针对Quant的Python快速入门指南

作者：用Python的交易员 （原创文章，转载请注明出处）

最近有越来越多的朋友在知乎或者QQ上问我如何学习入门Python，就目前需求来看，我需要写这么一篇指南。

针对整个vn.py框架的学习，整体上有两条不同的路线：

• 有经验的Quant学习如何使用Python语言来做策略和交易程序的开发（编程语言是学习重点）
• 有经验的程序员学习如何将自己的编程知识和经验应用在量化研究和策略开发上（金融量化是学习重点）

我自己本身是金融工程硕士，毕业后也是从Quant入行，所以这篇指南主要针对的是第一条路线，欢迎社区里从第二条路线入行的朋友写写自己的经历。

以下内容建议按照顺序一步步走，不要跳步、不要偷懒，多敲代码、多做调试，英语不好的就当顺道提高阅读水平吧。

Learn Python The Hard Way

链接：http://learnpythonthehardway.org/book/

这套教程是我进入Python世界大门的敲门砖，一共50个Exercise包含了一个Python新手需要知道的所有基础：

• 如何搭建Python环境
• 变量、注释、运算符
• 输入、输出
• 函数
• 数据结构：字典、列表、集合
• OO：类和对象
• 控制语句：条件、循环
• Python的模块
• 构建一个小型项目
• 等等

学习方法很简单：照着Introduction章节中的要求，不用IDE只用编辑器（文中推荐的是Notepad++，个人觉得Sublime Text也不错），一行一行地敲代码，敲完后用最原始的方法来运行，根据Python解释器的异常输出来做调试。
50个Exercise全部完成后，你基本就掌握Python的运行和调试方法以及基础语法了。

利用Python进行数据分析

链接：亚马逊购买页面

这本书的作者Wes McKinney在美国著名的量化对冲基金AQR工作时开发了Python在数据分析领域的主要工具pandas。这本书最大的特点之一是作者用非常多的案例来介绍numpy、matplotlib、pandas和ipython在实践中的使用方法，读者实际操作过一次后立即就可以把相关的知识应用在自己其他相关的项目上。

网上有不少建议新手直接从某个库的用户手册开始学习，我个人不赞同这种方法。原因是大部分库的用户手册主要是介绍其API的使用方法，内容写得太过抽象，对于本来就没有太多经验的新手而言就跟死记硬背英文单词差不多，看了挺久后往往还不知道如何把代码系统化的整合起来解决自己的问题。

Python Cookbook

链接：京东购买页面

有了以上两段学习的基础后，可以把Cookbook这本著名的“烹饪秘籍”买了放在书橱里以备不时之需（没完成以上两段买了也是浪费看不懂）。既然叫秘籍，内容难度高是必然的，整本书根据用户要使用Python解决的具体问题来区分章节，请了每个领域中的大牛分享了一些经验和代码。

和前两本不同的是这本书的内容不用全部掌握，可以先大概扫一遍知道每章有什么内容，后面做开发遇到相应问题时再来翻书研究。另外这本书里很多技术属于Python的“奇技淫巧”级别，如果能全部掌握对于编程水平会有非常大的提高。

PyQt4入门（ZetCode）

链接：ZetCode

PyQt4是目前Python上最为主流的GUI开发库，底层运行的是C++开发的Qt代码，上层使用Python封装的API来实现调用，运行效率足以满足开发量化交易实时监控界面的需求。

对于Python新手而言，学习PyQt4除了开发GUI外，更重要的是吸收PyQt4代码中的面向对象（OO）的设计模式相关的知识。简单的量化策略可以用过程式编程的方法来实现（如轮询价格、突破100买、跌破90卖），但是对于复杂的量化策略（如期权波动率套利、跨多市场套利等）就需要使用OO的设计模式来解耦不同功能的模块（信号生成、委托下单、风险管理），提高整个代码的健壮性和可维护性。PyQt4的OO编程风格非常简洁和清爽，掌握后用在其他的项目开发上可以大幅提高程序的编码质量。
另外推荐这本书给想要更深入学习PyQt4的朋友：Introduction to Python Programming and Developing GUI Applications with PyQT

QuantStart

链接：https://www.quantstart.com/

应该是目前全球Python量化交易领域访问量最大和内容最丰富的网站，不加之一是因为据我所知还没有更大的，而且我还喜欢经常在网上找Python量化的资料，应该算得上经验丰富。
QuantStart上的内容整体难度较高，都是直接使用Python来处理量化交易项目的知识经验和代码实例，没有老老实实学完前几个部分大概率是会看得云里雾里。
总结下网站文章的大体分类：

• 买方（P宗）：
  算法交易
• 统计建模和机器学习
• 量化策略研究
• 时间序列建模