0.，波动率为0.），时间为1年，步长以日为单位，次数为次的几何布朗运动价格。

       注最终股价大致服从对数正态分布。

       注股价走势服从随机布朗运动。

       2. 平方根扩散过程（CIR模型）

       CIR模型（Square-Root Diffusion）由Cox-Ingersoll和Ross在年提出，用于模拟随机短期利率。其随机微分方程如下：

       参数解释：θ为平均利率；xt为现行短期利率；κ为调整速率；σ√xt表示利率较高时波动率较大。

       欧拉离散化后的方程用于模拟最终利率。

       案例分析2

       模拟初始利率为0.，均值回归系数κ=3.0，长期均值项θ=0.，波动率σ=0.1，时间为2年，步长以日为单位，次数为次的CIR模型利率。

       注最终利率分布频数最多时趋向于均值θ=0.。

       注模拟最终趋势趋向于均值θ=0.。

       3. 跳跃扩散过程

       跳跃扩散过程的随机微分方程描述为：

       参数说明：μ为漂移率；σ为证券波动率；Qt为跳跃强度为λ的泊松过程；η-1为跳跃高度；κ为跳跃均值v的预期；σJ为跳跃波动率。

       欧拉离散化后的方程用于模拟证券价格的跳跃扩散过程。

       案例分析3

       模拟证券价格的跳跃扩散过程，初始价格，漂移率μ=0.，收益率波动率σ=0.2，跳跃强度λ=0.，预期跳跃均值v=-0.6，跳跃强度波动率σJ=0.，时间为1年，步长以日为单位，模拟次数为次的股票价格。

       注最终价格呈现双峰的直方频数图。

       三、随机波动率模型（Heston Model）

       SABR模型（SABR Model）

       更多详细内容，欢迎查阅作者的书籍：《Python金融量化实战固定收益类产品分析》，本书适合金融与科技结合的Python应用入门，包含丰富配套资源如源代码、视频导读和AI入门资料。