低門檻搭建個人量化平臺 - 欄主的話
金融交易是賭場還是科學？交易市場中超額收益可能嗎？金融服從於怎樣的規律？怎樣看待金融市場中的黑天鵝和小機率事件？技術分析派不懈努力靠什麼盈利？當代人工智慧、量化分析工具、量化交易值得信賴嗎？
對許多初入量化的朋友，希望有一個低門檻量化分析的平臺。一方面，自己能不斷循序漸進地、入門瞭解市場變化與學習量化分析的方法，另一方透過完全開源自主化的個性設計、配置和改進，來驗證自己的一些想法和策略。
一、本專欄導讀綱要
為方便閱讀，現將本專欄的閱讀綱要和索引介紹如下。
1、前言部分
為什麼要做量化交易系統？
低門檻量化平臺幾個關鍵點，個人獨立開發完成一個量化系統可行嗎？
幾點特別說明
見 阿島格：低門檻搭建個人量化平臺 — 第一天：前言
之後是6天大致瞭解預備工作、
搭建過程
及
核心步驟
；之後為文章
詳解內容
。
2、六天瞭解基本過程
阿島格：低門檻搭建個人量化平臺 — 第一天：前言和預備工作
阿島格：低門檻搭建個人量化平臺 — 第二天：基礎框架
阿島格：低門檻搭建個人量化平臺 — 第三天：基礎配置
阿島格：低門檻搭建個人量化平臺 — 第四天：實時資料
阿島格：低門檻搭建個人量化平臺 — 第五天：自定義功能
阿島格：低門檻搭建個人量化平臺 — 第六天：總結再出發
3、
詳解內容
（1）
預備工作
搭建平臺的準備工作：包括Python環境、Web框架、以及資料庫的搭建。
Python環境及Web框架，包括Python Flask（作為Web服務的框架）、Eclipse+Pydev的安裝等。
資料庫（MySQL、MongoDB）在Windows/Ubuntu環境的搭建見詳解2，也包括常用資料庫客戶端軟體的安裝和使用。
詳解3介紹怎樣獲取實時行情資料，包括第三方免費介面（包括AlgoPlus，Pytdx，Jqdatasdk，AKS hare，Tushare）獲取資料的方法和基本功能使用。
（2）詳解搭建過程
整體搭建過程包括詳解4到詳解8。
基於TradingView的基礎框架和配置見詳解4。該章也包括平臺框架與資料來源的連線方法。在本章開始部分，介紹了簡單的幾種主介面K線圖的畫法，然後詳細介紹了圖示庫Charting Library的配置方法及其基礎API 的應用方法。
自定義技術指標和引數見詳解5。包括透過TradingView 自定義指標的方法、基於TA-Lib和QuantLib的安裝方法，以及定計算技術指標的簡單案例。
圖表、日誌、分析的儲存和載入見第6章。使用者不僅可以在自己的量化平臺上修改K線圖形及各式設定，在圖表上顯示一些自定義資料或指標，而且還可以個性化定製內容，如自定義預警功能等。
第7章介紹平臺怎樣實現交易跟蹤和覆盤分析，以及模擬回測，包括怎樣將交易記錄在K線上，進行交易追蹤和模擬回測。
詳解8結合平臺實際操作，介紹怎樣開始新聞事件追蹤和日誌管理；以及進行日常走勢形態追蹤分析；怎樣基於TA-Lib及TradingView工具，進行量化策略分析及回測。
專欄2（基於人工智慧的量化投資）是下一步工作介紹
專欄3（人工智慧和量化投資）是量化投資相關框架及其他介紹材料。
（3）詳解目錄
預備工作——資料庫：1。 詳解低門檻搭建個人量化平臺- 資料庫
python環境及Web框架：2。 詳解低門檻搭建個人量化平臺- python環境及Web框架
實時行情資料：3。 詳解低門檻搭建個人量化平臺- 實時行情資料
基礎框架和配置：阿島格：4。 詳解低門檻搭建個人量化平臺- 基礎框架
自定義技術指標：阿島格：5。 詳解低門檻搭建個人量化平臺- 自定義技術指標
儲存及自定義預警功能：阿島格：6。 詳解低門檻搭建個人量化平臺- 儲存及自定義預警功能
交易跟蹤和模擬回測：阿島格：7。 詳解低門檻搭建個人量化平臺 - 交易跟蹤和模擬回測
訊息追蹤、日誌管理
、
形態分析
、
歷史波動
、
簡單策略案例
等。阿島格：8。 詳解低門檻搭建個人量化平臺 - 訊息追蹤及日誌管理（1）、品種關聯及板塊聚類（2）、 形態分析（3）、歷史波動（4）、簡單策略案例（5）
4、番外
（番外）阿島格：（番外）關於金融交易的底層邏輯和個人機會
（番外）阿島格：當前國內的程式化交易量化交易，有哪些好的框架和工具？
二、演示影片及網站
1、演示影片
（影片） 阿島格：低門檻搭建你的個人量化平臺-演示
（影片） 阿島格：打造個人的量化平臺（期權）
2、網頁演示版本
http：//
adog。net。cn/news
（注意是http， 不是https）
http：//
120。48。5。78：9095/
參考：
本人自己現在用Google的tensorflow。作者是先從scikit-learn， theano，keras，到tensorflow的。現在看來有點走彎路，實際上可以從python，直接到tensorflow或pytorch，不清楚的再回看scikit-learn，感覺這樣的學習路徑更高效些。
