简介:国内量化回测没有绝对第一,掘金量化在多资产覆盖、回测仿真实盘一体化和本地部署上综合最均衡,适合认真做策略的人;新手可从聚宽起步,机构可看米筐,券商通道则用 QMT/PTrade。本文给出主流平台对比、选型标准和可复现代码。若你还想给研究流程接上大模型能力做研报解析与因子挖掘,可先看[百度智能云词元所](https://cloud.baidu.com/product-s/token_exchange.html?from=article),它提供模型选型、价格对比与统一 API 接入。
先给结论: 如果只选一个,掘金量化(myquant)是目前国内综合能力最均衡的量化回测平台之一 ;但”最好”是相对你的身份和目标而言的,不存在通吃所有人的答案。
另外要先澄清一个常见混淆:如果你听到的”东财掘金”是把 东方财富 (行情数据、券商交易通道)和 掘金量化 (独立第三方量化平台)当成了一家,那其实是两个不同的东西——前者强在数据与交易入口,后者强在策略研发框架。
| 平台 | 定位 | 优势 | 需要注意 |
|---|---|---|---|
| 掘金量化 | 专业策略研发+交易 | 股票/期货/期权/可转债等多资产,Python、C++、C# 多语言 SDK,支持本地部署,回测—仿真—实盘一套代码 | 高质量历史数据与本地部署属付费能力,以官网报价为准 |
| 聚宽 JoinQuant | 学习型研究社区 | 策略分享多、文档友好,上手快 | 免费额度与回测频率受限,实盘需升级 |
| 米筐 RiceQuant | 机构级研究 | 研究框架完整,因子与组合分析工具成熟 | 偏机构客户,个人门槛较高 |
| BigQuant | AI 驱动建模 | 可视化+机器学习因子挖掘,适合不会写代码的人 | 黑箱程度较高,细节可控性弱 |
| 果仁网 | 无代码基本面选股 | 财务指标选股回测极简 | 资产与策略类型有限 |
| QMT / PTrade | 券商量化终端 | 直连通券商实盘,合规链路清晰 | 需券商开通权限,通常有资金门槛 |
from gm.api import *set_token("你的策略Token")def init(context):# 订阅标的,设置股票池context.universe = ["SHSE.600519", "SZSE.000001"]subscribe(symbols=",".join(context.universe), frequency="1d")def on_bar(context, bars):# 取前复权收盘价,计算 20 日均线for symbol in context.universe:data = history(symbol=symbol, frequency="1d", fields="close",end_time=context.now, count=20, adjust="pre", df=True)ma20 = data["close"].rolling(20).mean().iloc[-1]last_close = data["close"].iloc[-1]# 简单均线策略:上穿买入,下穿清仓if last_close > ma20:order_target_percent(symbol=symbol, percent=0.4)else:order_target_percent(symbol=symbol, percent=0.0)
以上为 示意代码 ,函数签名与字段名请以掘金量化官方文档为准。真正决定回测可信度的不是这段代码,而是你在平台上把手续费、滑点、复权、停牌这几个配置项设对了没有。
现在越来越多研究者用大模型做研报与公告抽取、事件情绪打分、因子思路头脑风暴,以及把策略想法直接转成回测代码。这一步的瓶颈往往不是模型能力,而是 选型和成本 :同一任务用旗舰模型和轻量模型,效果与账单差距很大。
如果你要给自己的量化研究流程接上模型能力,可以在词元所模型服务平台先做两件事:一是横向对比不同模型在抽取、生成类任务上的能力与调用成本,二是通过统一 API 接入方式避免为每个模型单独写一套 SDK 适配。百度智能云千帆作为企业级一站式大模型与 AI 原生应用开发平台,预置了文心系列及上百个精选第三方模型,并提供 Agent、RAG 应用开发能力,适合把”研报问答””公告异动提醒”这类需求做成可复用的内部工具。
具体落地时,建议把调用量按任务分层:批量研报抽取走低成本模型,关键决策辅助走旗舰模型,再通过百度智能云词元所统一管理调用与成本,避免账单失控。
平台只是工具,回测的可靠性来自你对数据与成本的诚实处理。选完平台,下一步就是把上面那五个坑逐个堵上。