A. 去哪裡找量化交易軟體
去聚寬、米筐、優筐等等可以找到量化交易軟體。
股票市場的量化平台有聚寬、米筐、優筐等等,基本上都是以Python語言為基礎,需要較高的編程能力。
B. 如何開始數據分析和量化交易
首先，數據分析的話，你這邊要有足夠的數據，這些數據的話現在有專門出售數據的公司。其次，你要在數據當中去找尋一些規律，建立自己的交易模型。然後對模型要進行回測和優化。然後可以嘗試量化交易了
C. 怎樣看出股票有量化交易
量化投資是通過數量化的方式，讓計算機自動發出買賣的指令，實現計算機自動化，基使用量化策略的投資者，將策略設置好以後，當股價達到一定的價位就會自動賣出；下跌到指令位置的時候就會自動買入。量化投資的優勢在於：理性、克服人性投資的貪婪與恐懼，優柔寡斷等心理。
量化投資對散戶投資者來說，其實是非常不友好的，打個比方：當一隻股票漲停的時候，量化交易發出了賣出指令，就會將封板的股票開板，開板後再持續上漲就難。
拓展資料：
股市：
股市一般指股票市場。股票市場是已經發行的股票轉讓、買賣和流通的場所，包括交易所市場和場外交易市場兩大類別。由於它是建立在發行市場基礎上的，因此又稱作二級市場。股票市場的結構和交易活動比發行市場（一級市場）更為復雜，其作用和影響力也更大。
股票市場一般分為股票發行市場和股票交易市場兩部分。兩個市場既有區別又有聯系。
發行市場
又稱一級市場或初級市場。股票發行是發行公司自己或通過證券承銷商（信託投資公司或證券公司）向投資者推銷新發行股票的活動。股票發行大多無固定的場所，而在證券商品櫃台上或通過交易網路進行。發行市場的交易規模反映一國資本形成的規模。股票發行目的：
一是為新設立的公司籌措資金；二是為已有的公司擴充資本。
發行方式有兩種：
由新建企業自己發行，或要求投資公司、信託公司以及其他承銷商給予適當協助；
由證券承銷商承包發售。兩種方式各有利弊，前者發行費用較低，但籌資時間較長。後者籌資時間較短，但費用較高，需要付給投資公司、信託公司或承銷商一定的手續費。
交易市場
又稱二級市場或流通市場，包括：
證券交易所市場，是專門經營股票、債券交易的有組織的市場，根據規定只有交易所的會員、經紀人、證券商才有資格進入交易大廳從事交易。進入交易的股票必須是在證券交易所登記並獲准上市的股票。
場外交易市場，又稱證券商櫃台市場或店頭市場。主要交易對象是未在交易所上市的股票。店頭市場股票行市價格由交易雙方協商決定。店頭市場都有固定的場所，一般只做即期交易，不做期貨交易。
D. 東方財富量化交易怎麼用
東方財富量化交易怎麼用如下
經常買東財的股票，股票賬戶也是在東財開戶的，因此比較信賴他們公司的軟體。
嘗試使用東方財富（相信如果未來可以實盤，東財應該會很快跟上的）的量化交易。目前看這個還不是太成熟，現在是模擬交易功能。配置界面可以設置的功能還有不少bug，估計還需要一段時間才能真正投入實際使用。
首先需要安裝一個SDK，在命令行輸入（沒裝python需要先裝python）：
在智能策略中我體驗了一下拐點交易，把條件設置為上漲1%拐點0.1%賣出；下跌1%拐點0.1%買入。運行一天，看下收益如何。
開盤後因為信立泰低開，所以就開始自動成交
實盤交易好像要申請，我周末申請了一下，過了一天還沒收到任何反饋。
E. 關於量化交易，這些入門知識你需要了解
這篇文章將向你介紹量化交易系統的一些基本概念。本文主要面向兩類讀者，第一類是正在努力尋找一份量化交易員工作的求職者，第二類是期望嘗試開啟自己量化交易事業的個人投資者。關於量化交易，這些入門知識你需要了解。
量化交易是數量金融學一個極其艱深復雜的領域。若要通過面試或構造你自己的交易策略，就需要你投入時間學習一些必備知識。
量化交易系統包括四個主要部分：
策略識別：搜索策略、挖掘優勢、確定交易頻率。
回溯測試：獲取數據、分析策略性能、剔除偏差。
交割系統：連接經紀商、使交易自動化、使交易成本最小化。
風險管理：最優資本配置、最優賭注或凱利准則、交易心理學。
我們首先來談談如何識別一個交易策略。
策略識別
所有量化交易流程都肇始於一個初期研究。這個研究流程包括搜索一個策略、檢驗它是否適合你可能正在運作的策略組合、獲取任何測試策略時所需數據、努力優化策略使其預期年化預期收益更高且(或)風險更低。如果你是一個「散戶」交易員，一定要清楚自己的資金是否充足，以及交易成本對策略的影響。
