量化交易學什麼語言好

A. 學習量化選擇Python還是R比較好

對於想從事數據行業的人和數據工作者來說，是學習R還是 python，哪個工具更實用一直被大家爭論。python 和R是統計學中兩種最流行的的編程語言，R的功能性主要是統計學家在開發時考慮的（R具有強大的可視化功能），而 Python 因為易於理解的語法被大家所接受。
在這篇文章中，我們將重點介紹R和 Python 以及它們在數據科學和統計上地位之間的差異。
關於R的介紹
Ross Ihaka 和 Robert Gentleman 於 1995 年在S語言中創造了開源語言R，目的是專注於提供更好和更人性化的方式做數據分析、統計和圖形模型的語言。
起初R主要是在學術和研究使用，但近來企業界發現R也很不錯。這使得中的R成為企業中使用的全球發展最快的統計語言之一。
R 的主要優勢是它有一個龐大的社區，通過郵件列表，用戶貢獻的文檔和一個非常活躍的堆棧溢出組提供支持。還有 CRAN 鏡像，一個用戶可以很簡單地創造的一個包含R包的知識庫。這些包有R裡面的函數和數據，各地的鏡像都是R網站的備份文件，完全一樣，用戶可以可以選擇離你最近的鏡像訪問最新的技術和功能，而無需從頭開發。
如果你是一個有經驗的程序員，你可以不會覺得使用R可以提高效率，但是，你可能會發現學習R經常會遇到瓶頸。幸運的是現在的資源很多。
關於 Python 的介紹
Python 是由 Guido van Rossem 創建於 1991 年，並強調效率和代碼的可讀性。希望深入的數據分析或應用統計技術的程序員是 Python 的主要用戶。
當你越需要在工程環境中工作，你會越喜歡 Python。它是一種靈活的語言，在處理一些新東西上表現很好，並且注重可讀性和簡單性，它的學習曲線是比較低的。
和R類似，Python 也有包，pypi 是一個 Python 包的倉庫，裡面有很多別人寫好的 Python 庫。
Python 也是一個大社區，但它是一個有點比較分散，因為它是一個通用的語言。然而，Python 自稱他們在數據科學中更占優勢地位：預期的增長，更新穎的科學數據應用的起源在這里。
R和 Python：數字的比較
在網上可以經常看到比較R和 Python 人氣的數字，雖然這些數字往往就這兩種語言是如何在計算機科學的整體生態系統不斷發展，但是很難並列進行比較。主要的原因是，R僅在數據科學的環境中使用，而 Python 作為一種通用語言，被廣泛應用於許多領域，如網路的發展。這往往導致排名結果偏向於 Python，而且從業者工資會較低。
R如何使用？
R 主要用於當數據分析任務需要獨立的計算或分析單個伺服器。這是探索性的工作，因為R有很多包和隨時可用的測試，可以提供提供必要的工具，快速啟動和運行的數量龐大幾乎任何類型的數據分析。R甚至可以是一個大數據解決方案的一部分。
當開始使用R的時候，最好首先安裝 RStudio IDE。之後建議你看看下面的流行包：
Python 如何使用？
如果你的數據分析任務需要使用 Web 應用程序，或代碼的統計數據需要被納入生產資料庫進行集成時你可以使用 python，作為一個完全成熟的編程語言，它是實現演算法一個偉大的工具。
