之前我们讨论了量化策略中获取数据的方式，那我们做策略，应该选择什么样的平台进行策略开发和回测。

首先我们想一个问题，为什么使用量化平台。

1.首先量化平台集成了众多的数据接口，不用我们自己到处找数据了。

2. 编写策略方便，不用每一个函数都自己定义，只需要专注于策略就好，非常适合新人快速上手。

3. 可以根据当时实际情况进行撮合交易，复现真实的交易场景。

4. 无论做策略还是回测都非常方便，可以进行快速复盘，看看自己的策略有什么地方可以优化。

那下面我们就来讨论下常用的量化平台有哪些。

1. 聚宽（JoinQuant）

目前我本人做策略使用最多的一个平台，生态成熟，适合策略研究与回测。

优点：

数据覆盖全面（A股、期货、基金、宏观数据等），支持本地调用，历史数据可以回溯到2005年。

数据准确性高，覆盖全面，适合策略研究。

社区功能完善，学习成本低，用户基数大（4500+机构），论坛活跃，大量免费的策略可以学习。

回测功能稳定，支持历史任意时点回测（避免未来函数）。

提供归因分析、积分兑换功能模块，API文档清晰，适合Python开发者。

劣势：

实盘交易功能受限（2023年末终止与券商合作）。

部分数据需要付费，免费数据基本上满足大部分策略开发。

2. 掘金量化（MyQuant）

掘金也是我之前使用较多的回测平台之一。

优点：

回测、仿真、实盘交易一体化。多语言支持(python/C++/C#/Matlab)，灵活性强

提供实时行情、历史数据（A股、期货、可转债、指数）及基本面数据。

回测引擎性能优秀，支持高频率策略（分钟级至Tick级）。

实盘支持 ：支持对接券商API，支持股票、期货、可转债等多品种交易。

交易接口集成度高，一站式完成策略部署。

缺点：

数据免费覆盖范围小（如历史Tick和分钟数据需付费）。

数据维度不如聚宽全。

社区活跃度较聚宽低，文档和教程相对分散，学习资料也没有聚宽那么丰富。

3. Bigquant

定位：AI驱动型平台，主打可视化策略开发。

技术能力 ：拖拽式模块构建策略，内置海量数据与算法模型。

数据覆盖 ：A股、期货等基础数据，侧重AI功能。

优点：

零编程门槛，适合AI策略探索。

智能选股引擎可生成预期收益模型。

缺点：

可视化逻辑复杂，策略灵活度低。

非AI用户功能有限，付费环节多（体验受限）。

4. 果仁网

定位：非编程回测平台，面向A股/ETF新手。

技术能力 ：无需编程，策略模板化构建。

数据覆盖 ：A股/ETF历史数据，回测效率高。

优点：

上手简单，策略排名分析功能实用。

回测历史长，数据稳定。

缺点: 策略灵活性差，无法满足策略多样性需求。

05 券商通用量化平台

券商通用量化交易软件如QMT和PTrade，是目前券商支持最多的量化交易平台。特别是在聚宽量化退出实盘后，它们已经成为A股市场实盘最主流的量化工具。

但目前这2个平台做回测还是不如聚宽方便，更多的还是用于实盘交易。

PTrade： 对编程要求不高，其API与聚宽类似，即使不擅长编程，也有许多强大的工具和功能，用户可以轻松上手并开始使用。

QMT： 更适合专业的投资者，用户需要对交易策略有自己的理解和研究，并能够编程实现，对python要求较高。

二者对比如下：

其他量化平台我就不介绍了，有些是高频或者期货的，比如天勤量化平台主要用于期货量化。

有需要可以头像点击添加联系方式