Un idioma es solo un idioma y puede tener varias diferencias gramaticales, pero cuando hablamos de un idioma, debemos comprender la caja de herramientas y la comunidad detrás de él y por qué funciona mejor que otros idiomas.
Conceptos básicos
Se debe abandonar el uso inicial de Python para pruebas retrospectivas financieras y la estrategia de desarrollo, porque es demasiado conveniente de desarrollar en comparación con las operaciones matriciales de Matlab. Justo después de eso.
Python ha lanzado una serie de potentes bibliotecas, como series y pandas. La sintaxis de Panda es básicamente una imitación descarada de Matlab y R, y el desarrollador de Panda es AQR, un conocido fondo de cobertura estadounidense, para crear datos.
Es muy conveniente para el procesamiento de datos y algunas operaciones. Además, también incluye una gran cantidad de bibliotecas informáticas matemáticas y científicas de la comunidad de código abierto y también puede manejar varias máquinas.
Aprendizaje y similares.
Desde la perspectiva del desarrollo de los lenguajes informáticos científicos, las personas inicialmente agregaron fortran a su demanda de cálculos de punto flotante y luego progresaron en el camino, haciendo que las herramientas para los cálculos científicos fueran cada vez más fáciles (Python también encapsula muchas matemáticas tempranas Una biblioteca de computación matemática básica escrita en Fortran, que ha sido probada y acelerada durante décadas):
Echemos un vistazo a la pila de tecnología científica actual de Python:
Numpy : Básico. Operaciones de matriz - procesamiento básico de matriz
scipy: Computación científica en Python, incluido el procesamiento y optimización de señales - Computación científica, incluido el procesamiento y optimización de señales.
Matplotlib: visualización y trazado: unas pocas líneas de código pueden mostrar gráficos.
Ipython: escriba y ejecute código Python de forma interactiva en un shell o cuaderno: un entorno de programación interactivo necesario para el futuro reemplazo de MATLAB, es decir, aprenda a medida que ingresa y muestra código línea por línea y mejora.
Panda: Manipulación de datos: las operaciones matriciales más importantes, etc.
Scikit-learn: Aprendizaje automático - Aprendizaje automático
Pero
Pero con el desarrollo futuro, los atributos de código abierto de Python se volverán cada vez más poderosos, lo que permitirá a más personas disfrute de su conveniencia y contribuciones, incluida la tirolesa editorial Quantopian.
Basado en el marco de backtesting de Python, solo necesita introducir datos de Yahoo para realizar el backtesting y, debido a que Python está bien integrado con C, la velocidad puede ser muy rápida y puede usarlo con otros en el futuro. .
El sistema es fácil de integrar y conectar a la interfaz de transacciones de la empresa.
Dado que muchos bancos de inversión y fondos de cobertura en Europa y Estados Unidos ya se están acercando a la pila de tecnología Python, elegir Python es una herramienta importante y no hay necesidad de estar vinculado a una empresa privatizada.
Por supuesto, en última instancia, todas las pruebas retrospectivas de Python se pueden realizar en Ricequant-Beta. Apoyamos datos financieros y de mercado masivos y cooperamos con empresas de big data para agregar continuamente datos de opinión pública. Al mismo tiempo, también puede realizar operaciones simuladas en tiempo real y disfrutar del cálculo de datos en tiempo real después de realizar pruebas retrospectivas de la estrategia. Casi todas las bibliotecas de informática científica de Python ya son compatibles con la plataforma en la nube y no es necesario perder tiempo instalando, probando, etc.