雖然在過去 python 包對於數據分析還處於早期階段，但是這些年已經有了顯著改善。使用時需要安裝 NumPy/ SciPy 的（科學計算）和 pandas（數據處理），以使 Python 可用於數據分析。也看看 matplotlib，使圖形和 scikit-learn 機器學習。
不同於R，Python 有沒有明確的非常好的 IDE。我們建議你看看 Spyder 以及 IPython 網站，看看哪一個最適合你。
R和 Python：數據科學行業的表現
如果你看一下最近的民意調查，在數據分析的編程語言方面，R是明顯的贏家。
有越來越多的人從研發轉向 Python。此外，有越來越多的公司使用這兩種語言來進行組合。
如果你打算從事數據行業，你用好學會這兩種語言。招聘趨勢顯示這兩個技能的需求日益增加，而工資遠高於平均水平。
R：優點和缺點
優點
可視化能力強
可視化通常讓我們更有效地理解數字本身。R和可視化是絕配。一些必看的可視化軟體包是 ggplot2，ggvis，googleVis 和 rCharts。
完善的生態系統
R 具有活躍的社區和一個豐富的生態系統。R包在 CRAN，Bioconctor 的和 Github 上。您可以通過 Rdocumentation 搜索所有的R包。
用於數據科學
R 由統計學家開發，他們可以通過R代碼和包交流想法和概念，你不一定需要有計算機背景。此外企業界也越來越接受R。
缺點
R比較緩慢
R 使統計人員的更輕松，但你電腦的運行速度可能很慢。雖然R的體驗是緩慢的，但是有多個包來提高的r性能：pqR,renjin，FastR, Riposte 等等。
R不容易深入學習
R 學習起來並不容易，特別是如果你要從 GUI 來進行統計分析。如果你不熟悉它，即使發現包可能會非常耗時。
Python：優點和缺點
優點
IPython Notebook
IPython Notebook 使我們更容易使用 Python 進行數據工作，你可以輕松地與同事共享 Notebook，而無需他們安裝任何東西。這大大減少了組織代碼，輸出和注釋文件的開銷。可以花更多的時間做實際的工作。
通用語言
Python 是一種通用的語言，容易和直觀。在學習上會比較容易，它可以加快你寫一個程序的速度。此外，Python 測試框架是一個內置的，這樣可以保證你的代碼是可重復使用和可靠的。
一個多用途的語言
Python 把不同背景的人集合在一起。作為一種常見的、容易理解，大部分程序員都懂的，可以很容易地和統計學家溝通，你可以使用一個簡單的工具就把你每一個工作夥伴都整合起來。
缺點
可視化
可視化是選擇數據分析軟體的一個重要的標准。雖然 Python 有一些不錯的可視化庫，如 Seaborn，Bokeh 和 Pygal。但相比於R，呈現的結果並不總是那麼順眼。
Python 是挑戰者
Python 對於R來說是一個挑戰者，它不提供必不可少的R包。雖然它在追趕，但是還不夠。
最終你該學習什麼呢：
由你決定！作為一個數據工作者，你需要在工作中選擇最適合需要的語言。在學習之前問清楚這些問題可以幫助你：
你想解決什麼問題？
什麼是學習語言的凈成本？
是什麼在你的領域中常用的工具？
什麼是其他可用工具以及如何做這些涉及到的常用工具？

