量化策略开发第一步：数据源
开发量化策略的第一个重要环节：如何获取数据？
开发量化策略所需要的数据，包括历史数据和实时数据。特别指出，我们只介绍免费的数据源，以帮助大家降低成本。
先从股票开始，股票的历史数据，我们可以借用三方平台回测（例如优矿、聚宽、米筐等），相当于借用了平台的历史数据，但平台历史数据有一个问题：往往不能将全量数据下载到本地。想要自己搭建股票回测框架的话，推荐用tushare的数据，如果你是学生，tushare是可以免费使用的；而如果你有写blog的习惯，也可以写一些tushare相关的技术文，向tushare申请免费的积分以获取数据权限。
一个tushare获取数据的小栗子
对于实时数据，目前新浪财经、腾讯股票可以通过爬虫抓取实时数据，我们曾分享过如何通过新浪财经，以及Easyquotation（包含新浪、腾讯财经接口）获取数据的文章，传送门：
实时获取股票数据，免费！——Python爬虫Sina Stock实战
股票数据爬虫：进阶免费、开源的股票爬虫Python库，亲测真香
然后再看期货，期货数据根据数据周期可以分为K线数据和tick数据。期货的三方平台例如tbquant，提供了tbpy的接口。我们可以通过Python将平台提供的全量历史k线数据下载到本地，来进行本地的回测，可以说是极为友好了。此外，比如tqsdk（快期天勤的Py接口），以及上文提到过的tushare，也能提供期货的k线的历史数据接口。
对于高频策略需要用到的tick数据，就只能通过自编软件来收集了，目前我们没有看到三方平台或数据商有这一类免费的数据源提供。期货的实时数据，由于有ctp api这个完全免费、高度成熟的期货接口，任何人都可以通过这个接口接收交易所推送的标准行情数据，与此同时，我们可以配合mysql或mongodb，将数据落地，就形成了本地的tick级数据回测来源。
tick数据落地范例
最后是数字货币，数字货币的历史k线数据，可以通过cryptodatadownload网站获取到。而tick数据，和期货一样，全量的数据，只能通过自编代码收集。好在所有的主流数字货币交易所，都提供了api的接口，与期货所不同的是，数字货币的api接口，不仅有websocket的实时行情推送，还可以通过rest api去查询一定时间范围内的历史数据，可以将其落地，作为回测所需数据。关于数字货币历史数据的收集，我们也曾经分享过实用的操作文章，传送门
如何获取免费的数字货币历史数据
量化策略开发第二步：回测平台
开发量化策略的第二个重要环节：选择合适的回测平台/框架
量化策略的回测，我们既可以借助成熟的三方平台，也可以用例如Python等语言自行编写搭建回测框架。
先说三方平台，股票回测的三方平台，以聚宽、优矿、米筐这3个最常见，这3个平台都是Python API的结构，并且有完善的测试结果的可视化工具。
对于期货的回测，K线策略同样可以借助4大三方平台：tbquant、文华财经、金字塔、multicharts来实现，如果对于Python比较熟悉，也可以选择天勤的tqsdk或者vn.py来回测，其中vn.py需自行对接历史数据。
最后是数字货币，数字货币最出名的三方平台是FMZ，FMZ对回测来说是相对比较友好的，支持Python、JS、以及类似文华财经的易语言，但不建议用FMZ进行实盘，机器人托管费用实在是太高。除了FMZ，对于逻辑相对简单的K线策略，我们也可以采用TradingView来进行测试，TradingView可以理解为是网页版本的文华财经。TradingView的内置语言也比较简单，适合初学者。TradingView回测数字货币策略，可以参考
三方回测平台的优势与劣势
然后，我们来分析一下三方平台的优势、劣势。首先是优势，第一点，三方平台把回测的基础框架都搭建好了，用户只需要专注最核心的策略逻辑部分，而不需要关注其他的底层；第二点，三方平台往往回测和实盘代码是同一套，回测、实盘的逻辑由三方平台自建的底层代码来做切换，给予用户编程最大程度的方便。
说完优势，我们再来看一下劣势，第一，三方平台封装好了底层，是一个双刃剑，在提供编程便利的同时，也把底层变成了黑盒，有些指标计算、开平仓价格的细节，无法通过代码去定位是否有潜在错误，导致回测结果变得不十分可信。代码控制的不好，很容易产生未来数据或偷价格等错误，导致回测出上帝视角的策略效果。第二，三方平台的回测速度，往往不如自编更快，因为三方平台需要兼顾许许多多客户的不同需求，增加越多通用性的功能，往往意味着性能上的妥协。第三，使用三方平台会产生一定的费用，例如需要购买历史数据、服务器磁盘空间、实盘权限等等（毕竟免费的三方回测，也不是做雷锋，总有其需要变现之处）。
总结一下，如果有一定的Python编写能力，或是对于策略的回测精度细节要求很高，基本上只能自己搭建框架来回测；而如果测试一些通用的策略，且编程是刚刚上手的，那么三方平台能尽快地帮助你去实现一些想法，并验证这些想法在历史上是否可行，以及是否有应用到实盘的价值。
我们在此前的直播中，分别分享了基于K线策略的自编Python回测框架，以及基于横截面策略的自编Python回测框架，感兴趣的朋友可以参考
【系列培训第三讲】魔改经典策略：变种肯特纳通道策略（完整录播版）
量化策略开发第三步：实盘平台
开发量化策略的第三个重要环节：选择合适的实盘平台/API
首先是股票，股票目前监管较为严格，比较有名的像XTP，接入门槛在300万-500万起步；此外，市面上有一些类似外挂的接口，极不稳定，实盘请注意风险，不建议大资金使用，上述接口都是基于C++语言的。也有部分“科学家”用Python开发了类似按键精灵功能的伪接口，不算是完善的接口，实盘同样需要注意风险。
再说期货，期货入门门槛最低的是4大三方平台：tbquant、文华财经、金字塔、multicharts，这4个平台采用编程极为友好的easylanguage，建议编程初学者使用，但有需要支付额外手续费、速度慢等缺点；再难一点的是vn.py，开源的python平台，对于熟悉python的同学比较友好；然后更为复杂的就是C++ API了，大家用的最多的是ctp，速度更快的还有ctp mini、盛立、艾克朗科、恒生等。对于平台的选择，如果做的是中低频的策略，优选4大平台或vn.py，但如果做高频策略，C++是必须配置，ctp是起步要求，如果策略对于速度要求更高的话，选用盛立等以FPGA作为底层的平台更合适。FPGA为底层的交易系统（下图是一个典型的FPGA通路），可以将交易系统的响应速度提升到极致。
最后是数字货币，数字货币的三方平台都需要收取不菲的手续费，不建议大家使用。几乎所有数字货币交易所都提供了免费接口，而接口中Python又是最通用的语言。如果大家需要交易数字货币的策略，建议直接接入交易所的Python API，或借助三方Python库CCXT来接入。CCXT接入数字货币交易所可以参考传送门
对于数字货币来说，不论是中低频还是高频策略，物理位置的延迟都远远大于语言的延迟，所以不像期货那样一定要用C++语言。举个例子，比如做火币和BitMex之间的套利，一个服务器在日本，另一个在欧洲，传输的物理时间是主要延迟，语言的延迟与物理时间的延迟，不在一个量级。因此，Python作为一个数字货币交易所通用型接口支持的语言，具有开发相对便捷、扩展性高的优势，是适合作为数字货币交易系统的实盘开发语言的。