量化投資代碼
A. 學習量化投資和程序化交易都要學習那方面的內容 謝謝了
計算機、數學、金融， 這三種知識 是必須的，其中計算機主要的是編程技術，數學涵蓋的比較多版，有統計、數學建模權等，金融方面需要有最基礎的金融知識（證券交易方面）。 再者就是找一個好的量化平台了，以前的都是程序員，也是寬客，自己寫代碼，寫軟體編寫平台，接入交易所進行量化交易，但是這樣需要有比較高的編程技術。由於底層協議比較復雜，往往很費力費時。不過現在有了很多 客戶端的軟體，網路的平台比如 BotVS 量化平台，這些都把底層很好的封裝，有統一的操作介面，量化學習者只用把精力放在 量化策略、模型、數據分析上了。大概就是這樣。
B. matlab做量化投資分析，怎麼學
做了2年半程序化，開發了一套適用多品種多周期的趨勢策略，靠自己摸索。
tb加matlab開發，很多問題答案網上是找不到的。
C. 做量化投資哪家收益高
我自己嘗試過好幾個平台，做下來感覺比特幣基金平台比較好，比特幣的支付領域更加廣泛讓比特幣更加有價值，牛市一定能賺很多錢，也可靠。
D. 量化投資 用python好 還是c++
Python是非常適合做quant類工作的語言，本身就是科學計算方面的統治級語言，現在加入了IPython，pandas等重量級神器，為Quant類工作量身定做，而且仍在飛速發展中，以後會越來越重要。
關於其他語言，首先介紹一下我自己最喜歡的一個比較小眾的組合，Mathematica+Java/Scala。 Mathematica的優點在於：本身提供函數式的編程語言，表達能力非常強大，比如Map/Rece是標配，很多時候不需要去做煩人的for循環或下標控制，排版經常可以直接照數學公式原樣輸入，即直觀又不容易寫錯；代碼和輸出混排的排版方式使得建模時的演算和推理過程非常流暢，甚至還可以直接生成動畫，對於找直觀理解非常有幫助（這幾點分別被IPython和R偷師了一部分）。Mathematica的缺點在於對金融類的時間序列數據沒有很好的內建支持，使得存儲和計算都會比較低效，因此需要用內嵌Java的方式來補足，對於數據格式或性能敏感的操作都可以用Java/Scala實現。這個組合在我心目中無出其右，不論是快速建模，還是建模轉生產，都遠遠領先於其他選擇。但Mathematica的商用授權很貴，如果公司本身不認可的話很難得到支持，這是最致命的缺陷。另外隨著Python系的逐漸成熟，領先優勢在逐漸縮小，長遠看Python的勢頭更好一些。
其他答案里也列舉了不少其他語言，我自己既做Quant的工作，也做軟體開發的工作，這里想從一個軟體工程師的角度，說說我的理解。平時工作中會和一些偏Quant背景的人合作，很容易發現建模能力好的人往往在計算機方面基礎比較薄弱（因為以前的訓練重點不在這里）。他們也可以快速學習掌握一種像C++，Java這樣的語言，實現很多必要的功能。但是一方面這些語言陡峭的學習曲線和繁瑣的開發步驟會給他們真正要做的工作增加不必要的負擔，另一方面一旦涉及到性能敏感的情景，他們對計算機體系結構缺乏理解的缺點就容易暴露，比如說很可能他們沒有計算復雜度，內存碎片，cache miss，甚至多線程等概念，導致寫出的程序存在相當大的隱患。
即使是計算機功底扎實，如果每天的工作需要在C++，Python，R/Matlab，甚至一眾腳本語言之前來回切換，思維負擔也會非常重，人的精力是有限的，很難同時兼顧數學建模和底層代碼調試這種差距巨大的工作。長期發展下去最可能的結果就是要麼遠離建模，專心做生產環境開發，要麼遠離生產環境，專心建模。這種局面顯然不論對個人還是團隊都是有很大弊端的。
如果深入思考這個問題，相信不難得出結論，對於Quant來說，C++這種相當面向機器的語言肯定不是最佳選擇。的確在歷史上，它比更面向機器的C已經友好了很多，但是在計算機技術飛速發展的今天，如果還需要Quant大量使用C++做建模類的工作顯然是很遺憾的事情。設想一下你拿到一份股票數據，不論你是想分析價格走勢，成交量分布，還是波動性，第一件要做的事一定是畫出圖來看看，有一個直觀認識。如果你的工具是C++，肯定有很多時間花在編譯，調試，再編譯的過程上，好容易能解析文件了，接下來怎麼算移動平均？怎麼算波動性？全都要自己寫代碼。再然後怎麼畫圖？這整個工作流簡直慘不忍睹，這些問題浪費掉你大部分精力，而他們全部和你真正感興趣的工作毫無關系。所以如果你是一個數理金融等背景的新人打算開始Quant生涯，在決定是否要投資到這項重量級技術上時需要慎重，即便它目前的市場定價可能仍在峰值。相比之下我認為Python會是更理想的選擇，即能很好的完成建模工作，也可以訓練一定的編程技巧，使你在必要時也能勝任一些簡單的C++工作。