B. 想學量化交易的C++編程，有沒有比較好的參考書可看

下面這個可以參考一下，具體還要看個人的情況。

我覺得應該根據你的工作需要或者說你的發展方向而定。基本上兩大類吧：C/C++和Java。比如，如果你要做企業級應用的你應該學習Java和C＃；如果你想做嵌入式，那麼應該學好C語言；其他情況下，在你不知道要做什麼之前你可以選擇學習C/C++。學會這兩大類中的一類，對於你學習其他語言都將是比較輕松，包括腳本語言，動態語言„„呵呵，這里想就自己的學習經歷和情況給大家一個建議，僅供參考。
1、我的入門是從學習C語言開始的（其實課程是C＋＋)，這是我們學校的公共課，我上課比較認真（雖然老師講得很差，而且一段時間後，我就發現自己的基礎掌握比她好，當然理解深度沒她好），因此，我認為對於完全沒有基礎的人而言，聽別人講比較容易入門。當時的教材是學校自己編的，挺爛的。
建議一（以C/C++為例），對於剛想進入編程的人（就是從來都沒有接觸過編程的人），最好是聽課的方式（自己看的話估計要很慢，而且很痛苦），可以找視頻或者培訓等。C語言推薦入門教材：譚浩強的C語言，最新版是第三版，不過第二版應該也可以了（藍色的）。說明一下：堅決不同意直接看K&R的《The C programming language》，這本書絕對不是初學者可以看懂的，裡面講語法的並不多，語法都是合在程序裡面講。不過這本書非常好，入門以後一定要看的一本書。
當然可以從C＋＋直接入門，C＋＋之父強烈推薦從C＋＋直接入手。C＋＋推薦入門教材：錢能的C++（紅色的，清華大學出版），這本書第一版不是ISO C＋＋，不過比較經典，作者現在也出了第二版了，第二版好像不是太好。國外的最好的入門教材據說是：《Acclerated C++》作者是Koenig和Moo夫婦，非常厲害。他們的著作還有《c陷阱與缺陷》《c＋＋沉思錄》。《Acclerated C++》這本入門的書我沒有看過，我覺得還是先找本國內的書好好看，看的差不多了，國外的經典書籍隨便看就會覺得很有味道，否則你可能會很受打擊。入門的書至少要看兩三遍（要徹底理解哦 ):）。如果是C＋＋，我建議後面類的部分至少要理解三到五遍。說明一下，c＋＋模板的部分可以先不用看，如果有興趣的話，等把c＋＋學的差不多了，我覺得可以把模板、STL、泛型編程結合起來學習，這個又是一個很大的工作量了，又得下很大的功夫。所以說，C++博大精深啊。
建議二、學習過程中要結合簡單的演算法，像冒泡還有類似c語言程序百例這樣的小例子做做；更進一步應該做點大一點的項目，最好是控制台程序。或者你已經著手學習win32、MFC或linux，你也可以結合平台做點小的項目。
2、第一階段是最苦的，接下來相對就知道應該怎麼去學習了。這時候假設你已經有了扎實的c＋＋基礎。這是你可以選擇也應該選擇發展方向了，做企業級應用，還是系統開發，嵌入式設計或者游戲開發„„ 那時我其實並沒有考慮那麼多，因為我不是學計算機的，因此我就把參加一些計算機之類的考試當作學習目標。我當時其實C＋＋語言基礎已經很不錯了，但是上機實踐很少（那時我沒有電腦），因此參加省計算機二級，全國計算機三級和全國計算機四級考試，結果上機都沒有通過。我很郁悶，二級的時候是我不知道怎麼樣進那個DOS界面把題目調出來，三級的時候是很快就編好了，也通過運行了，可是成績出來卻不及格，四級的時候是編好了，可能是我那題目比較難，好像用了兩次循環，結果那破機器竟然承受不了。後來一亂就毀了（當然主要是上機太少了）。不過我那些上機都沒有去補考。二級和三級的時候是自恃水平已經遠遠超過考試要求了，四級的時候則因為自己已經通過高級程序員考試，覺得補考上機好像沒必要。（我高程和四級都是在2003年考的）。
建議三：定位學習方向，並好好學習計算機基礎知識。在你還不確定學習方向，或者你還在大學本科期間，那麼我認為應該先把計算機的基礎知識好好學習一下。我認為計算機必學的基礎課程而且要精學——首先是數據結構，其次是操作系統、軟體工程，資料庫。這四門課不管你將來想從事哪個方向的基本上都會用到。當然，有時間的話，其他基礎課都是應該掌握的，離散數學、組成原理、體系結構、網路、編譯原理甚至跨學科的。方向是很重要的，因為知識其實是無限的，一個小小的領域就夠你研究很久了。本科生可能還沒有什麼方向的感覺，但是到了研究生你一定要清楚自己到底想要做什麼，要往哪個方面發展，不要盲目學，瞎學亂學，否則最後可能看似什麼都會，其實什麼都不會。
我也曾經學習過Java一段時間，這篇文章既然是談編程語言的入門學習，我也簡單說一說。因為有了比較C＋＋扎實的語言基礎，所以Java學起來比較輕松。我先找了國內一本薄薄的教材很快看了一遍（幾乎都理解，但是只看了一遍），空閑的時間配合清華張孝詳老師的java視頻。以後其實才算我真正要開始入門JAVA的學習，我用了是《core java》中文第六版（本來想用候捷翻譯的第二版的《Thinking in Java》，發現被同學弄丟了），這本書我差不多用了20天才把裡面的知識都搞懂，當然包括程序風格的模擬，最重要的時我把有關GUI編程的那三章裡面的程序例子幾乎可以默寫出來（當然，那是因為我理解了，其實這樣就變成了我的知識了），裡面的API我也記得差不多了。（說明：Java裡面的GUI編程沒什麼用處了，建議大家先跳過，GUI不是Java的長處，如果以後需要的話再查手冊或者再記憶學習）。
其實學習了C＋＋以後，學習Java是比較容易了，但是建議不要兩種都學啦，他們的用途是不一樣的，你應該熟悉其中一種，更重要的是熟悉其應用領域所需要的專業知識甚至平台，以及使用他們的企業，有創業計劃的還應該考慮一下他們的應用領域，最重要的是思考他們的潛在的應用領域。
對於初級的學習就講到這里，接下去的學習其實都是高級部分，先不介紹了，因為：一、我自己都還沒有學懂，這里亂吹會誤人子弟。 二、高級東西的學習很多，有很多選擇，又需要很多繁瑣的知識，可能也一下子沒辦法講清楚。

