python量化交易编程案例(python编写量化交易程序)

自学3年Python的我成了数据分析师，总结成一张思维导图

大家好，我是一名普通毕业生，现就职于某互联网公司。之前很多同学问我“ 为什么自学3年Python，最后却成为了数据分析师 ？”

首先肯定是数据分析师的前景和薪资条件，打动了我

下面是我的学习之路，附带一些必备学习的资料，可以 免费领取 ，相信感兴趣的你看完也可以找到自己的方向。

众所周知：Python是当今最火的编程语言之一，各大招聘网站上都会要求求职者会这门语言，并且它很容易上手，业务面宽泛，像Web网页工程师、网络爬虫工程师、自动化运维、自动化测试、 游戏 开发、数据分析、AI等等。

我们首先明确一个大的方向，知道自己以后要做什么。因为我是统计学专业，所以我会选择从事数据分析行业，那么 用Python做数据分析成了一个最佳选择 。

要想使用Python做数据分析，首先就应该知道“ 数据分析的流程是怎样的？ ”

我这次特地总结了一张 思维导图 给大家，点击放大看更清楚哦。

（点击查看高清大图）

基于此，我这里将我以前学习过程中用过的电子书（技能类、统计类、业务类），还有相关视频免费分享给大家，省去了你们挑选视频的时间，也希望能够对你们的学习有所帮助。

PS：我总结的资料有点多哦，差不多有4G，大家一定要给你的百度云盘空出位置来哦！

如果遇到一些环境配置，还有一些错误异常等bug，资料就显得不太够用，这时就需要找到老师，给我们特别讲解。

或者是想 快速学习 数据分析领域知识，不妨先找一找 直播课 看看， 了解当下最贴合实际的学习思路，确定自己的方向。

Day1 20:00量化交易入门：

用Python做股票指标分析和买卖时机选择

场景工具：Python工具分解RSI指标流程处理: 业务场景分析建模和可视化学习成果：使用RSI指标模型做买卖点搜索、交易回溯实战案例：分析A股数据模型，制定投资策略

Day2 20:00职场晋升必备：

制作酷炫报表，4步带你学习数据可视化

场景工具：用Tableau学习如何管理数据流程处理: 利用业务拆解找到数据指标、进行数据可视化学习成果：高效的对数据驱动型业务作出精准决策实战案例：利用可视化工具构建 旅游 客流量趋势地图

Day3 20:00量化交易进阶：

0基础用Python搭建量化分析平台

场景工具：利用pandas工具分解KDJ指标构成流程处理: 交易数据爬取，业务场景分析建模和可视化分析结果：用KDJ指标模型对比特币行情买卖点搜索交易回溯实战项目：掌握根据数据指数和分析工具寻找虚拟货币买卖原理

他们 每周都会定期分享 一些 干货 供大家学习参考，对学习很有帮助。

（深度学习DeepLearning.ai实验室认证）

（微软/甲骨文/Cloudera等公司颁发的数据分析证书）

4步学会数据可视化，办公效率提高三倍

（更多精彩内容 等你解锁）

Python量化教程：不得不学的K线图「代码复制可用」

不管是对量化分析师还是普通的投资者来说，K线图（蜡烛图）都是一种很经典、很重要的工具。在K线图中，它会绘制每天的最高价、最低价、开盘价和收盘价，这对于我们理解股票的趋势以及每天的多空对比很有帮助。

一般来说，我们会从各大券商平台获取K线图，但是这种情况下获得的K线图往往不能灵活调整，也不能适应复杂多变的生产需求。因此我们有必要学习一下如何使用Python绘制K线图。

需要说明的是，这里mpl_finance是原来的matplotlib.finance，但是现在独立出来了（而且好像没什么人维护更新了），我们将会使用它提供的方法来绘制K线图；tushare是用来在线获取股票数据的库；matplotlib.ticker中有个FuncFormatter()方法可以帮助我们调整坐标轴；matplotlib.pylab.date2num可以帮助我们将日期数据进行必要的转化。

