有一些三方量化平台，这些平台一般都会提供基础的数据、研究、回测系统、有些还与一些券商进行深度合作，提供了量化模型的实盘接入的可能性。
在这些平台开发者帮助文档的介绍里，他们会公开使用的相关数据的API调用方式，还有一些简易可用的封装好的策略模型，里面有详细注释的策略代码，对新手小白来说十分友好。而且很多的平台还会有相应的视频课件，或者直播课程，来教会大家以最快的速度熟悉并使用所在的平台，开发自己的投资研究分析系统。当然这些平台大体的架构是比较死板的，不太灵活，而且在回测速度，策略内容保密性上还有待加强。
如果是自己想在本地搞一套专属于自己，更适合自己的量化投资研究系统，那么需要你需要先确定：
一、解决数据来源的问题
当然数据最初的来源就是交易所，量化交易的场内交易数据集，其实就是一帐本，只不过采用电子化记帐的方式，有心的机构将这些数据收集加工处理，并在取得授权的资质条件下进行分发，用作历史行情展示，量化交易计算研究等等。
数据服务商就是这类机构，大型的机构的数据分发质量有所保证，但收费不便宜。好在会提供学生版本或试用版本,这类机构有wind，choice，通联数据等，最近几年因为量化爆火之后，发展起来的，比如Tushrare,JData(聚宽的产品)等等。当然新浪与和讯股票等等老财经门户网站也是可以采用（BA）的，不过需要注意职业操守，网易有听说提供了数据的下载服务，那么历史行情的部份就完美解决了。还有很多适合自己策略的特色数据，就需要开发者自己大开脑洞，进行获取了。
二、确定数据种类与本地化存储的问题
在交易所分发出来的数据，按数据精细程度将行情服务划分为?Level1和Level2?两种服务（自己百科交易所数据服务种类），对我们做量化交易研究者来说，数据的种类最好整齐备，以股票举例来说，除去一些股票的基本信息数据（比如股票代码、所属交易所、曾用名、发行时间等等）以外，还要包含行情数据，财务数据等。
三、搭建回测系统
包含数据可视化的界面，开发者需要深度准确的撰写各类统计指标计算公式。目的就是为了建立一套策略好坏的客观评价体系，为模拟盘或者实盘做准备。
搭建一个回测框架，是我们检验自己开发研究的交易模型是否可行的最小成本检验方式，除因为除去实盘验证，只有通过回测，才可以将一些人为认定为有效的“因子”扔进客观数据集内进行打磨、检验了。
回测框架其实有很多是开源的，新手入坑千万别想着自己闷头搞，浪费时间不说，很多重要的回测框架知识点，你完全可以通过借鉴别人而获得。需要注意的是，自写徒手撸回测框架，一定要至少包含三个部份，回测执行部份，回测报告输出部份，交易模拟部份。
四、针对所交易市场构建交易策略，撰写交易策略代码
这部份没什么可以说的，主要是通过代码调用股票或者期货市场的品种数据，在某个周期频率bar下，通过自定义的算法，或是模型所规定的运行规则，形成一完整交易信号，包含进场（交易开仓，调仓买入）、出场信号（交易平仓、止盈、止损）
五、进行回测，查看并输出样本报告，进行梯度研究分析
这一部份我主要讲一下，回测报各中会用到的的一些我觉得还比较有意义的统计指标，以及参照分析的原则与意义。
策略收益率：这部份没得说，必须参考，基金经理每年排名拼的也是有这个。
年化收益率：对收益率按照策略的运行时间，进行年化平均。
夏普比率：反应的每承提一个下行风险，可以获得多少个超额收益的部份，这个是一个综合性的参考指标，很多基金运作人士张口谈论的也就是这个指标。
最大回撤值/比率：反应的是极端风险发生时，的最大亏损部份
胜率：这里的一般用作为单笔交易开平的胜率统计用，对一些偏向较高交易频率的策略来说，是比较重要的参考
