金融量化分析編程語言有哪些

A. 現在的編程有哪些Python 怎麼樣

Python是一種面向對象的解釋型計算機程序設計語言，具有豐富和強大的庫，所以常被稱為膠水語言，能夠把用其他語言製作的各種模塊（尤其是C/C++）很輕松地聯結在一起，是國內外眾多企業使用的關鍵開發語言之一。python的創始人為Guido van Rossum，python的開發受到Mola-3語言的影響，python具有易讀、可擴展、簡潔等特點，被一些知名大學當做主要編程語言教授給學生。業內人士一般稱python為高級動態編程語言，可以用於大規模軟體開發。
Python的應用領域非常廣泛，諸如後端開發、全棧開發、爬蟲開發、人工智慧、金融量化分析、大數據、物聯網等，Python應用無處不在。Google、YouTube、豆瓣網等這些大型的知名網站都使用了Python完成核心代碼的編寫，可見Python的發展前景是不可估量的。
《互聯網人才趨勢白皮書》顯示，雖然大批IT從業人員轉型Python開發，但人工智慧與大數據高速發展帶來的大基數人才缺口，Python工程師短期內依然難以補缺。

B. 金融工程，量化投資學什麼軟體好Python還是Matlab

個人覺得還是都會比較好。技多不壓身。量化投資用Matlab 和 C++,一個建模一個執行，足夠了。實在不愛用Matlab的話，R和Python也行。

選擇python推薦可以閱讀：《量化投資：以python為工具》主要講解量化投資的思想和策略，並藉助Python 語言進行實戰。《量化投資：以Python為工具》一共分為5 部分，第1 部分是Python 入門，第2 部分是統計學基礎，第3 部分是金融理論、投資組合與量化選股，第4 部分是時間序列簡介與配對交易，第5 部分是技術指標與量化投資。《量化投資：以Python為工具》首先對Python 編程語言進行介紹，通過學習，讀者可以迅速掌握用Python 語言處理數據的方法，並靈活運用Python 解決實際金融問題；其次，向讀者介紹量化投資的理論知識，主要講解量化投資所需的數量基礎和類型等方面；最後講述如何在Python 語言中構建量化投資策略。

選擇MATLAB推薦閱讀：《問道量化投資：用MATLAB來敲門》主要講述以MATLAB為分析工具的量化投資，由「MATLAB入門」、「MATLAB量化投資基礎」和「MATLAB量化投資相關函數詳解」3篇組成。入門篇讓零編程基礎的讀者快速掌握強大的數值計算和模擬分析工具MATLAB；量化投資基礎篇簡要介紹相關的投資策略及模型，重點講述MATLAB中的模型實現及應用；函數詳解篇對MATLAB的金融工具箱、衍生品工具箱和固定收益工具箱中的全部函數一一進行詳解，以幫助讀者快速掌握這些函數。

