更新时间： 202606121350

导读： 本文是技术文章，只讨论量化工具、流程和方法，不涉及投资分析与引导。理财有风险，投资需谨慎。

量化不是“稳赚按钮”，而是把交易经验、数据观察、买卖规则、仓位控制和风控纪律写成程序，让它可以被回测、模拟、复盘和重复执行。简单说，人工交易靠“我觉得”，量化更强调“条件满足才执行”。它的价值不是替你预测未来，而是把一个想法放到数据里检验，看看它是不是经得住成本、滑点、回撤和时间的折腾。（交流：sanren3366）

下面先讲国内期货，再讲股票。因为期货量化的工具链更集中，程序化交易历史也更长；股票量化则更多依赖券商权限、交易终端和数据环境。

一、工具分类总图

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

量化工具
├─ 国内期货
│  ├─ 天勤 TqSdk：Python 友好，适合学习、研究、自动化
│  ├─ 文华 WT8：图形化和麦语言生态，适合策略交易用户
│  ├─ TBQuant：传统程序化交易平台，适合公式/模型交易
│  └─ vn.py：开源框架，适合程序员和团队自建系统
├─ 股票 / A 股
│  ├─ QMT / ThinkTrader：券商常见本地量化终端
│  ├─ PTrade：券商接入较多，研究、回测、交易一体化
│  ├─ TdxQuant：通达信生态的量化接口/策略工具
│  └─ 聚宽、米筐、BigQuant、掘金：云端研究和回测平台
└─ 港美 / 外部市场
   ├─ QuantConnect、IBKR API、Futu OpenAPI
   └─ 加密市场 CCXT、FMZ：仅作技术生态了解，不展开

二、国内期货量化工具

工具免费/付费情况适合谁优点缺点
天勤 TqSdk整体是收费体系，但有部分合作期货公司可免费使用；高级服务、数据、实盘能力以官方和期货公司政策为准会 Python 的个人用户Python 原生，回测和实盘都很灵活，扩展空间很大自由度高也意味着复杂，风控、异常、日志、容错都要自己兜底
文华 WT8更像按年份/软件服务付费，收费模式相对单纯资金体量较大、交易频率较高的期货交易者图形化体验成熟，稳定性和交易体验好如果资金量小、交易少，固定年费未必划算
TBQuant常见通过加收手续费实现收费；高级回测、数据权限、实盘能力可能另有收费或授权熟悉公式化策略的人传统程序化交易用户多，适合指标策略、模型交易长期高频交易要认真核算手续费成本
vn.py开源免费，实盘连接需要交易接口、账户和部署能力程序员、团队自由度高，覆盖期货、股票、期权等多类接口工程门槛高，要自己维护数据、服务、监控

天勤 TqSdk 更像“Python 程序员友好型”工具。它本身不是完全免费的生态，但有部分合作期货公司可以免费使用，具体要看你开户渠道和当前政策。它的强项是灵活：行情订阅、K 线计算、回测、模拟盘、实盘下单都能用 Python 串起来，扩展能力很顶。缺点也明显：越灵活越需要工程能力，断线重连、异常订单、风控、日志、仓位保护、进程守护都要程序兜底写完善，写得不严谨就容易出 bug。

文华 WT8 的优势在成熟度和交易体验。很多期货用户本来就在文华生态里看盘、交易，WT8 更偏“交易终端 + 策略执行”。它的收费模式相对单纯，通常就是按年份/软件服务来算，所以是否划算要看资金体量和交易频率。如果资金量大、手续费贡献高、策略交易频繁，固定费用反而清晰；如果只是小资金低频学习，可能会觉得成本偏重。

TBQuant 属于传统程序化交易平台路线，常见于公式化、指标化策略使用者。它的收费常见做法是通过交易手续费加收来实现，另外一些高级回测、数据权限或实盘能力也可能需要额外授权。它适合把均线、突破、通道、风控等模型写成策略，做回测和交易；但如果策略频率高、成交多，就要把加收手续费也放进回测里，否则结果会被成本高估。

vn.py 是期货量化里很重要的开源框架。它更像一套积木：行情、交易、策略、网关、风控、图形界面都可以组合。但自由度的另一面是责任，你要懂部署、接口、数据库、容错和日志。个人学习可以用，团队自建系统也常会看它。