我们以上证综指18年9月份以来的行情为例。

我们先使用mpl_finance绘制一下，看看是否一切正常。

可以看到，所有的节假日包括周末，在这里都会显示为空白，这对于我们图形的连续性非常不友好，因此我们要解决掉他们。

可以看到，空白问题完美解决，这里我们解释一下。由于matplotlib会将日期数据理解为 连续数据 ，而连续数据之间的间距是有意义的，所以非交易日即使没有数据，在坐标轴上还是会体现出来。连续多少个非交易日，在坐标轴上就对应了多少个小格子，但这些小格子上方并没有相应的蜡烛图。

明白了它的原理，我们就可以对症下药了。我们可以给横坐标（日期）传入连续的、固定间距的数据，先保证K线图的绘制是连续的；然后生成一个保存有正确日期数据的列表，接下来，我们根据坐标轴上的数据去取对应的正确的日期，并替换为坐标轴上的标签即可。

上边format_date函数就是这个作用。由于前边我们给dates列生成了从0开始的序列连续数据，因此我们可以直接把它当作索引，从真正的日期列表里去取对应的数据。在这里我们要使用matplotlib.ticker.FuncFormattter()方法，它允许我们指定一个格式化坐标轴标签的函数，在这个函数里，我们需要接受坐标轴的值以及位置，并返回自定义的标签。

你学会了吗？

当然，一个完整的K线图到这里并没有结束，后边我们会考虑加入均线、成交量等元素，感兴趣的同学欢迎关注哦！

python开发EA外汇交易怎么开发

1.首先，你要有一个EA，必须要有以ex4为扩展名的，如果只有mq4文件的话，就要用MetaTrader自带的编辑器MetaEditor打开，将mq4通过编译(compile)并且要不出现错误，才能在原存放mq4的文件夹下面得到一个同名的ex4文件。

2.将这个ex4文件复制到MetaTrader 4所在的文件夹下面的experts文件夹下，比如：D:\Program Files\ACTC MetaTrader 4\experts，关闭并重新打开MetaTrader 4。

3.在“导航”下面的“智能交易系统”下面右键点击你想要使用的EA。

拓展资料：

1、 对于想要在 mt5+python 发展 ea 的交易者，最大会立即遇到的困难是，mt5 现在还没有提供 python 可以调用 mt5 backtest 的接口，也就是在 python 上开发 ea 是无法在 mt5 上作复盘测试的，只能另外再找 python 的第三方 backtest 库再多写接口来达成。 复盘不是只有验证策略的有效性，也扮演调试策略参数的重要工作，所以复盘对于开发 ea 是相当重要的环节。

2、另外在执行速度上，mt5+python ea 的速度自然是无法和纯在 mt5 开发的 ea 相比，这个是实际执行压力测试后得到的结论。因为 mt5+python ea 在调用当前价格和 K 线数据作为信号计算，和调用交易记录，需要透过 mt5 python 官方库与 mt5 建立在本地的一个加密的 socket 连接来作，读写速度自然是比不过 mt5 ea 直接从 mt5 内存读取行情数据和订单信息。虽然 python 是脚本编程语言，与其他编译型的编程语言程序比自然是不快，但是对于 ea 的应用，这样的慢是不太感受的到，可以直接感受到与相同 mt5 ea 的慢，主要是慢在与 mt5 间的大量数据传送和 io 读写差异上，尤其是连续调用行情数据比较多时，这样的速度差异就相当明显了。

3、这还是有优化方式的，可以仿 mql5 指标对于初始和后续的行情读取，采取精简量的读取方式。 既然有这些缺点，在 mt5 开发 python ea 还是在有些领域有不可替代的优点，所以 metaquotes 才会在 2020 年最终还是把 python 接口和函数库提供出来。因为现在许多衍生性交易平台都已经具备了 python api，而经过这些年，python 已经成为量化交易程序最有人气的编程语言，这也让许多交易团队在建构量化交易的环境，会优先考虑 python。 另外在人工智能的量化交易，python 的机器学习和统计数组处理的第三方库大概是最丰富的编程语言。对于交易策略里有用到 tensorflow 这类机器学习库，使用 python 来开发自动交易程序是最佳的选择。 mt5 或是 mt4 ea 受限于当时 metaquotes 自定的限制，只能作单线程运行，当同时触发事件函数如 OnTimer OnTick OnChartEvent，mt5 底层会作互斥锁限制一个线程运行。

操作环境： 浏览器 电脑端：macbookpro mos14打开goole版本 92.0.4515.131