C. 的基本功，量化投資學習哪門編程語言才好

• 計算機、數學、金融， 這三種知識 是必須的，其中計算機主要的是編程技術，數學涵蓋的比較多，有統計、數學建模等，金融方面需要有最基礎的金融知識（證券交易方面）。 再者就是找一個好的量化平台了，以前的都是程序員，也是寬客，自己寫代碼，...

D. 量化投資用什麼編程語言研發策略好呢

么以下我就以程序語言的角度來回答
當然如果已經會了某些語言,那你可以使用熟悉的語言去找網上的學習資源會比較快
如果沒有特別熟悉的語言,或者是願意多學一種非常好用的語言
我的建議是學習Python

我從以下幾點來分別說明

平台資源

國內外使用Python做雲端回測以及運算的免費平台相當的多,例如有 寬客在線，發明者量化，優礦, 等等不勝枚舉,可以使用平台的支持以及社區的互相幫助來學習

容易學習

綜合以上所說,"目前的環境底下" 我推薦Python.（推薦直接下載 Anaconda的集成開發環境）

E. 做量化交易選擇什麼語言好呢

量化交易，就是把人能夠識別的信息變成數字，輸入給計算機程序處理，輔助或者代替人類的思考和交易決策。

初學者碰到的第一個問題就是工具的選擇。首先大部分交易員本來不會寫程序，選擇任何一個語言進行策略開發，都有不小的學習成本。更重要的是，選擇了一門語言，接下來開發環境、人員招聘、數據介面與平台、甚至同類人群之間的交流、遇到問題後的支持，都跟著被「套牢」。所以從一開始就必須慎重對待。

先給出答案：對於還沒有確定一套固定量化環境的，建議用Python。

量化交易員面臨的大致選擇有：C/C++/java/C#/R/Matlab/excel等。我們從以下幾個方面考慮簡單做個對比。

注意：這里假設你團隊規模在50人以下。

1 學習成本和應用的廣泛性

C、C++的特點是速度最快，但要想用好，必須對計算機底層架構、編譯器等等有較好的理解，這是非計算機專業的人很難做到的，對於做量化交易來說更是沒有必要。

Java本來是SUN的商業產品，有學習成本和體系的限制，也不適合。

Excel面對GB級別的數據無能為力，這里直接排除。

Python、R和Matlab學起來都簡單，上手也快，可以說是「一周學會編程」。但R和Matlab一般只用來做數據處理，而Python作為一門強大的語言，可以做任何事，比如隨時寫個爬蟲爬點數據，隨時寫個網頁什麼的，更何況還要面對處理實時行情的復雜情況。

2 開始做量化分析後，哪個用起來碰到問題最少，最方便省事?

用歷史數據的回測舉例。假設我們有2014年所有股票的全年日線，現在我們想看看600001的全年前10個最高股價出現在什麼時候。python世界有個強大的pandas庫，所以一句話就解決問題：

dailybar[dailybar [『code』]==『600001』].sort_values([『close』].head(10)

R/Mathlab等科學語言也可以做到。

C/C++沒有完備的第三方庫。如果為了做大量的計算，要自己實現、維護、優化相應的底層演算法，是一件多麼頭疼的事。

Python從一開始就是開源的，有各種第三方的庫可以現成使用。這些底層功能庫讓程序員省去了「造輪子」的時間，讓我們可以集中精力做真正的策略開發工作。

3 現在我們更進一步，要做實時行情分析和決策

以A股的入門級L1數據為例，每3秒要確保處理完3000條快照數據，並完成相應的計算甚至下單。這樣的場景，C和C++倒是夠快了。所以行情軟體比如大智慧、同花順等客戶端都是使用高效率的語言做的，但像客戶端那樣的開發量，絕大部分量化交易機構沒能力也沒必要去做吧。

