Python 量化金融核心库与工具最全汇总
在量化金融领域，Python 凭借其丰富的生态系统和易用性占据了主导地位。本文汇总了定量金融的大量三方库，按功能进行分类，覆盖数值运算、衍生品定价、回溯检验、风险管理、数据爬取、可视化等多个子领域，供每个 Python 程序员参考。
不要重复造轮子，明确要解决的问题，然后寻找相应的工具。很多著名的包如 NumPy、Pandas、Seaborn、Backtrader 等已经被证明高度有效，即便没有找到符合应用场景的包，类似的工具也能够为创建自己的解决方案提供参考。
内容来源于 Github 项目《Awesome Quant》，由 Wilson Freitas 创作。
科学运算和数据结构
这是量化分析的基础，处理大规模数据和数学计算的核心。
- NumPy：进行数值运算的基础包，SciPy 和 NumPy 令 Python 进行有效的矩阵运算成为可能。
- SciPy：科学计算生态系统，广泛应用于数学、物理学和工程学等自然科学领域。
- Pandas：提供了高性能的数据结构和数据分析工具，是处理时间序列数据的标准库。
- QuantDsl：金融/交易领域进行定量分析的领域特定语言。
- Statistics：进行基础统计运算。
- SymPy：专门用于符号数学，适合推导公式。
- PyMC3：用 Python 实现概率编程，贝叶斯建模，用 Theano 实现概率机器学习。
金融工具和定价
涉及资产定价模型及衍生品计算。
- PyQL：QuantLib 的 Python 接口，提供复杂的金融工程功能。
- PyFin：专注于期权定价。
- Vollib：计算期权价格、隐含波动率和希腊值。
- QuantPy：定量金融分析工具集。
- Finance-Python：定量金融分析库。
- FFN：拓展 Pandas，提供一系列函数进行基础的量化分析。
- PyNance：获取股票和衍生品市场的数据，分析和可视化。
- Hasura/Base-Python-Dash：快速入门部署 Dash 应用，Dash 基于 Flask、Plotly.js 和 React.js，允许用户用纯 Python 快速搭建强大的数据科学网页 App。
- Hasura/Base-Python-Bokeh：如何用 Bokeh 实现数据可视化。
- PySabr：用 Python 实现 SABR 模型，常用于波动率曲面建模。
技术指标
用于计算和分析市场指标，辅助交易决策。
- Pandas-Talib：整合 Pandas 和 Talib，用 Pandas 计算技术指标。
- Finta：用 Pandas 计算常见的技术指标。
- Tulipy：技术指标库（tulipindicators 的 Python 绑定）。
- TA-Lib：计算技术指标，跟 NumPy 深度整合，性能优异。
- Pandas TA：拓展 Pandas，包含 115 种技术指标，快速创建交易策略。
- Ta：用 Pandas 计算技术指标。
量化交易/回溯检验
构建策略并验证其历史表现的关键环节。
- Trade：用于开发金融应用的基础包。
- Zipline：强大的回溯检验框架，被很多量化交易平台作为底层技术，包括 Quantopian, 聚宽等。
