量化实盘框架对比选择

最新推荐文章于 2025-07-16 13:32:40 发布

诸葛说talk

最新推荐文章于 2025-07-16 13:32:40 发布

阅读量2.8k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：量化投资文章标签： python 金融数据分析大数据

本文链接：https://blog.youkuaiyun.com/richardzhutalk/article/details/128171454

量化投资专栏收录该内容

40 篇文章

订阅专栏

简介

搞各种回测，最后还是为了实盘赚钱。实盘国内券商支持的比较多的是ptrade和QMT，港美股券商一般会自己提供交易api，可以直接使用，也可以用第三方框架来调用。

实盘框架选择

下面是一些实盘框架，都支持python，供大家参考

ptrade — 恒生电子开发，支持股票、可转债
qmt — 迅投开发，支持股票、可转债、期权和期货
vnpy – 基于python的开源量化交易系统开发框架
tqsdk – 信易科技发起的开源python 库，支持多个期货公司的实盘交易
easytrader — 非官方出品，对环境版本要求较高，容易踩坑。原理是利用pywinauto自动获取同花顺/券商软件上相应控件的值进行模拟自动化的操作
Futu OpenAPI – 富途提供的交易api
tigeropen — 老虎提供的交易api
WonderTrader – c++编写的量化交易开发框架，也支持python
ccxt – 加密货币交易lib库

结论 & 交流

如果你觉得还有其他好用的量化实盘框架，也可以反馈给我，后面我会持续更新！

关注小红薯：诸葛说talk，获取更多内容。同时还能获取邀请加入量化投资研讨群，与众多从业者、技术大牛一起交流、切磋，名额有限，不要错过。

参考

https://github.com/rchardzhu/awesome-quant-cn
https://github.com/vnpy/vnpy
https://doc.shinnytech.com/tqsdk/latest/intro.html
https://github.com/shidenggui/easytrader
https://openapi.futunn.com/futu-api-doc/intro/intro.html
https://quant.itiger.com/openapi/py-docs/zh-cn/docs/intro/quickstart.html
https://github.com/wondertrader/wondertrader
https://github.com/ccxt/ccxt

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

诸葛说talk

关注关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

量化C++国产框架千星+ WonderTrader

强化学习曾小健

09-24

5943

一些策略计算量会非常惊人，比较典型的就是选股策略，不管是用多因子也好，还是基本面也好，都会从数千只股票中，逐步筛选，从而得到最后的目标股池。）开发核心模块的量化交易平台，在标的数不多的情况下，能够胜任各种不同的应用场景。引擎采用异步时间驱动的模式，通过向引擎注册重算时间调度（支持日内，每日、每周、每月的等多种周期），定时触发重算，然后调整多标的的目标仓位，从而输出信号。用户在使用的时候，通过设置指定标的的目标头寸，算法执行单元就可以按照预设的算法进行交易下单。，会考虑更多的兼容性问题以及应用层对接的问题，

Python量化交易开源框架：AmazingQuant

JanLEE

06-28

2622

1.简介开源地址： https://github.com/zhanggao2013/AmazingQuant AmazingQuant是一款基于event-driven的量化回测交易开源框架，下图是总体框架架构。 data_center to_mongoDB 存放行情、财务等各种数据到MongoDB的存储模块 get_data 策略中从数据库中取数据的接口模块 trade_center mossion_engine 包含下单任务（event_order）和风控（event_risk_mana

参与评论您还未登录，请先登录后发表或查看评论

VNPY4.0量化交易开源框架

10-29

VNPY4.0是VNPY官方 http://www.vnpy.cn 发布的量化交易开源框架，精于量化，以回测为起点。上海量贝信息科技有限公司是中国大陆从事量化相关软件和信息服务企业，公司位于上海，在国内市场，客户定位包括个人量化交易爱好者、高校、证券公司、基金管理公司、银行和投资公司等金融企业。

国内A股开源量化模型推荐

大聪明的博客

05-08

1389

高频策略与全市场回测：优先选择Hikyuu或RQAlpha，兼顾速度与灵活性。AI与机器学习驱动Qlib和提供从数据到模型的全链路支持。多市场与复杂策略Abu的智能优化体系适合跨市场多因子研究。数据基础设施Adata可作为低成本数据源补充。更多细节可参考各项目的GitHub仓库及官方文档（如HikyuuQlib等）。