通過各種公開數據搜索可盈利的策略實際上十分簡單，並沒有大家想的那麼難。研究學者會定期發表理論交易結果(雖然大多為交易成本總額)。一些數量金融學主題博文也會詳細討論策略。交易期刊還會簡報一下基金管理公司使用的一些策略。
你可能會問，個人與公司怎麼可能願談他們的可盈利策略，特別是當他們知道，如果其他人「復制相同的策略」，長期而言它終將失效。
原因就在於，他們通常不會透露具體的參數以及他們所使用的調參方法，而這些優化技能才是把一個表現平庸的策略調成一個回報豐厚的策略所需的關鍵技術。實際上，若要創建你自己的、獨一無二的策略，一個最好的法子就是尋找相似的方法，爾後執行你自己的優化程序。
你所看到的很多策略都可歸入均值回歸交易策略、趨勢跟隨或動量交易策略兩類。
均值回歸策略試圖利用這么一個事實：「價格序列」(如兩個關聯資產的價差)存在一個長期均值，價格對均值的短期偏離終將回歸。
動量交易策略則試圖「搭上市場趨勢的順風車」，利用投資心理和大基金結構信息在一個方向積聚動量，跟隨趨勢直至回歸。
定量交易還有一個重要方面，即交易策略的頻率。低頻交易(Low Frequency Trading， LFT)通常指持有資產超過一個交易日的策略。相應地，高頻交易(High Frequency Trading， HFT)通常指持有資產一個交易日的策略。
超高頻交易(Ultra-High Frequency Trading， UHFT)指持有資產的時常達秒級與毫秒級的策略。雖然散戶可以進行HFT與UHFT交易，但也只是在你掌握了交易「技術棧」與訂單簿動力學的詳細知識後才有可能。本篇入門文章，我們不會對這些問題做任何深入探討。
策略或策略集合一旦確定，現在就需要在歷史數據上測試其盈利能力，這就進入了回溯測試的工作范圍。
回溯測試
回溯測試的目標是提供證據，佐以證明通過以上流程所確定的策略，無論是應用於歷史(訓練)數據還是測試數據均可盈利。它可以反映該策略未來在「真實世界」中的預期表現。
由於種種原因，回溯測試不能保證一定成功。這或許就是量化交易最為微妙之處，由於它包含了大量的偏差，我們必須盡盡力仔細審查並剔除它們。
我們將討論幾種常見類型的偏差，包括先窺偏差、倖存者偏差與優化偏差(亦稱「數據窺視偏差」)。回溯測試中其他幾個重要方面，包括歷史數據的可用性與清潔度、真實交易成本及可靠回測平台上的決定。我們會在後續「交割系統」一節深入討論交易成本。
策略一旦確定，我們就需要獲取歷史數據，並藉此展開測試，如有可能還可改進策略。現在賣數據的很多，所有資產類型的數據都有。通常，數據的質量、深度、時間間隔不同，其價格也不同。
剛入門的量化交易員(至少零售等級)最初使用雅虎金融板塊(Yahoo Finance)的免費數據就行。對於數據供應商，這里不再贅言。我想重點談一談處理歷史數據時，時常遇到的問題。
對於歷史數據，人們主要關心的問題，包括數據精度或清潔度、倖存者偏差、應對如分發紅利、拆分股票等公司行為的調整。
精度與數據整體質量有關，無論數據是否包含錯誤。有時錯誤容易識別，比如使用一個窄帶濾波器，就可以找出時間序列數據中的「窄帶」並更正它們。其他時候，錯誤又很難甄別，經常需要根據多個數據供應商提供的數據進行對比檢查。
倖存者偏差通常是免費數據集或廉價數據集的一個」特徵「。對於一個帶有倖存者偏差的數據集，它不包含已經不再交易的資產數據。不再交易的證券，則表示已經退市或破產公司的股票。如果數據集中含有此類偏差，策略在此數據集上的測試表現可能比在」真實世界「里表現的更好，畢竟歷史」贏家「已經被預先篩選出來，作為訓練數據使用。
公司行為即公司開展的常引發原始價格階梯形變化的」邏輯「活動，它不應該計入價格預期年化預期收益。公司分發紅利和拆分股票行為是引發調整的兩個常見行為，二者無論發生哪一種，都需要進行一個」回調「的流程。我們一定要留心，不要把股票拆分和真實預期年化預期收益調整混為一談。許多交易員在處理公司行為時都碰過壁！
為了開展回溯測試，我們必須使用一個軟體平台。你可以選擇一個專門的回測軟體如MultiCharts，一個數值平台如Excel或MATLAB，或者一個用Python或C++完全自主實現的平台。對於MultiCharts(或類似平台)，個人是比較介紹，對於編程的要求比較低。
