1 量化工具比较

使用量化工具时，用户通常会编写程序，区别只是熟练程度不同。所以，即使不使用量化平台，理论上程序员也能实现相关功能。接下来，我们将探讨量化平台具体提供了哪些功能，以及如何根据不同用户的需求进行选择。

首先，进行一个简要比较。

vn.py 掘金/米筐
上手难度 高，需要会 Python，自己搭环境 低，注册后直接写策略
灵活性 高，能接国内外期货/股票/币等 中，受限于平台支持的市场
成本 免费开源，但要自己配账户/服务器 免费额度 + 付费增值
实盘 可直接对接券商/交易所 API 模拟交易为主，部分券商支持
适合人群 想长期深耕量化、折腾框架的程序员/研究者 想快速验证策略、不想折腾环境的入门者

2 vn.py

vn.py（全称 vn.py framework）是一个 基于 Python 的开源量化交易开发框架，GitHub star 32k+，维护十余年，生态完善。它不是现成的炒股软件，而是一个 量化开发工具箱，帮助快速搭建自己的策略系统。

项目地址：https://github.com/vnpy/vnpy，也可通过 pip install 安装。

2.1 使用感受与总结

  • 核心功能
    • 支持多市场（期货、股票、期权、数字货币等，接口覆盖 CTP、IB、币安、OKX）。
    • 内置策略引擎（CTA、套利、组合、算法交易等模板），可自定义扩展。
    • 提供回测框架，策略可切换至实盘执行。
    • 自带基于 PyQt 的桌面 GUI，支持行情、下单、策略运行。
  • 优势
    • 历史悠久、社区活跃、文档和示例丰富。
    • 开源透明，核心代码量不大（6000+ 行 Python），便于阅读和修改，还可额外添加插件。
    • 对熟悉编程的用户，灵活度高，可快速搭建定制化量化平台。
  • 依赖与技术栈
    • 指标计算基于 ta-lib，部分数据依赖 XtQuant（迅投）、rqdatac（米筐）。
    • examples 文件夹中有常用功能示例
    • 内含一些传统机器学习方法（lasso、LGB、MLP）。
  • 问题与限制
    • 界面基于 Qt，需要自行部署，部署和使用体验不如 web UI 方便。
    • Demo 运行常需手动安装依赖和插件，对小白用户不够友好。

3 米筐

米筐有点像是 “量化版的实验操场 + 云服务”，重点是让你少折腾环境和数据，把精力放在策略上。

金融数据 API 文档
https://www.ricequant.com/doc/rqdata/python/jrtz-consensus.html

3.1 使用感受与总结

  • 易用性
    • 支持现成的 Web 界面不需要自己部署，界面简洁，功能容易找到。
    • Web 端可直接写 Jupyter 并运行，亮点在于免去本地环境配置，适合新手或不想折腾的人。
    • 同时支持通过 API 方式调用功能。
  • 商业定位
    • 免费功能有限，更多数据和算力偏向 toB（企业版/付费版），机构和专业团队更能发挥价值。
  • 程序员视角
    • 如果已有数据源和环境，米筐的额外价值主要是 统一数据接口与快速回测。
    • 不会直接让策略更“聪明”，更多是减少环境和数据层面的工作量。
  • 普通用户视角
    • 指标和工具只是辅助，不保证盈利。
    • 如果没有量化理解，仅靠指标选股风险很大，容易误判策略有效性。