【Mquant】2：量化平台的选择

---

一、选择因素

1. 功能和工具集：量化平台应该提供丰富的功能和工具集，包括数据分析、策略回测、实时交易等。不同的平台可能有不同的特点和优势，可以根据自己的需求选择适合的平台。

2. 数据源和数据质量：量化交易离不开高质量的数据，因此选择一个平台时要考虑其数据源和数据质量。一些平台可能提供多种数据源，包括股票、期货、外汇等，而且数据质量也可能有所差异。

3. 编程语言和开发环境：量化平台通常需要使用编程语言进行策略开发和回测，因此选择一个熟悉的编程语言和开发环境对于开发者来说很重要。常见的编程语言包括Python、R、C++等，不同的平台可能支持不同的编程语言。

4. 社区和支持：一个活跃的社区和良好的技术支持可以帮助解决问题和分享经验。选择一个有活跃社区和提供良好技术支持的平台可以更好地与其他开发者交流和学习。

5. 安全性和保密性：对于一些敏感的策略和交易数据，安全性和保密性是非常重要的。选择一个有良好安全措施和保密性保护的平台可以保护个人的交易策略和数据。

二、常见的量化平台

1. 掘金：老牌的量化投资工具集平台，提供丰富的功能和工具集，适用于中低频类型的A股市场投研策略。

2. 天软：资历较老的量化投资工具集平台，提供数据分析、策略回测等功能。

3. 文华：期货市场的量化投资工具集平台，适用于期货交易策略的开发和回测。

4. 开拓者：量化投资工具集平台，适用于数量化分析决策思维的工具。

5. 聚宽：基于云端的web版量化平台，提供开发环境、数据API集成、可视化界面和分享互动社区等功能。

6. 优矿：基于云端的量化平台，提供数据分析、策略回测等功能，适用于中小散A股的个人量化投资。

7. Bigquant：基于云端的量化平台，提供数据分析、策略回测等功能，适用于中小散A股的个人量化投资。

8. 真格量化：适用于期货期权类型的量化平台，提供丰富的报单算法函数和高频交易支持。

9. Veighna：基于Python的开源量化交易平台开发框架，支持大量高性能交易Gateway接口，用户可以自由选择通过GUI图形界面模式管理，或者使用CLI脚本命令行模式运行。

​

平台名称	访问地址	数据方面	研究方面	回测方面	模拟交易方面	实盘交易方面	交流社区方面
迅投QMT（Think Trader）	合作券商提供	提供全部日/分钟/Tick级别股票数据，及财务、分红送配、行业、板块等数据。还提供期货、期权的连续数据及过期合约。	支持Python，VBA，提供API接口。	支持股票、期货、期权等品种回测及其混合回测，支持日、分钟、Tick全周期回测。	支持股票、期货、期权、可转债等品种的日、分钟级别的模拟交易。	支持股票、期货、两融、期权、可转债等量化实盘，实盘直接和对接券商开通，具有实盘交易权限后也可以手动交易。	券商专业客户服务群
恒生PTrade	合作券商提供	提供沪深股票、期权、期货等全品种L2行情支持。	支持Python，提供API接口。	支持股票、可转债等品种回测，支持日、分钟、Tick级全周期回测。	支持股票、可转债、期权等品种的日、分钟级别的模拟交易。	支持股票、可转债、期权等量化实盘，有丰富的手工T0交易工具，实盘直接和对接券商开通，具有实盘交易权限后也可以手动交易。	券商专业客户服务群
掘金量化（Myquant）	https://www.myquant.cn/	提供近10年日/分钟/Tick级别股票数据，及财务、分红送配、行业、板块等数据。还提供股指期货、商品期货的连续数据。	支持Python，Matlab，C，C++，C#语言，提供API接口。	支持股票、期货等品种回测及其混合回测，支持日、分钟、Tick级回测。	支持股票、商品期货、股指期货等品种的日、分钟级别的模拟交易。	支持股票、期货、两融等量化实盘，实盘开通需要客户提交申请和平台人工审核，具有实盘交易权限后也可以手动交易。	掘金量化社区，活跃度一般
米筐（Ricequant）	ricequant.com/welcome/	提供股票、ETF、期货（股指、国债、商品期货）、现货的基本信息。股票、ETF过去10多年以来每日市场数据，股票、ETF在2005年以来的分钟线数据。ETF过去20多年以来的市场数据和财务数据。期货从1999年以来的每日行情数据。期货2010年以来的分钟线数据。中国50 ETF、商品期权的日、分钟数据。舆情大数据。	提供基于IPython Notebook的研究平台，支持Python，Matlab，Excel。提供API。	支持股票、ETF、期货等品种的回测，支持日、分钟级回测。	支持日、分钟级别的股票、ETF、期货等品种的模拟交易。	提供期货的实盘交易。	“米筐量化社区”，活跃度较高。