python的速度足夠對付一般的實時行情分析了。其底層是C實現的，加上很多第三方的C也是C實現，盡管其計算速度比不上原生C程序，但對我們來說是足夠啦。

4 quant離職了，他的研究成果怎麼辦

Python是使用人群最多、社區最活躍的語言之一，也是最受quant歡迎的語言之一。如果你是老闆，你能更容易地招聘到優秀人材，享受到python社區帶來的便利。

附幾個量化中常用的python庫：

- Pandas：

天生為處理金融數據而開發的庫。幾乎所有的主流數據介面都支持Pandas。Python量化必備。

- Numpy：

科學計算包，向量和矩陣處理超級方便

- SciPy：

開源演算法和數學工具包，與Matlab和Scilab等類似

- Matplotlib：

Python的數據畫圖包，用來繪制出各類豐富的圖形和報表。

PS: Python也是機器學習領域被使用最多的語言之一。像tensorflow、scikit-learn、Theano等等對python都有極好的支持。

F. 量化交易如何入門要學習多長時間

很好入門，多學多看。
學習量化交易，一定要理解它的風險性從何而來。
首先是一二級市場「級差」風險，其次是交易員操作風險，最後是系統軟體的風險。
第二種風險是交易員操作失誤。這同時也牽扯到第三種風險，系統軟體風險，每個交易員在系統中都有相應的交易許可權，包括數量、金額。
有個業內資深人士帶路會事半功倍，尤其對金融愛好者而言，一些理解上的細微偏差，都可能導致整體概念上的錯誤認識。
比如我就是通過資深人士帶著入門的。除了學習量化收益，還學了很多投資理財方面的知識，有各種理財偏好，每個群體對應了不同的投資類型……推敲過後，我選擇了無界財富，因為他們風控模式可以看出，比如國有金融機構風控、銀行存管這些，比較穩健的方式。
所以說，他不僅是學我習量化交易的前輩，還是我理財的入門引導人，他多次提醒我們不要盲目跟風，以自己的風險承擔能力來選擇。如果偏好穩健的方式，同樣可以選擇無界財富這類穩健平台作為入門。

G. 用python做量化交易要學多久

5個月。

python憑借其突出的語言優勢與特性，已經融入到各行各業的每個領域。一般來說，python培訓需要脫產學習5個月左右，這樣的時長才能夠讓學員既掌握工作所需的技能，還能夠積累一定的項目經驗。當然如果你想要在人工智慧的路上越走越遠，則需要不斷的積累和學習。

python培訓的5個月時間里，有相當大一部分時間是在實戰做項目，第一階段是為期一個月學習python的核心編程，主要是python的語言基礎和高級應用，幫助學員獲得初步軟體工程知識並樹立模塊化編程思想。學完這一階段的內容，學員已經能夠勝任python初級開發工程師的職位。

(7)量化交易學什麼語言好擴展閱讀：

Python開發基礎課程內容包括：計算機硬體、操作系統原理、安裝linux操作系統、linux操作系統維護常用命令、Python語言介紹、環境安裝、基本語法、基本數據類型、二進制運算、流程式控制制、字元編碼、文件處理、數據類型、用戶認證、三級菜單程序、購物車程序開發、函數、內置方法、遞歸、迭代器、裝飾器、內置方法、員工信息表開發、模塊的跨目錄導入、常用標准庫學習，b加密 e正則logging日誌模塊等，軟體開發規范學習，計算器程序、ATM程序開發等。

H. 量化交易有哪些好的學習方式

數學能力。至少要包括概率統計基礎、微積分、線性代數、線性回歸、優化理論等知識。當然，數學專業出身的人士肯定可以滿足條件，然而一般的理工科或者認真學習過的也都基本滿足要求，有欠缺的地方也可以花一點時間自學補上。編程方面。編程類語言C++、java、R、MATLAB、Python等這些語言或者軟體會用一種就OK，最好是比較熟練的，有過深厚的代碼經驗的；另外要了解資料庫和SQL語言，因為量化交易需要建立和維護資料庫，並用SQL從資料庫中查詢數據，從而對海量數據進行管理和分析。