盈亏比：单一盈亏比一般不单独使用，需要结合交易频率的高低，还有胜率等指标结实合来判定，盈亏比可以反应出投资交易盈利下，所冒的风险。
收益风险比（收益回撤比）：这个也是一个用来衡量策略综合表现的指标之一，反映出策略控制风险与获得收益补偿的能力，可以结合最大回撤与年化收益率等指标，综合打分。
IC信息系数：在每一个横截面上的因子数值，与收益率之间的相关系数，反应出相关性强弱。
信息比率：单位风险下所带来的超额收益大小，比率高说明超额收益高。
其它指标等等。
六、对模型进行变量、参数固化，形成有效因子，形成可上线测试的模型
这部份推荐本地化进行，对计算机性能以及自己所开发运算结构的要求较高，还有策略本身的运算结构是否是冗余的，重复无关的，是否笨重占用较大计算机资源的。
还有自身的策略变量参数的寻找，是否是具备智能化处理的方式，不然自己每一个因子部份的参数确定，一大堆指标数据堆在你眼前，你还在手动人为肉眼寻找，我担心你内出血。炒个股交个易而已，为什么要把自己折腾如此。
参数的固化，有效因子的寻求这一系列的过程，在不断更换样本时间截面的做法背景下，我推荐适可而止，国内市场成立年份也有限，应该将自己的策略放在更小的交易周期、更近的交易时间维度上去进行计算，这样的样本数据才足够丰富，也会在实盘时更加有效。但应随时防止过拟合式的计算行为。
七、模拟盘测试
这部份，我不建议自己开发一套模拟交易所市场的仿真交易系统，可以采用一些三方平台的交易环境，只需要将信号给与他们即可，得到你们想要的实时结果即可。
八、实盘测试
这部份更多的是考虑你自己资金的实力，还有对策略保密性、还有策略内容是否需要更高级别的计算资源。
一般来说，我是推荐直接将策略在本地开发完成之后，使用券商自带的PB资管量化系统进行交易的，比如券商QMT迅投系列，恒生系列等等。
在这些平台开发者帮助文档的介绍里，他们会公开使用的相关数据的API调用方式，还有一些简易可用的封装好的策略模型，里面有详细注释的策略代码，对新手小白来说十分友好。而且很多的平台还会有相应的视频课件，或者直播课程，来教会大家以最快的速度熟悉并使用所在的平台，开发自己的投资研究分析系统。当然这些平台大体的架构是比较死板的，不太灵活，而且在回测速度，策略内容保密性上还有待加强。
如果是自己想在本地搞一套专属于自己，更适合自己的量化投资研究系统，那么需要你需要先确定：
一、解决数据来源的问题
当然数据最初的来源就是交易所，量化交易的场内交易数据集，其实就是一帐本，只不过采用电子化记帐的方式，有心的机构将这些数据收集加工处理，并在取得授权的资质条件下进行分发，用作历史行情展示，量化交易计算研究等等。
数据服务商就是这类机构，大型的机构的数据分发质量有所保证，但收费不便宜。好在会提供学生版本或试用版本,这类机构有wind，choice，通联数据等，最近几年因为量化爆火之后，发展起来的，比如Tushrare,JData(聚宽的产品)等等。当然新浪与和讯股票等等老财经门户网站也是可以采用（BA）的，不过需要注意职业操守，网易有听说提供了数据的下载服务，那么历史行情的部份就完美解决了。还有很多适合自己策略的特色数据，就需要开发者自己大开脑洞，进行获取了。
二、确定数据种类与本地化存储的问题
在交易所分发出来的数据，按数据精细程度将行情服务划分为?Level1和Level2?两种服务（自己百科交易所数据服务种类），对我们做量化交易研究者来说，数据的种类最好整齐备，以股票举例来说，除去一些股票的基本信息数据（比如股票代码、所属交易所、曾用名、发行时间等等）以外，还要包含行情数据，财务数据等。
