先来说下，量化投资的基本概念和发展历史。
简单点说，量化投资就是用电脑代替人工进行投资。美国的前五大对冲基金全部都是量化投资，美国量化策略在股市中的占比超过70%，而我国的量化策略在投资中的比重，也在3年内实现了4倍的增幅。
再来说说，岗位+薪资。
相对来说，量化相关的工作，比如量化分析师，是有点吃学历的，专业能力也有一些考究。在薪资待遇方面，也是很有竞争力的。相比于其他行业，金融领域确实很吃香，也很赚钱。
工欲善其事，必先利其器。想要入门量化，学会一门编程语言是必不可少的。
对于量化金融来说，主流的编程语言有Python、R、MATLAB、Java、C++等。从开发难度而言，Python、R、MATLAB相对比较简单，Java和C++比较难；从运行速度来说，C++是最快的，因此常用于高频交易。
不过，对于大部分量化投资者而言，尤其是初学者，开发占用的时间远远大于运行时间。
我们要清楚一点就是，我们的目标是要最小化总时间，也就是开发时间加上运行时间，所以从这个角度来说的话，C++就不一定是最快的了。如果追求运行速度的话，我们也可以先将策略开发出来，再使用C++重写高性能代码段。
对于比较容易上手的Python、R和MATLAB而言，首先，Python和R是免费并且开源的，而MATLAB是闭源商业软件，那免费开源肯定是好处多多的，首先是大家最不在乎的钱的问题，其次开源的话，意味着你可以知道源代码具体是如何工作的。
比如说，你想知道，statsmodels是如何进行最小二乘回归的，和我们上课学得是不是一样？而且因为源代码是公开的，你也可以按照自己的需求对源代码进行修改，从而更加完美地满足自己的需要。
从量化资源而言，Python的资源要比R和MATLAB要更多，这也是因为Python在量化投资领域更为主流。根据我以往的学习经历，R在统计中用得是比较多的，比如我在上统计学课程的时候就是用的R语言。
不过，现在Python中有越来越多非常强大的第三方库，比如SciPy的stats和statsmodels，也能非常好地完成统计分析工作。
所以，综上所述，如果是编程零基础的同学，入门量化的编程语言毋庸置疑是选择Python。
关于数据获取，如果能有Wind那就再好不过啦，但是Wind很贵，大家在学习阶段完全可以使用免费的数据源，比如Tushare和BaoStock。
Tushare是一个比较老牌的数据接口，包含沪深股票、指数、公募基金、期货、期权、债券、外汇等非常多的金融数据，使用接口的方法也非常简单，导出数据直接是pandas的DataFrame格式，所以非常方便。缺点就是部分数据需要一定积分才可以获取，而且比较头疼的是还会定期清理积分。我之前好不容易搞到500多积分，前几天看发现只剩120了，哭唧唧。
不过，人家做这个平台还是费了很大心血的，所以调取数据需要用积分也是无可非议。那大家如果不想弄积分的话，也可以使用老版的tushare。虽然说老版的tushare不在维护了，但是部分数据接口还是可以使用的，平时用来学习的话还是ok的。
还有一个是BaoStock，是2018年新出的数据接口，口碑也非常不错，缺点是数据种类不是很多，包含股票数据、指数数据、季频财务数据和公司报告，期货、外汇等还没有涉及。不过对于入门选手来说，不管是Tushare还是BaoStock，是绰绰有余啦。
如果是对量化有所了解的同学，那肯定是听说过优矿、聚宽、米筐这些量化平台。我看了这些平台名字，深深感觉到中文真是博大精深，都是Quant，竟然能翻译成矿、宽、筐各种字，蛮有意思的。
目前，国内比较主流比较大型的量化平台的话，就是这里的优矿、聚宽、米筐等。量化平台可以看成是一个已经搭建好的框架，用户只需添加一些自己的买卖条件，即可进行策略回测，免去了自己从无到有搭建基础框架的过程。
但是，一般量化基金公司肯定是不会使用第三方平台的，因为你在第三方平台写的策略其实是在别人的服务器上，赚钱的东西怎么可以让别人知道呢？所以，量化基金公司都是会搭建自己的平台。