C. 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）

D. 請問python主要應用領域是什麼,哪方面用的多了....

下面就讓我們一起來看看它的強大功能： Python（派森），它是一個簡單的、解釋型的、互動式的、可移植的、面向對象的超高級語言。這就是對Python語言的最簡單的描述。 Python有一個互動式的開發環境，因為Python是解釋運行，這大大節省了每次編譯的時間。Python語法簡單，且內置有幾種高級數據結構，如字典、列表等，使得使用起來特別簡單，程序員一個下午就可學會，一般人員一周內也可掌握。Python具有大部分面向對象語言的特徵，可完全進行面向對象編程。它可以在MS-DOS、Windows、Windows NT、Linux、Soloris、Amiga、BeOS、OS/2、VMS、QNX等多種OS上運行。 編程語言 Python語言可以用來作為批處理語言，寫一些簡單工具，處理些數據，作為其他軟體的介面調試等。Python語言可以用來作為函數語言，進行人工智慧程序的開發，具有Lisp語言的大部分功能。Python語言可以用來作為過程語言，進行我們常見的應用程序開發，可以和VB等語言一樣應用。Python語言可以用來作為面向對象語言，具有大部分面向對象語言的特徵，常作為大型應用軟體的原型開發，再用C++改寫，有些直接用Python來開發。 資料庫 Python在資料庫方面也很優秀，可以和多種資料庫進行連接，進行數據處理，從商業型的資料庫到開放源碼的資料庫都提供支持。例如：Oracle,Ms SQL Server等等。有多種介面可以與資料庫進行連接，至少包括ODBC。有許多公司採用著Python＋MySql的架構。因此，掌握了Python使你可以充分利用面向對象的特點，在資料庫處理方面如虎添翼。 Windows編程 Python不僅可以在Unix類型的操作系統上應用，同樣可以在Windows系統里有很好的表現。通過添加PythonWin模塊，就可以通過COM形式調用和建立各種資源，包括調用注冊表、ActiveX控制項以及各種COM等工作，最常見的例子就是通過程序對Office文檔進行處理，自動生成文檔和圖表。 通過Python，還可以利用py2exe模塊生成exe應用程序。還有許多其他的日常維護和管理工作也可以交給Python來做，從而減少維護的工作量。利用Python，你還可以開發出象VB,VC,Delphi那樣的GUI程序，但卻可以在多個平台上執行。這在許多方面並不遜色於java。 多媒體 利用PIL、Piddle、ReportLab等模塊,你可以處理圖象、聲音、視頻、動畫等，從而為你的程序添加亮麗的光彩。動態圖表的生成、統計分析圖表都可以通過Python來完成。另外，還有OpenGL。利用PyOpenGl模塊，你可以非常迅速的編寫出三維場景。 科學計算 Python可以廣泛的在科學計算領域發揮獨特的角色。有許多模塊可以幫助你在計算巨型數組、矢量分析、神經網路等方面高效率完成工作。尤其是在教育科研方面，可以發揮出獨特的優勢。 網路編程 Python可以非常方便的完成網路編程的工作，提供了眾多的解決方案和模塊，可以非常方便的定製出自己的伺服器軟體，無論是c/s，還是b/s模式，都有很好的解決方法。椋憔塗梢願菪枰嘈闖鑾 查看原帖>>

E. 想用python量化金融，需要掌握python哪些

鏈接：http://pan..com/s/1djPqbCXnQrRpW0dgi2MCJg

華爾街學堂 python金融實務從入門到精通。最近，越來越多的研究員、基金經理甚至財務會計領域的朋友，向小編咨詢：金融人需要學Python么？事實上在現在，這已經不是一個問題了。Python已成為國內很多頂級投行、基金、咨詢等泛金融、商科領域的必備技能。中金公司、銀河證券、南方基金、銀華基金在招聘分析師崗位時，紛紛要求熟練掌握Python數據分析技能。

課程目錄：

Python在金融資管領域中的應用

安裝anaconda步驟

Python基礎知識

Python基礎金融分析應用

成為編程能手：Python知識進階

利用Python實現金融數據收集、分析與可視化

......

F. Python可以應用在哪些領域

Python語言通俗易懂、簡單易學、容易上手，而且具有豐富的第三方庫，是非常不錯的選擇，應用領域也是非常廣泛的，比如說：
1、人工智慧：Python是人工智慧的首選語言，選擇人工智慧作為就業方向是理所當然的。
2、大數據：Python在大數據上比java更加具有效率，大數據雖然難學，但是Python可以更好的和大數據進行對接，尤其是大數據分析這個方向。
3、網路爬蟲：爬蟲是進行數據採集的利器，利用Python可以更快的提升對數據抓取的精準程度和速度。
4、全棧工程師：全棧工程師是指掌握多種技能，並能利用多種技能獨立完成產品的人，也叫全端工程師
5、自動化運維：運維工作者對Python的需求也很大;
6、自動化測試：Python十分高效，目前做自動化測試的大部分的工作者都需要學習Python幫助提高測試效率。用Python測試也可以說是測試人員必備的工具了。

G. 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。