【深度学习量化交易12】基于miniQMT的量化交易框架总体构建思路——回测、模拟、实盘通吃的系统架构

fengzhuqiaoqiu的博客

01-05

2386

MiniQMT是一种轻量级的量化交易解决方案，使用MiniQMT可实现对交易过程的完全控制，借此优势实现最灵活的系统构建和最前沿的算法应用。然而，MiniQMT也有其挑战，它要求用户具有较强的编程能力，因为很多功能需要自己开发。在之前的工作中，我介绍了“看海量化交易系统”的开发进展，即目前已经开发完成数据下载、数据清洗和可视化的工作。（如下图演示）我开发的此系统免费向大家开放使用，获取方式在文末此外我还用五篇文章的内容详细介绍了一下miniQMT的行情接口和。

python股票回测_Python量化投资框架：回测+模拟+实盘

weixin_39625586的博客

11-24

3022

Python量化投资框架：回测+模拟+实盘Python量化投资模拟交易平台　 1.股票量化投资框架体系1.1 回测实盘交易前，必须对量化交易策略进行回测和模拟，以确定策略是否有效，并进行改进和优化。作为一般人而言，你能想到的，一般都有人做过了。回测框架也如此。当前小白看到的主要有如下五个回测框架：Zipline：事件驱动框架，国外很流行。缺陷是不适合国内市场。PyAlgoTrade ：事件驱动框...

量化交易主流框架介绍

清平乐的技术专栏

10-15

6622

量化交易主流框架介绍 talib talib的简称是Technical Analysis Library,主要功能是计算行情数据的技术分析指标 numpy 介绍：一个用python实现的科学计算包。包括：1、一个强大的N维数组对象Array；2、比较成熟的（广播）函数库；3、用于整合C/C++和Fortran代码的工具包；4、实用的线性代数、傅里叶变换和随机数生成函数。numpy和稀疏矩阵运算包s...

量化开源项目对比 Backtrader, VectorBT, Zipline, vnpy, wtpy, qlib, WonderTrader, Hikyuu, PyBroker

zhangyunchou2015的博客

04-14

2316

非常流行且功能完善的事件驱动型回测框架。设计清晰，允许对交易过程进行精细控制。纯 Python 实现，易于理解和扩展。强大的事件驱动引擎，模拟真实交易流程。支持多种数据输入格式（CSV, Pandas, 数据库等）。内置大量技术指标 (TA-Lib 集成)。支持参数优化（多进程）。支持佣金、滑点等细节模拟。集成 Matplotlib 进行绘图，可视化效果好。支持多种订单类型。可通过ibpyIB TWS API等连接实盘。

几大量化交易框架对比，适合的才是最好的

最新发布

m0_52307083的博客

07-16

1718

国内主流付费量化交易平台可依据“功能复杂度-价格梯度”划分为新手友好型、中高级应用型及机构专业型三大类，均具备显著的本土化优势，包括深度整合A股/期货交易接口、符合国内合规要求的实盘通道及本地化行情数据支持。一、新手友好型平台：低门槛与标准化工具该类平台以降低量化入门门槛为核心，通过简化编程逻辑、提供可视化工具及固定费用模式吸引初级用户。典型代表包括文华财经WH8、恒生Ptrade及金字塔决策系统（基础版）。文华财经WH8。

Python开源量化平台框架（支持A股）基于ZipLine修改

05-17

开源ZipLine本身只支持美股，这是本地化了一下。。通过本地股票数据接口，可以实现回测策略的编写和图形化输出，需要有python下pandas和matplot等金融分析相应工具基础

miki:基于python的开源量化交易框架

04-13

miki量化框架 1.采用python语言实现的量化框架，原则尽量以简洁的语言实现金融交易等功能，系统架构清晰，方便二次开发，理论支持股票、期货、期权等，目前只支持股票。 2.如果遇到问题，欢迎提交issue、代码，交流QQ群：1042883511。框架架构： 1.api为下单接口实现 2.data为数据存储、接收、提取等功能的实现，实盘模式需要运行main.py文件 3.strategy为策略实现模块， 1.新建py文件实现策略功能， initialize 实现策略的初始化， before_trading_start 每天开盘前运行， handle_data 每分钟运行， after_trading_end 每天收盘后运行， after_backtest_end 回测结束后运行。 4.trade