第三方平台还有一个缺点是，你得先琢磨好一阵子如何使用这个平台，而且有些平台不是开源的，你不清楚具体工作原理是什么。所以，直接使用第三方平台有一定风险。
其实，对于量化策略回测来讲，我们也完全不需要使用第三方平台，仅仅使用Python就可以实现了。
我们刚刚介绍了量化必备编程语言Python，免费数据源Tushare和BaoStock，国内主流的量化第三方平台。
除此之外，根据策略类型的不同，也会用到一些其他工具。因为我个人是使用Python的，所以在这里给大家推荐几个比较常用的Python第三方库。
1、数据库推荐：SQLite
首先是数据库，如果你所做的策略需要存储很多数据的话，那么就需要一个数据库配合使用。当然你可以使用MySQL、Oracle这种专业的数据库，但是这种大型的数据库是需要下载安装单独配置的，比较麻烦。
如果大家只需要使用轻量级的数据库的话，这里推荐SQLite数据库，Python自带的SQLite3模块可以非常方便地操作SQLite数据库。教程的话，可以参考菜鸟教程的SQLite教程。
网址链接：https://www.runoob.com/sqlite/sqlite-tutorial.html
因为如果大家要去机构实习的话，一般机构都会有自己的数据库，所以会一点SQL还是比较必要的。不过，SQL非常简单，大家如果目前只是自己学习的话，完全可以拿SQLite来练练手，因为其他的数据库用的SQL语言也是一样的。
2、爬虫推荐：BeautifulSoup4
第二个是爬虫，我们之前介绍了免费的数据接口Tushare和BaoStock。有时候，我们会用SQL语句从公司数据库调取数据，那除了这些数据之外，有时候我们还需要从网页抓取数据。比如说，基于大数据的舆情分析策略，就需要我们从网页上抓取舆情数据，这就需要用到爬虫技术。
这里的话推荐BeautifulSoup4，这是一个非常常用的爬虫模块，大家可以直接参考它的中文文档，先把request学起来。当然了，大家爬数据的时候，不要肆意妄为，否则“爬虫玩得好，监狱进的早” 。
Beautiful Soup 4.4.0 文档：https://beautifulsoup.readthedocs.io/zh_CN/v4.4.0/
3、机器学习：Scikit-learn(sklearn)
第三个是机器学习。对机器学习有所了解的同学，肯定是知道这个scikit-learn也就是sklearn模块，这个模块对常用的机器学习方法进行了封装，包括监督性学习的回归算法、分类算法，非监督学习的降维和聚类等等。
因为网上搜sklearn的话学习笔记也很多，所以这里就不贴网址了。
4、技术分析：TA-Lib
第四个是技术分析常用模块TA-Lib，全称“Technical Analysis Library”，也就是技术分析库。它涵盖了150多种股票、期货交易软件中常用的技术分析指标，如MACD、RSI、KDJ、动量指标、布林带等等。
所以，如果是做技术分析的同学，千万不要错过这个模块。
我这里附上TA-Lib公式大全，这个网址是 Python=wrapper for TA-Lib，如果大家直接去TA-Lib的官网的话，其实看不到啥内容。这个网站特别好，把所有的函数都分门别类放好了，而且每个函数的参数也都给你写得清清楚楚的。
TA-Lib公式大全：http://mrjbq7.github.io/ta-lib/funcs.html
最后，再来做个总结。量化是一门交叉复合学科，需要有计算机编程能力、数学统计能力、以及最好要有金融理论背景。
关于编程能力，主要就是数据处理能力和量化策略开发与回测的能力。
数据处理的话，首先是数据获取，我们介绍了用SQL调取数据库数据、从Tushare/BaoStock这些免费数据接口获取数据、还有使用爬虫技术抓取网络数据。
数据清洗和数据分析，其实可以放在一块儿啦，这一部分主要就是需要大家掌握NumPy、SciPy和Pandas这些常用的数据分析库。