三、搭建回测系统
包含数据可视化的界面，开发者需要深度准确的撰写各类统计指标计算公式。目的就是为了建立一套策略好坏的客观评价体系，为模拟盘或者实盘做准备。
搭建一个回测框架，是我们检验自己开发研究的交易模型是否可行的最小成本检验方式，除因为除去实盘验证，只有通过回测，才可以将一些人为认定为有效的“因子”扔进客观数据集内进行打磨、检验了。
回测框架其实有很多是开源的，新手入坑千万别想着自己闷头搞，浪费时间不说，很多重要的回测框架知识点，你完全可以通过借鉴别人而获得。需要注意的是，自写徒手撸回测框架，一定要至少包含三个部份，回测执行部份，回测报告输出部份，交易模拟部份。
四、针对所交易市场构建交易策略，撰写交易策略代码
这部份没什么可以说的，主要是通过代码调用股票或者期货市场的品种数据，在某个周期频率bar下，通过自定义的算法，或是模型所规定的运行规则，形成一完整交易信号，包含进场（交易开仓，调仓买入）、出场信号（交易平仓、止盈、止损）
五、进行回测，查看并输出样本报告，进行梯度研究分析
这一部份我主要讲一下，回测报各中会用到的的一些我觉得还比较有意义的统计指标，以及参照分析的原则与意义。
策略收益率：这部份没得说，必须参考，基金经理每年排名拼的也是有这个。
年化收益率：对收益率按照策略的运行时间，进行年化平均。
夏普比率：反应的每承提一个下行风险，可以获得多少个超额收益的部份，这个是一个综合性的参考指标，很多基金运作人士张口谈论的也就是这个指标。
最大回撤值/比率：反应的是极端风险发生时，的最大亏损部份
胜率：这里的一般用作为单笔交易开平的胜率统计用，对一些偏向较高交易频率的策略来说，是比较重要的参考
盈亏比：单一盈亏比一般不单独使用，需要结合交易频率的高低，还有胜率等指标结实合来判定，盈亏比可以反应出投资交易盈利下，所冒的风险。
收益风险比（收益回撤比）：这个也是一个用来衡量策略综合表现的指标之一，反映出策略控制风险与获得收益补偿的能力，可以结合最大回撤与年化收益率等指标，综合打分。
IC信息系数：在每一个横截面上的因子数值，与收益率之间的相关系数，反应出相关性强弱。
信息比率：单位风险下所带来的超额收益大小，比率高说明超额收益高。
其它指标等等。
六、对模型进行变量、参数固化，形成有效因子，形成可上线测试的模型
这部份推荐本地化进行，对计算机性能以及自己所开发运算结构的要求较高，还有策略本身的运算结构是否是冗余的，重复无关的，是否笨重占用较大计算机资源的。
还有自身的策略变量参数的寻找，是否是具备智能化处理的方式，不然自己每一个因子部份的参数确定，一大堆指标数据堆在你眼前，你还在手动人为肉眼寻找，我担心你内出血。炒个股交个易而已，为什么要把自己折腾如此。
参数的固化，有效因子的寻求这一系列的过程，在不断更换样本时间截面的做法背景下，我推荐适可而止，国内市场成立年份也有限，应该将自己的策略放在更小的交易周期、更近的交易时间维度上去进行计算，这样的样本数据才足够丰富，也会在实盘时更加有效。但应随时防止过拟合式的计算行为。
七、模拟盘测试
这部份，我不建议自己开发一套模拟交易所市场的仿真交易系统，可以采用一些三方平台的交易环境，只需要将信号给与他们即可，得到你们想要的实时结果即可。
八、实盘测试
这部份更多的是考虑你自己资金的实力，还有对策略保密性、还有策略内容是否需要更高级别的计算资源。
一般来说，我是推荐直接将策略在本地开发完成之后，使用券商自带的PB资管量化系统进行交易的，比如券商QMT迅投系列，恒生系列等等。