从回测到实盘：量化价值投资的样本外测试完整流程详解

AI天才研究院

04-23

480

量化价值投资是将价值投资理念与量化分析方法相结合，通过数据和模型来筛选具有投资价值的资产。回测是量化投资中常用的方法，用于评估策略在历史数据上的表现。然而，回测结果可能存在过拟合问题，因此需要进行样本外测试来验证策略的有效性和稳定性。本文的目的是详细介绍量化价值投资从回测到实盘过程中样本外测试的完整流程，涵盖从数据准备、测试方法选择到结果评估等各个环节。本文首先介绍背景知识，包括目的、预期读者和文档结构。接着讲解核心概念，如价值投资因子、回测与样本外测试的区别等。

量化交易入门（十六）Backtrader、Zipline、PyAlgoTrade对比分析

Coder加油站的专栏

03-24

3537

Zipline专业性强,功能全面;量化交易发展这么多年，有很多优秀的前辈为我们提供了各种开源的交易回测系统，我将对常用的Backtrader、Zipline、PyAlgoTrade这三个量化交易回测平台进行详细介绍,并进行对比分析。概述:Zipline是一个Python的回测框架,由Quantopian开发,功能强大,适合高级用户。专业性强:采用了行业标准的算法和模型,如Fama-French因子模型等,适合机构级别的回测需求。Backtrader:灵活性高,扩展性强,支持多市场多类型策略,社区生态丰富。

国内程序化交易和量化交易有哪些好用的框架与工具？

股票量化交易自动交易程序化交易接口

11-18

2314

国内量化与程序化交易发展迅速，有多种框架和工具，了解可提升交易效率，其在数据处理、策略开发等方面作用重要。

股票基金量化开源平台对比

m0_52307083的博客

07-16

1251

在金融科技快速发展的背景下，量化交易已成为现代金融市场中投资者追求高效与精准交易的核心工具。通过程序化方式，投资者能够迅速处理海量市场数据，制定并执行复杂交易策略，其高效性、低情绪干扰及策略多样性等优势显著[1]。特别是随着人工智能技术的深化，2025年基于深度学习与机器学习的开源量化工具持续涌现，推动行业向数据驱动转型——量化交易将决策逻辑从经验驱动转变为可通过计量科学理解、共享和优化的客观过程，实现了“交易从艺术到科学”的跨越[2][3][4]。

4 个牛逼 AI 股票量化交易工具，开源。

公众号：逛逛GitHub

03-25

3684

其底层框架支持实时监控策略表现，当模型收益衰减时，Agent 会自动触发因子/模型的重新生成与测试，形成自我迭代的智能投研体系。数据可以进行灵活的清洗、转换和特征工程，以便进行进一步的模型训练。在金融领域，RD-Agent 通过整合“研究（R）”与“开发（D）”的闭环，实现了量化因子与模型的自动迭代进化。这种将LLM的认知能力与量化系统工具链深度结合的模式，为高频、动态的金融市场提供了可扩展的自动化解决方案。具有内置的回测引擎，用户可以在历史数据上验证量化策略的表现，评估其风险、收益等关键指标。

市场上几款量化交易软件梳理对比

xuemaowang的博客

02-10

3144

随着deepseek的火爆，证劵市场上也掀起了一阵AI热潮。deepseek不仅仅是一款AI软件，背后的老板尤为让人关注，那就是大名鼎鼎的幻方量化的老板。其实也给我们指明了一条道路，股票量化交易，是可行的，是大有可为的。市场上的量化软件按照功能、对交易人员的要求可以简单分为两类。可视化量化软件和非可视化量化软件。其中可视化量化平台对交易者要求较低，创建策略、回归验证等都是在可视化界面上操作，大大降低了技术门槛。但是灵活性也收到了一定的限制。