聚宽（JoinQuant）	https://www.joinquant.com/	提供2005年至今完整的股市Leve1数据、上市公司财务数据、完整的停复权信息。实时更新行情数据，盘后更新财务数据。此外还提供基金（包括ETF、LOF、分级A/B基金、货币基金）的行情和净值数据，金融期货数据、股票指数数据、行业板块数据、概念板块数据、宏观数据、行情数据等。	提供基于IPython Notebook的研究平台，支持Tick级数据，支持Python2、Python3。提供API（Application Programming Interface）。	支持股票、基金、期货等品种的回测，支持日、分钟、Tick级回测。	支持股票、股指期货、商品期货、ETF等品种的日、分钟、Tick级别的模拟交易。	支持股票、场内基金、期货的自动化实盘交易。	undefined“聚宽社区”，活跃度很高。
Bigquant	https://bigquant.com/	提供日/分钟级别的股票、期货、基金等数据的实时和历史数据，以及新闻、社交等新型数据。	支持Python，提供AI开发策略。提供API。	支持股票、期货等品种的回测，支持日、分钟、Tick级回测。	支持日、分钟级别的股票、期货等品种的模拟交易。	可推送秒级交易信号，提供API接口对接交易终端，由用户手动交易。	“Bigquant量化社区”，活跃度较高。
真格（澎博财经旗下）	https://quant.pobo.net.cn	主要是商品期货、期货期权、金融期货、股票期权等金融衍生品的数据。	支持使用Python进行策略研究。提供API。	主要提供期货、期权的日、分钟、Tick级别的回测。	使用第三方模拟交易平台，主要提供期货、期权的日级别的回测。	主要提供期货的实盘交易。	“真格量化社区”，活跃度一般。
优矿（Uqer）	https://uqer.datayes.com/	"2007年以后的沪深港上市公司财务报表数据，沪深交易所股票基本信息和日/分钟级别行情，港股日级别行情。日/分钟级别的场内基金行情、日/分钟/Tick的期货行情、日/分钟级别的指数行情、日/分钟/Tick级别的期权行情。大宗商品、债券、宏观产业数据。以及股票/指数的量化因子库，主流媒体数据，主流电商数据等。	提供类似IPython Notebook的研究平台，只支持使用Python2进行策略研究。提供API。	支持股票、场内外基金、期货、指数等品种的日、分钟级回测。	支持股票、场内外基金、期货、指数等品种的模拟交易。	暂时无法实现实盘交易。	“优矿社区”，活跃度较高。
MindGo（同花顺旗下）	https://quant.10jqka.com.cn/view/	2005年至今的股票财务数据、资金数据、行业数据，基金数据，指数数据，期货数据，期权数据，可转债数据、因子数据、QuantdI数据、Tushare数据、iFinD数据等。	基于Jupyter Notebook研究环境，支持使用Python进行策略研究。提供API。	支持股票、场外基金、期货、外汇等T+0和T+D品种的日、分钟级回测。	支持日、分钟、Tick级别的模拟交易。	暂时无法实现实盘交易。	“MindGo量化社区”，活跃度一般。
果仁	https://guorn.com/	主要是近十年的股票、基金数据。	非编程量化平台，一站式策略服务，门槛低（其实觉得非编程类严格来说不算量化平台，但是是很好的参考和学习平台）。	主要提供股票、基金的策略的日级回测。	暂没有明确的模拟交易概念。	暂时无法实现实盘交易。	没有社区。
TradeBlazer(TB交易开拓者)	http://www.tradeblazer.net/	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。

三、为什么选择VeighNa？

选择Veighna的原因有以下几点：

1. 开源量化平台：Veighna是一个开源的量化平台，这意味着它的代码是公开的，任何人都可以查看和修改。这为用户提供了更大的灵活性和可定制性，可以根据自己的需求进行修改和扩展[1]。

2. 功能丰富：Veighna提供了各种模块和功能，包括数据接口、交易接口、回测模块、策略开发等。用户可以根据自己的需求选择和使用这些功能，从而实现量化交易的各个环节[1]。

3. 多种数据源支持：Veighna支持对接各类数据服务的适配器接口，包括从rqdata获取历史行情数据、连接各类数据库、接入国内外交易所的交易接口等。这使得用户可以方便地获取和处理各种数据，为量化策略的开发和回测提供了便利[2]。

4. 简单易用：Veighna提供了图形界面和命令行界面两种方式进行操作，用户可以根据自己的喜好选择使用。同时，Veighna还提供了丰富的文档和示例代码，帮助用户快速上手和使用平台的各种功能[2]。

5. 社区支持：Veighna拥有一个活跃的开源社区，用户可以在社区中获取帮助、交流经验和分享自己的成果。这为用户提供了一个学习和成长的平台，可以与其他量化交易爱好者共同进步[1]。

四、参考

1.一张图认识【VeighNa开源量化平台】的各种模块！ - 知乎
2. vnpy/VeighNa入门 - 知乎
3. 一张图认识【国内市场】的量化数据服务！ - 主题 - VeighNa量化社区
4. 个人从事量化交易，关于量化平台的选择 - 知乎
5.【思考33】如何选择量化工具与平台 - 知乎
6. 量化投资对于数据源、回测、实盘平台的选择-高顿教育