在做系統回測時，一定要量化表示系統性能。定量策略的「業界標准」度量為最大資金回挫與夏普比率。最大資金回挫表示一段時間(通常一年)內賬戶資金曲線從波峰至波谷的最大跌幅，常使用百分比表示。
由於大量的統計因素，LFT策略比HFT策略的資金回挫更高。歷史回測會顯示過去的最大資金回挫，它能夠較為貼切地反映策略的未來資金回挫情況。第二個度量指標是夏普比率，它被啟發式地定義為「超額預期年化預期收益均值與超額預期年化預期收益標准差的比值」。
這里，超額預期年化預期收益表示策略預期年化預期收益超出某個預定基準，如標普500或三月期短期國債(預期年化預期收益)的額度。注意人們通常不使用歷史預期年化預期收益指標，因為它忽略了策略波動性的影響，而夏普比率卻考慮到了這一點。
如果經過回測，策略的夏普比率很高且其最大資金回挫已經最小化，則可以認為它趨於無偏，下一步就是要搭建一個交割系統。
交割系統
交割系統是一個方法集合，由它來控制交易策略生成的交易列表的發送和經紀商的交割行為。事實上，交易可以半自動、甚至全自動生成，而執行機制可以手動、半自動(即「點擊一次交割一項」)或者全自動。
盡管如此，對於LFT策略，手動和半自動技術卻比較常見；對於HFT策略，則必須創建一個全自動交割機制，由於策略和技術彼此依賴，還要經常與交易指令生成器緊密相接。
在搭建交割系統時，我們需要考慮幾個關鍵因素：連接經紀商的介面、交易成本(包括傭金、滑動價差與價差)最小化、實時系統與回測時系統性能的差異。
聯系經紀人的方法有很多，你可以直接電話聯系他，也可以通過一個全自動高性能的應用程序介面(API)實現。理想情況，就是希望交割交易的自動化程度盡可能高。這樣一來，你不僅可以脫開身集中精力進行深入研究，還能運行多個策略、甚至HFT策略(實際上，如果沒有自動化交割，HFT根本不可能)。
前面說過的幾種常用回溯測試軟體如MATLAB、Excel和MultiCharts，對於LFT策略或簡單策略都是不錯的選擇。但是，如果要做真正的HFT，你就必須要構造一個用高性能語言(如C++)編寫的內部交割系統。
說個我的親身經歷，以前受聘於一家基金管理公司，我們有一個十分鍾的「交易周期」，每隔十分鍾下載一次新的市場數據，然後根據這十分鍾的信息進行交割。這里用的是一個優化的Python腳本。對於任何處理分鍾級或秒級頻率數據的工作，我相信C/C++更理想。
在一家大型的基金管理公司，交割系統的優化通常不在量化交易員的工作范圍。但是，在小點的公司或高頻交易公司，交易員就是交割人，所以技術面越廣越好。你要想進一家基金管理公司，一定要記住這一點。你的編程能力不說比你的統計學和計量經濟學稟賦更重要，至少也同樣重要！
另外一個屬於交割系統的重要問題是交易成本最小化。一般地，交易成本由三部分構成：傭金(或稅收)、損耗與價差。傭金是向經紀商、交易所和證券交易委員會(或類似政府監管機構)支付的費用；滑動價差是你的預期交割價位與真實交割價位的差值；價差則是待交易證券的賣出價與買入價之差。注意價差不是常數，它依賴於市場當前流動性(即買單和賣單數量)。
交易成本是決定一個策略是高夏普比率且盈利豐厚，還是低夏普比率且極不盈利的關鍵。根據回溯測試正確預測未來的交易成本很具有挑戰性，你需要根據策略頻率，及時獲取帶有賣出價與買入價信息的歷史交易數據。
為此，大型基金管理公司量化交易的整個團隊都專注於交割優化。當基金管理公司需要拋售大量交易時(原因五花八門)，如果向市場「傾瀉」大批股票，會迅速壓低價格，可能都來不及以最優價格交割。
因此，縱使遭受損耗風險，基金管理公式也會選擇使用演算法交易，通過「打點滴」的方式向市場出單。此外，其他策略如若「捕到」這些必要性條件，也能利用市場失效(獲利)。這是基金結構性套利的內容。
交割系統最後一個主要問題關繫到策略的實時性能與回測性能的差異。這種差異由多種因素造成，比如我們在「回溯測試」一節已經深入討論過的前窺偏差與最優化偏差。
