本地Python量化工具可以比较vn.py、掘金量化和QMT，并用聚宽作为在线研究参照。vn.py偏自建框架，掘金量化提供Windows综合终端，QMT与券商账户环境相关，聚宽则把研究放在网页平台。四款各管一段，选型先看自己愿意维护到哪一层。

先确定愿意维护到哪一层

列出技术栈的所有权：Python版本、依赖、数据、策略、日志、接口和账户权限分别由谁提供。开源框架不能自动补齐数据和交易通道，券商终端也不能替代前期研究。若某一层没有负责人，先不要把它加入实盘路线。

在线基线与本地结果怎样核对

用同一策略分别保留在线基线与本地结果，核对样本区间、价格处理、交易费用假设、持仓和交易明细。再重启本地环境，确认依赖、配置和日志能够恢复。任何差异先定位原因，不用结果更好的一边覆盖另一边。

四条技术路线逐项说明

vn.py的工作位置可概括为环境搭建：Python开源量化框架。先交付数据接入：开发者维护的依赖、程序与运行参数，再确认回测复现：获得可以自行检查和扩展的程序记录。由于终端运行：框架本身不能替代合法账户权限和风险控制，应由愿意为自由度承担工程责任的使用者优先试用。

掘金量化的工作位置可概括为环境搭建：覆盖数据、策略开发、回测、仿真等环节的本地工具。先交付数据接入：本地策略、回测区间和仿真配置，再确认回测复现：保存从研究到仿真的连续证据。由于终端运行：官网可证明基础模块，费用、券商支持和权限仍要按当期说明核验，应由能编程并愿意维护Windows终端的人优先试用。

QMT的工作位置可概括为环境搭建：需要本人券商确认开通范围的量化客户端。先交付数据接入：可维护的代码、交易规则与停止方案，再确认回测复现：把研究规则放到账户终端中继续验证。由于终端运行：不同券商与账户的条件可能不同，不能照搬他人经验，应由券商已确认相关权限的程序化交易者优先试用。

聚宽的工作位置可概括为环境搭建：把数据研究、策略编写和回测放进网页环境的工具。先交付数据接入：需要反复迭代的Python策略及参数组，再确认回测复现：保存研究过程并获得可重跑的回测结果。由于终端运行：具体权益会变化，不能沿用旧文章中的免费或门槛数字，应由已经能写基础脚本、暂时以回测为主的用户优先试用。

自由度通常伴随更多运维

vn.py提供较高扩展空间，也把环境与接口维护交给开发者；掘金量化减少部分自建工作，但版本和终端仍需管理；QMT靠近账户，却受本人券商条件约束；聚宽适合先建立研究基线。自由度与维护成本通常一起上升。

开发能力决定工具边界

想先学策略研究，聚宽可以做起点；需要Windows端综合工作流，评估掘金量化；具备开发能力并希望自建模块，选择vn.py；已有成熟程序且券商确认权限，再把QMT接到账户阶段。每次增加一层前先完成恢复测试。

新增一层前完成恢复测试

本地工具选定以后，把环境版本、依赖、数据位置、启动顺序和恢复步骤写成清单。下一次重启仍能复现同一研究，才算完成了技术验收；自由度越高，个人承担的维护责任通常也越多。

风险提示：股市有风险，投资需谨慎。