农夫由于付不起养骡子的成本,于是决定用狗拉磨,于是狗变成了神狗,不仅要看家,还要拉磨。

农夫于是对对周围的邻居们夸耀说自己养了一条神狗。有邻居l前来询问如何培养神狗,于是农夫写了一本厚厚的小册子,教学各种培训神狗的方法。甚至开了LIVE讲座,收取350元培训费用。

有人开始用这小册子开班授课教大家如何培育,既可以看门,又可以拉磨的神狗。

0_1526206381930_111.jpg
由于大家都在讲如何培育神狗,渐渐的趋之若鹜。

很多做神狗培育课程的培训师还赚了一笔小钱,这样大家都赚了小钱。

但大家都没有用神狗拉磨提高正常的生产效率而赚钱!

突然有人问农夫:你为什么不养一头骡子?

这真是狗的悲哀。

在量化行业,这几年的风向在某*py的引领下都是去养“神狗”,既要搞底层,还要搞策略。运行效率降低10倍以上,导致大家花了大量时间最后发现根本不适合生产环境。

有人安慰自己,本来python效率就不高嘛。 这说法只是横向对比,狗和骡子比起来确实不适合拉磨。

但请注意,因为这个神狗长期疲惫,积劳成疾,既不能拉磨也不能看门了。连普通狗都不如了 (纵向对比)
0_1526206396596_222.jpg

这是python的悲哀,也是量化人的悲哀!

当初大家用python就是因为简单易用,但限制大家用了某些框架,不但要做策略师要要做程序员!

程序搞个1,2年,策略还没写呢。
花了大量时间,搞出来效率又不行,拉着破车就上路了。

当然****python做策略开发部分是非常适合的,调用各种C++开发的库做i数据分析和数据处理,一点也不低效**,但做底层那就效率低效了。**

所以最好的方式是: 用python做策略,用C++开发底层。
养一头骡子拉磨,养一条狗看门。对测量师来说,不用把职业生涯精力浪费在底层处理上。

把量化交易中最后一环(策略开发)交给python,这需要C++的异步驱动支持python的策略开发。

关于C++开发底层异步IO驱动python
https://zhuanlan.zhihu.com/p/26967621

当然也有人说,至少在开源和推动python量化做了贡献啊!

开源和不开源都是为了利益,开源可能是因为为了普及,也可能是为了向赚培训的钱和LIVE的钱。

需求引导技术,需求的出现是必然的,而用哪一种技术,哪一种语言,哪一种框架实现量化确实不确定的。

大家对量化的需求是确定的,

但若没有python,也会有xython出现,zython出现。

没有ANPY,也会有BNPY,也会有CNPY出现。

你认为某NPY贡献就是普及了python还是普及了量化?

可能有一点用,但最重要的原因是因为你为了学习量化付出了时间,无论是你看视频,还是看书,都会有收获的,而不是因为任何语言或者任何框架。

做量化需要极强的逻辑分析能力,如果本末倒置了这个逻辑,就只能呵呵了。

可以说纯python架构只有广度,却没有深度。因为本身python就不适合开发大型的系统。

导致某py的策略是尽可能的搞各种API, 当然各API服务商也乐得其所。

对自己有原生API的服务商来说: 反正不出钱,你说合作就合作吧,帮我导导流量正好。

其实这种合作没有任何深度。

如果一边号称用VNPY架构或自己出个产品也采用该架构的服务商,那么专业性就值得怀疑了。

比如某些美股服务商完全抄袭VNPY架构搞自己的系统,那么专业性就值得怀疑了。

《测试 Node.js 与 python 的计算性能,震惊了,node.js和C居然比python快了70多倍》
https://www.v2ex.com/t/113887?p=1

《循环测试:C性能是PYTHON的 62倍,VNPY你居然用PYTHON做事件驱动?》
http://www.iteye.com/topic/699462

《VNPY 量化交易上的性能对比分析》

Caffe深度学习框架
mdshare财经数据接口包
Python人工智能算法库
Theano深度学习库在Python环境下编写深度学习
Scikit-learn回归和聚类的算法包括支持向量机,逻辑回归,朴素贝
python量化交易

Caffe深度学习框架
mdshare财经数据接口包
Python人工智能算法库
Theano深度学习库在Python环境下编写深度学习
Scikit-learn回归和聚类的算法包括支持向量机,逻辑回归,朴素贝
python量化交易