VNPY发起的模拟回测Counter-2回测主要针对有一定编程能力的程序化交易者。如果已经基于原生API完成了策略开发，那么切换到VNPY模拟计数器实现回测是非常容易的，现在好像很多人喜欢搞量化，个人认为是量化过分，量化要有严密的逻辑基础，不要随便设置一些参数就开始走历史数据。
1、backtrader怎么调用vnpy下单VNPY在不改变原策略代码回测的情况下，仅通过模拟native API的方法和库文件来实现模拟。具体来说，通过模拟原生交易API和市场API，例如，通过模拟原生API的头文件和库方法的定义，可以通过简单地用模拟API替换真实交易代码来优化回测和真实交易代码，并且底层代码可以在很少或没有改变的情况下进行优化。VNPY发起的模拟回测Counter-2回测主要针对有一定编程能力的程序化交易者。如果已经基于原生API完成了策略开发，那么切换到VNPY模拟计数器实现回测是非常容易的。
2、选股策略 回测用Matlab好还是用Python好都是工具，还可以制定选股策略。推荐回测 Python。理由:Python是免费的，开源的Python编程语言简单美观。Python有很多量化包，包括获取数据和处理-。目前国内外很多平台和项目都采用PythonPython开发策略，简单高效。这里举几个例子:1。第一，有一些交易思路，不允许在纸面上表达，成为清晰的交易逻辑。很多人都是带着盘感下单的，有的人每次下单的原因都不一样，所以每次都能发现不同的交易决策。但是要做程序化交易，必须要有明确具体的买卖点操作逻辑，完全可以量化。交易规则要有逻辑，比如只有买没有卖的逻辑就不能构成完整的交易策略。按照一些常用的规则使用matlab，构造指标，编写交易逻辑，整合交易策略更好。
都是纯matlab语言，不难。写好策略后，我们需要在历史的某个时间段、某个指定频率进行一次测试。它必须看起来还可以，比如曲线上升，或者亏损没有花很多钱。如果回撤非常巨大，就要分析回撤最大的原因。这可以在策略分析模块中详细分析。在多个品种和周期上测试策略，以查看性能。通过组合优化、交叉验证和样品内检查来选择参数。
3、编写 量化策略需要注意的几个细节问题Writing 量化策略中需要注意的几个细节量化平台的出现节省了量化者打字的时间和精力数据结构自己，他们可以专心于策略的思路构建。不过量化平台虽然好，但是有些功能会受到限制。所以有时候需要自己清理数据和编写回测程序。下面总结一下量化-3/策略写作中应注意的处理问题，以供参考:1。数据回复。在量化策略的编制中，需要恢复原来的开盘价和收盘价，以应对分红、配股等因素引起的股价变动。