还有一个特别重要的就是数据可视化，说白了就是画图，因为不管是在数据分析的过程还是展示策略收益，都需要画图。数据可视化用得比较多的就是Matplotlib模块。如果是学有余力的同学，也可以进行机器学习、人工智能方面的研究。
至于量化策略开发与回测，大家可以完全独立自主搭建回测框架，这个也是我比较推荐的，也可以使用第三方量化平台，之前也介绍过了。
至于数学统计，主要就是掌握高数或者是数学分析、线性代数、概率论与数理统计，以及计量经济学。
金融理论的话，就是宏观经济学、微观经济学、投资学、会计或者财务，不过大家不需要掌握怎么做账，只要能看懂公司财报就可以了，因为如果是做基本面分析的量化的话，会用到一些财务指标。
这些就是我目前想到的大家所需要掌握的量化投资的工具，如果大家有补充的话，欢迎在评论区留言或者私信我哈~
掌握了量化投资的基本工具之后，令量化投资者最头大的就是量化策略的灵感了。
对于初学者而言，肯定是先从最经典的策略比如双均线、配对交易、动量反转等开始。众所周知，经典的不一定是最好的，但是是必学的。经典之所以能成为经典，肯定最起码曾经是有效的。在掌握了经典策略之后，可以通过阅读券商研报、海外文献，或者根据自己对金融理论的理解，编写自己的策略。
量化交易经典策略主要有择时策略如双均线模型、动量反转、配对交易等，选股策略如最主流的多因子策略，技术分析指标如MACD等。这些经典的策略在网上搜的话都能搜到，像优矿、聚宽这些平台的社区也会有。
但是，这些资源有个普遍的问题就是很不适合初学者，比如说优矿社区的策略，即便是提供源码，初学者也是很难看懂的。我这里贴了一个聚宽的学习资源，是我觉得做得比较好的，这里面的话有一些策略与应用。
不过，我感觉还是有点难度的，如果是完全小白的话，看起来可能会比较吃力。
策略思路另外一个来源就是券商研报，一般大型券商的研究所都会有金工组，会发一些量化策略相关的研报。
虽然大家总是觉得券商研报会比较水，但是其实还是有很多不错的文章可以借鉴的。券商研报的话Wind都可以下载，我个人用得比较多的是慧博，可以在首页的【系列专题】-【金融工程】里面找研报看。
另外，在经管之家，也就是之前的人大经济论坛，也可以搜到一些券商研报资源。
03、海外文献
量化投资在国内发展时间其实很短，而在海外已经有了几十年的积累沉淀，所以海外量化相关文献也是一个很好的资源。推荐大家可以参考AQR网站的论文资源。
AQR是一个非常有名的对冲基金公司，和很多基金公司不一样，一般基金公司都不会将自己的策略公开的，但是AQR有一个非常庞大的论文期刊系统，这得感谢它的创始人克里夫·阿斯内斯（Cliff Asness）。
这个人非常聪明，高中毕业后直接进了宾大的沃顿商学院，在沃顿期间，他修了一个经济学学位，顺便又修了一个计算机的学位，可以说这注定了他之后的宽客生涯。本科毕业后，他就直接到芝加哥大学读博了，然后，他的博士生导师就是赫赫有名的尤金法玛，就是那个Fama-French的Fama。博士毕业后，他直接进入高盛（Goldman Sachs），并且创建了高盛的量化研究小组，这一年他才28岁。
简直就是开挂的人生啊！！！
后来，他从高盛出来自己当老板了，也就是AQR公司，也是非常厉害。他这个人虽然是身在业界，但是又有点学术界人士的味道，所以他的AQR不仅是个量化投资基金，其实也是一个研究所。
AQR网站上，还有一个他的博客专栏叫做Cliff‘s Perspectives，大家有兴趣可以看看。
除了参考别人的策略，还有一个策略的来源就是金融理论。顾名思义，就是凭借自己对金融理论的理解，灵活运用各类金融工具进行投资啦。这就要看造化了，我就不提供建议了。
好了，暂时就更新这么多啦，后面有时间我会再来更新哒~
---------
沪漂转行学量化的女汉纸，酷爱rap，日常会分享一些我自己的量化学习经历和对金融圈的所见所闻，欢迎各位小伙伴们捧场~