量化交易框架

06-04

<think>嗯，用户这次明确提出了量化交易框架的需求，而且特别强调要参考之前的互动。虽然之前的引用部分只是示例，但用户特意说明"参考站内引用"，看来很注重信息的连贯性。用户可能是个金融或计算机背景的学习者，正在寻找能快速上手的量化工具。从ta跳过快排示例直接切入量化主题来看，应该是个目标明确的实用主义者。不过量化领域涉及面广，需要帮ta理清层次。上次对话的系统指令对技术文档格式要求很严，这次得特别注意：所有数学公式必须用$包裹，像夏普比率$S_p=\frac{R_p-R_f}{\sigma_p}$这样的关键指标要规范呈现，Python代码块也得用三重引号标注。考虑到用户需要"框架介绍及使用方法"，决定采用分层结构：先核心框架分类（为ta建立认知地图），再选最主流Backtrader重点突破（避免信息过载）。特别加入风险提示模块，毕竟新手容易忽略这个。最关键的实战案例部分，准备用双均线策略演示完整闭环，因为：1）代码量适中2）包含数据加载/策略编写/回测/结果输出全流程3）直观展示超额收益$\alpha$的计算。但要注意说明这只是基础示例，实际还需滑点处理$\Deltap$等优化。备选方案中放弃了PyAlgoTrade的详细代码，毕竟Zipline开源生态更成熟。不过还是提了vn.py满足国内期货需求，用户没限定市场类型，覆盖全面些比较好。相关问题设计成阶梯式：Q1指向入门工具选择（对应主框架推荐），Q2针对策略研发痛点（衔接我的Python示例），Q3解决实际部署问题（呼应风险管理建议）。这样应该能形成完整学习路径。</think> 以下是对量化交易框架的系统介绍及入门指南，涵盖核心要素、主流工具和实战流程： --- ### 一、核心框架构成量化交易框架需包含五大模块： 1. **数据引擎** 获取市场数据（$$P_t = \{p_{open}, p_{high}, p_{low}, p_{close}\}$$） 2. **策略系统** 实现交易信号生成（如双均线策略：$$Signal = \begin{cases} \text{Buy} & \text{if } MA_5 > MA_{20} \\ \text{Sell} & \text{otherwise} \end{cases}$$） 3. **回测引擎** 历史数据验证策略收益率（计算$$\alpha = R_p - R_b$$） 4. **风控模块** 设置止损（$$\Delta L = p_{entry} \times \lambda_{risk}$$） 5. **执行系统** 连接券商API完成订单路由 --- ### 二、主流开源框架（Python生态） | 框架 | 特点 | 适用场景 | |------|------|----------| | **Backtrader** | 事件驱动架构<br>支持多时间帧回测 | 策略原型开发 | | **Zipline** | 量化鼻祖框架<br>自带历史数据源 | 美股/加密市场研究 | | **vn.py** | 支持国内期货/股票接口<br>实盘交易系统 | 中国本土市场实盘 | --- ### 三、基础使用流程（以Backtrader为例） ```python import backtrader as bt # 定义双均线策略 class SMAPair(bt.Strategy): params = (('fast', 5), ('slow', 20)) def __init__(self): self.fast_ma = bt.indicators.SMA(period=self.p.fast) self.slow_ma = bt.indicators.SMA(period=self.p.slow) def next(self): if self.fast_ma > self.slow_ma: self.buy() # 多头信号 elif self.fast_ma < self.slow_ma: self.sell() # 空头信号 # 回测执行 cerebro = bt.Cerebro() data = bt.feeds.YahooFinanceData(dataname='AAPL', fromdate=datetime(2020,1,1)) cerebro.adddata(data) cerebro.addstrategy(SMAPair) cerebro.run() cerebro.plot() # 可视化结果 ``` --- ### 四、关键学习资源 1. **入门必读** - 《量化交易：如何建立自己的算法交易事业》（Ernest Chan）[^1] - Backtrader官方文档：策略开发最佳实践 2. **数据处理技巧** - Pandas金融数据处理（处理OHLC数据$$V_{vol} = \frac{\sum volume_t}{N}$$） 3. **策略优化陷阱** 避免过拟合：使用Walk-Forward分析验证参数鲁棒性[^2] --- ### 五、风险警示 1. 回测≠实盘（需考虑滑点$$\Delta p = |p_{order} - p_{fill}|$$） 2. 保证金管理：仓位≤总资金的2% 3. 实时监控：设置异常熔断机制 > 案例：2021年Archegos基金因未实现风控模块导致百亿亏损[^3] ---