三、股票量化工具

工具免费/付费情况使用场景优点注意点
QMT / ThinkTrader通常由券商提供，是否免费、权限大小看开户券商和资产/业务条件A 股本地策略、实盘交易、篮子交易离实盘近，Python 接口常见，券商支持多不同券商版本和权限差异大
PTrade多由券商提供研究、回测、模拟、实盘环境，开通政策看券商策略研究到实盘的一体化流程研究、回测、交易、风控链路集中API 和权限受券商环境约束
TdxQuant通达信生态相关，具体能力和收费看版本/渠道通达信用户做自动化、信号和策略联动对通达信用户比较顺手生态相对封闭，资料和接口要核实版本
聚宽/米筐/BigQuant/掘金云端平台常有免费学习额度或试用，高级数据、实盘、机构服务通常收费学习、回测、因子研究、策略原型省环境，资料多，适合快速验证想法平台数据、交易接口、频率和权限有限制

QMT 是很多 A 股量化用户绕不开的工具。它通常不是你随便下载就完整可用，而是通过券商开通。优点是离交易账户近，适合做本地策略、篮子交易、条件单、Python 自动化；缺点是每家券商开放程度不同，API、频率、权限、实盘限制都要问清楚。

PTrade 更像券商提供的一体化量化环境：研究、回测、模拟、实盘都可能在同一个体系里完成。对不想自己搭服务器的人很友好。但它的边界也清楚：你能做什么，取决于券商给你的环境、数据权限和接口权限。

TdxQuant 适合原本就在通达信里看盘、写指标、做信号的人。它的价值在于把通达信生态里的指标、选股、交易自动化能力串起来。使用前要特别确认版本、接口、授权和稳定性，因为“通达信相关工具”渠道较多，能力差异可能很大。

云端平台如聚宽、米筐、BigQuant、掘金，适合先做研究：找数据、写因子、跑回测、看曲线。它们的免费层通常能学习和验证基础想法；当你需要更完整数据、更高频率、更长历史、实盘或机构服务时，往往会进入付费或授权范围。

四、策略从哪里来

策略来源大概有五类：论坛和社区、论文研报、开源项目、指标组合、自己的交易经验。论坛和开源项目适合学习语法和思路；论文研报适合看因子、逻辑和验证方法；指标组合最容易“看起来有道理但其实过拟合”。

最好的策略来源，往往不是网上复制一段代码，而是把你长期观察到的有效经验变成规则。比如“强势品种回调后再启动”只是感觉，必须继续定义：强势怎么算？回调几根 K？成交量要不要确认？错了在哪里止损？连续亏损要不要停机？这些问题写清楚，才从经验变成策略。

五、怎样判断正向性

判断策略不要先看收益率，要先看逻辑。一个策略如果解释不了为什么可能有效，只靠历史曲线漂亮，大概率经不起未来数据。正确流程是：先写假设，再找数据，再回测，再做样本外验证，最后模拟盘观察。

1
2
3
4

if price > ma20 and volume > volume_ma:
    buy()
elif price < ma20:
    sell()

上面这种代码只是规则雏形，真正的验证要看这些东西：

检查项为什么重要
未来函数如果用了未来数据，回测再漂亮也无效
手续费和滑点高频、短线策略尤其容易被成本吃掉
样本外表现参数不能只在某一段历史里好看
最大回撤决定你能不能扛住真实波动
换手率和容量交易太频繁或容量太小，实盘会变形
模拟盘看信号、成交、延迟、异常处理是否真实可用

漂亮回测不等于能赚钱。靠谱的量化更像工程：记录假设，承认失败，控制仓位，持续复盘。工具只是工具，纪律和验证流程才是核心。

六、怎么选

如果你做期货，想用 Python 入门，可以从天勤 TqSdk 或 vn.py 看起；如果你更习惯交易终端和图形化，文华 WT8、TBQuant 更自然。如果你做 A 股，先确认券商是否支持 QMT 或 PTrade；如果只是学习研究，聚宽、米筐、BigQuant、掘金更省心。

我的建议是：先别急着实盘。先用云端或本地工具把策略写清楚，再做带成本的回测，再跑模拟盘。能稳定活过这几关，再谈小资金实盘。

参考资料

  • 天勤量化 TqSdk、文华财经 WT8、TBQuant、vn.py 官方资料
  • QMT/ThinkTrader、PTrade、TdxQuant 及券商量化平台资料
  • 聚宽 JoinQuant、米筐 RiceQuant、BigQuant、掘金 MyQuant 官方资料
  • QuantConnect、Interactive Brokers API、Futu OpenAPI 官方文档