然而，對於有些策略，在部署之前不易測得這些偏差。這種情況對於HFT最為常見。交割系統和交易策略本身均可能存在程序錯誤，回溯測試時沒有顯現卻在實時交易時出來搗亂。市場可能受到繼交易策略部署後的一場政變的影響，而新的監管環境、投資者情緒與宏觀經濟形勢的變化也均可能導致現實市場表現與回溯測試表現的差異，從而造成策略盈利性上的分歧。
風險管理
量化交易迷宮的最後一塊是風險管理程序。風險包含我們之前談論的所有偏差。它包括技術風險，比如所有在交易所的伺服器突然發生硬碟故障。它還包括經紀風險，如經紀商破產(此說並非危言聳聽，引發恐慌的明富環球就是一個例子)。
總而言之，它覆蓋了幾乎所有可能幹擾到交易實現的因素，而其來源各不相同。已經有成套的書籍介紹量化交易策略的風險管理，本人也就不再對所有可能的風險來源做詳細說明。
風險管理還包括投資組合理論的一個分支，即所謂的「最優資本配置」，涉及到如何將資本分配給一組策略、如何將資本分配給策略內不同交易的方法。這是一個復雜的領域，依賴於一些高級數學知識。
最優資本配置與投資策略杠桿通過一個名為凱利准則的業界標准建立聯系。本文是一篇入門文章，我在此不詳談其計算。凱利准則對策略預期年化預期收益的統計性質做過一些假設，但是它們在金融市場中並不一定成立，交易員因此在實現時通常會有所保留。
風險管理的另外一個關鍵成分涉及到交易員自身心理因素的處理。盡管大家都承認，演算法交易若無人為干涉，不太容易出現問題。交易員在交易時，稍不留神仍然可能會摻入許多認知偏差。
一個常見的偏差是厭惡規避，當人發現損失已成定局，其所帶來的痛苦，可能會麻痹人的行為，不能做到及時拋盤止損。類似地，由於太過憂心已經到手的預期年化預期收益可能賠掉，人們可能也會過早拋盤收利。
另外一個常見的偏差是所謂的偏好偏差：交易員太看重事件而非長遠地看問題。此外，當然不能落下「恐懼與貪婪」這對經典的情緒偏差。這兩種偏差常導致杠桿不足或杠桿過度，造成爆倉(賬戶資產凈值近乎為零或更糟)或盈利縮水的局面。
總結
由此觀之，量化交易是數量金融學中一個雖趣味十足但極其復雜的領域。我對這個話題的討論淺嘗輒止，文章就已經這么長了！我在文中三言兩句帶過的問題，已經有大量的相關書籍和論文出版。
因此，在你申請量化基金交易職位前，務必要進行大量的基礎調研，至少應當具有統計學和計量經濟學的廣泛背景，以及使用MultiCharts、MATLAB、Python或者R程序語言實現的豐富經驗。如果應對的是更加復雜的高頻端策略，你的技能組合可能還要包含Linux內核修改、C/C++、匯編編程和網路延遲優化。
F. 如何在量化投資中獲取相關數據
事實上搭建一個行之有效的交易策略並非易事。這涉及到一定的投資基礎，並且涉及到對金融市場和交易工具的理解，而短時間精通各類資產類別以及量化交易策略以及工具也絕非易事。
首先，一個交易系統必須具備精準定義的特性，否則後續的實盤統計系統修正是無法跟進的；
其次，一個交易系統可以包含多個子系統，但子系統之間必須沒有絲毫關聯性，尤其在進場條件范圍必須完全沒有相交的部分；
再次，就是市場原理，你的交易系統必須有個人獨特的市場原理支撐，才能讓你的交易系統具有生命力；
接著，是各個子系統的基本構成，進場條件、過濾條件、出場條件、初試止損、平保止損、跟進止損、止盈、倉位管理、情緒管理等；以及一些作為補充說明的系統附件；
最後，是每天的交易總結報告、系統交易記錄表、月度交易總結報告、以及根據統計結果進行調整後的按照時間編號的不同版本交易系統。
量化的基礎是精準定義，許多人以某形態為進場依據，那麼精準定義就要求結合明確位置的基礎上，以波動點為標準的精準定義。
，有效的成功率、盈虧比，就一定是在統一標準的量化統計下得出的，而統一標准就意味著無論是系統的基礎標准、參數，還是系統構建完成後的統計標准都必須是一致的。甚至在通過統計結果對系統進行重大修正後的統計都必須是要歸零，重新記錄統計的。
每個交易者都在討論的成功率和盈虧比，在沒有精確定義的量化交易系統情況下，是無法得出有效值的。當然如果你僅僅想知道自己交易一段時間的成果，那另當別論。
G. 同花順量化交易怎麼用
制定交易策略;
2.
將交易策略代入到自動量化交易系統中;
3.
將選擇的投資標的的代碼輸入到證券代碼的選項中;
4.
將相關指標條件的設置輸入到條件選框里
H. 量化交易如何獲取實時行情數據
你去搜一下「量億數據」，專門為量化交易者提供實時行情數據。