最後同意 @袁浩瀚，不要拘泥於語言，不論學習那一種，對其他的語言還是要抱有開放的心態。另外世界變化很快，你會發現單一的語言分類方式其實是沒有意義的，每一門語言在發展過程中都會逐漸吸收其他語言的特性，比如Python本身就既有C/C++/Java那樣命令式的特點，也有函數式的特點，像pandas甚至還提供類似SQL的使用方式，在其他語言或系統里也都或多或少包含了不同的特點，可以在學習過程里慢慢體會。
E. 金融工程，量化投資學什麼軟體好Python還是Matlab
C++、VBA是首選，matlab、python等等次之
用過Matlab，在我的小本里，龜速，是在是忍受不了了，畢業之後就不用了。
後來用R和Python，組合來用。Python首先是通用語言，當你有一個想法要表達的時候，如果你對各種各樣的庫不熟悉（得花好多時間去學啊，工作那麼忙，我是做金融的，不是專業的程序員），這時候用Python是最容易實現的。
Python的基本數據結構列表和字典，功能非常強大，基本上能夠滿足數據表示的需求。
F. 什麼是量化投資怎麼理解量化
私募排排網為您解答：
量化投資，簡單說就是利用計算機技術和數學模型去專實現投資策略的過程。根據上屬面的定義，理解它的話，咱們只要記住3個關鍵詞：
數學模型：需要數學公式或模型進行計算;
計算機技術：用計算機來進行自動化交易;
投資策略：將這種方法形成一種慣用投資策略。
G. 什麼叫量化數據和類別數據
量化數據是將一些不具體，模糊的因素用具體的數據來表示，以一定范圍內線性變換的數據反映自然界或社會的狀態，從而達到分析比較的目的。
類別數據是按照現象的某種屬性對其進行分類或分組而得到的反映事物類型的數據，又稱定類數據。
雖然量化分析可以幫助更加方便和直觀地衡量風險和收益，但需要強調指出的是，美國華爾街頂級量化金融大師、哥倫比亞大學著名教授伊曼紐爾·德曼，在《數學建模如何誘騙了華爾街》一文中，毫無忌諱地承認：根本不可能（通過數理分析方法）發明出一個能夠預測股票價格將會如何變化的模型；如果我們相信人類行為可完全遵守數學法則，從而把有著諸多限制的模型與理論相混淆的話，其結果肯定會是一場災難。
(7)量化投資代碼擴展閱讀：
股市的可預測性問題與有效市場假說密切相關。如果有效市場理論或有效市場假說成立，股票價格充分反映了所有相關的信息，價格變化服從隨機遊走，股票價格的預測則毫無意義。
眾多的研究發現我國股市的指數收益中，存在經典線性相關之外的非線性相關，從而拒絕了隨機遊走的假設，指出股價的波動不是完全隨機的，它貌似隨機、雜亂，但在其復雜表面的背後，卻隱藏著確定性的機制，因此存在可預測成分。
股指期貨套利是指利用股指期貨市場存在的不合理價格，同時參與股指期貨與股票現貨市場交易，或者同時進行不同期限，不同(但相近)類別股票指數合約交易，以賺取差價的行為，股指期貨套利主要分為期現套利和跨期套利兩種。股指期貨套利的研究主要包括現貨構建、套利定價、保證金管理、沖擊成本、成分股調整等內容。
H. 完全不懂金融，想學習量化投資需要學習哪些金融科目
我個人認為學習復量化投資在金制融方面需要具備兩個方面的知識：
1、首先是要了解金融市場與金融產品，只有這樣才能在眾多市場與標的中選擇合適的來構建投資組合，這一方面需要了解的基礎知識有：金融市場與金融機構、投資學、金融衍生品等等；
2、其次是需要了解如何量化，相信你應該有足夠的IT背景，編程沒啥問題，其次的話就是要了解數理來溝通金融產品選擇與編程落地，需要了解的科目有：概率論、統計學、計量經濟學、金融經濟學、數理金融等。
I. 量化投資用什麼編程語言研發策略好呢
么以下我就以程序語言的角度來回答
當然如果已經會了某些語言,那你可以使用熟悉的專語言去找網上的學習資屬源會比較快
如果沒有特別熟悉的語言,或者是願意多學一種非常好用的語言
我的建議是學習Python
我從以下幾點來分別說明
平台資源
國內外使用Python做雲端回測以及運算的免費平台相當的多,例如有 寬客在線，發明者量化，優礦, 等等不勝枚舉,可以使用平台的支持以及社區的互相幫助來學習
容易學習
綜合以上所說,"目前的環境底下" 我推薦Python.（推薦直接下載 Anaconda的集成開發環境）
J. 股票量化是什麼
量化交易是指以來先進自的數學模型替代人為的主觀判斷，利用計算機技術從龐大的歷史數據中海選能帶來超額收益的多種「大概率」事件以制定策略，極大地減少了投資者情緒波動的影響，避免在市場極度狂熱或悲觀的情況下作出非理性的投資決策。