摘要：零基础必看！只需四步，教你如何入门量化金融？ - 知乎 量化金融其实是一个交叉复合学科，需要掌握数学、计算机、金融等方面的知识。显而易见，对于金融学背景的同学来说，就需
零基础必看！只需四步，教你如何入门量化金融？ - 知乎
量化金融其实是一个交叉复合学科，需要掌握数学、计算机、金融等方面的知识。显而易见，对于金融学背景的同学来说，就需要另外学习计算机编程的知识，而计算机背景的同学则需要补充金融知识。
从开发难度而言，Python和MATLAB比较容易，而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，如果追求运行速度的话，也可以先将策略开发出来，再使用C/C++重写高性能代码段。
另外，从量化资源而言，Python资源更多，而且MATLAB是商业软件，Python是开源免费的。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。
至于Python的学习，网上资源就很多了，在这里推荐几个Python教程：
该教程不仅介绍了Python，而且介绍了NumPy、Pandas、Matplotlib、Scipy等数据分析常用第三方库。不过是全英文的，如果英文比较弱的同学可能看起来比较吃力。
关于数据获取，如果能有Wind那就再好不过啦，但是Wind很贵，如果没有条件的同学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，现在老版Tushare已经不在维护，转移到新版TusharePro了，使用方法依旧非常简单，缺点是部分数据需要一定积分才可以获取。
而BaoStock是2018年的新数据接口，口碑也不错，缺点是只针对股票市场，期货等市场还没有涉及。不过对于入门选手来说，这两个接口都是绰绰有余啦。个人用的比较多的是TusharePro，导入数据直接是DataFrame格式，非常方便。
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。
目前国内比较主流的量化平台有优矿、聚宽、米匡等。不过对于策略回测来讲，仅使用Python就完全可以实现了，使用第三方平台的缺点就是你得先琢磨好一阵子如何使用这个平台，而且最重要的是很难摸清平台所有细节，难以把控。
下面推荐3个量化平台，仅供参考：
以上是做量化的一些基础工具。另外根据策略类型的不同，也会用到一些其他Python第三方库。
如果所做的策略需要存储很多数据，那么就需要一个数据库配合使用。Python自带SQLite3库，可以在Python中方便的操作SQLite数据库。
Scikit-learn(sklearn)是机器学习中常用的第三方模块，对常用的机器学习方法进行了封装，包括回归(Regression)、分类(Classfication)、降维(DimensionalityReduction)、聚类(Clustering)等方法。网上搜学习资源、学习笔记的话也有非常多。
TA-Lib，全称“TechnicalAnalysisLibrary”,即技术分析库，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。
BeautifulSoup4是爬虫必学的技能。BeautifulSoup最主要的功能是从网页抓取数据。附上中文文档：BeautifulSoup4.4.0文档
掌握了量化金融的基本工具之后，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，肯定是先从经典策略比如双均线、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。
在掌握了经典策略之后，可以通过阅读券商研报、国外量化论文，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。在量化平台比如聚宽社区、优矿社区等都会有涉及，在网上随便搜搜也能搜出一堆。
但是，这些资源有个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。
券商研报虽然经常会比较水，但是还是有很多不错的文章可以借鉴的，推荐可以看券商金工部门的研报。我个人用得比较多的是慧博，可以在【系列专题】-【金融工程】里面找研报看。
另外，在经管之家也可以搜到一些券商研报资源
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，推荐可以参考AQR网站的论文资源。
顾名思义，就是凭借自己的金融知识，深入领会金融资产定价的无套利原则，灵活运用各类金融工具进行投资啦。所以，这就靠大家聪明的头脑，以及金融理论储备了，我这里就没什么好说的。
这里不展开细讲，大家可以点下面的链接，喵酱之前发布的文章有详细讲解到，作为参考。
对于在校大学生来说，最好的机会就是找到量化相关的实习，比如去券商基金的金工部门、量化部门等，真正操作一些具体的量化项目，同时也正好检验自己是否是真的对这方面感兴趣。
如果实习暂时难以找到，也可以在学校寻找是否有一些课题机会，或者参加一些量化方面的比赛，都是很好的实践机会。
大部分券商基金都有金工或者量化部门，是非常好的实习选择。但是如果是之前没有实习经历，可能会比较难获得机会，这时候动用亲戚朋友的力量也是非常可以的。
由于量化金融变得越来越火爆，目前针对大学生额量化比赛也是举办得越来越多了，比如量子金服主办的“量子杯”全国高校量化大赛，瑞银集团主办的全球量化大赛等，大家可以多多留意。参加比赛一来可以给自己一个学习研究的动力，二来如果获奖了可以写在简历上，给自己的经历贴上一朵小红花。
如果实在是实习、比赛都比较困难的话，可以问问导师有没有相关的课题，或者也可以在网上找找项目，实在不行也可以自己用python写写策略回测，或者用模拟盘或者实盘跑一跑自己的策略。
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~
量化篇之聚宽平台简介
各位量化爱好者，从业者，CQF学员大家好。感谢一直以来的关注，在此谢过各位老铁厚爱。今天给各位带来国内知名量化平台同时也是国内大资管之一的聚宽平台：
JoinQuant（北京小龙虾科技），目前全球最大的量化投研平台，是量化行业领先的金融科技公司。基于聚宽量化平台积累的用户，技术优势，以量化基金alpha算法服务进行商业变现。企业优势：
聚宽量化投研平台沉淀6年，服务量超40W量化投研用户
2017年获得百度近亿元的战略投资，占比30%股权
旗下私募基金聚宽投资，2018年开始运作，超额显著
基金2019年开始对外服务，当前管理规模近50亿
为国内TOP15券商超过12家提供量化投研、交易平台服务
为国内超过3000家量化机构提供量化数据JQdata服务
聚宽平台每年产生的交易额已经超过万亿，是一家技术驱动的平台型资管，正在突破百亿资管的路上。
今年我可能有幸见证又一家百亿量化资管的诞生，这得益于他们独特的人才招聘方式：
今天我有幸结识了聚宽平台的招聘总监，恩京姐。我特意问了招聘的门槛：
接下来的内容麻烦CQF学员自习阅读哈，尤其是打算依靠CQF转型的同学：
聚宽平台对于专业没有要求，这个格*我前所未见
硬门槛是985本硕，或者985本科+海归硕士，海本+海归硕士具体看简历
对于PhD招募没有年龄限制
需要你足够聪明，kaggle比赛，AMC商赛，CQF，学术期刊发表的论文都是大加分项
对于简历书写的兴趣选项：麻烦各位去仔细研究一下德州扑克，我不是建议各位去堵，如何应复杂的筹码去增加胜率这个雷同交易逻辑。
在职的同学请着重看这一条，如果是非量化行业转向量化行业，必须要有实盘业绩，也就是说自己需要有交易策略。否则几乎没可能的。
接下来是高顿学员福利：
我本人将会选取优秀CQF毕业生，推荐去聚宽平台，100亿规模的量化资管，平台非常好，这是通过我报名的学生的一部分福利，各位努力学习哈，深耕数学模型，深耕机器学习。
我个人的推荐要求：
CQF成绩好的基础上，数学要好，我个人的信条是数学不好，量化想出成绩是很难的；
要有实盘业绩，哪怕你是在校生，投入不用很多，用自己的钱去跑一跑，核心关注的指标有两个，收益率，最大回撤，没有规模，没有规模，没有规模。
最好是通过俺报名学习CQF滴。
8月份是2021年CQF的1月班考生交finalproject时间，也是6月班交Exam1的时间，之后请关注我们的通过率：
预祝各位学业顺利，工作愉快。
相比正规收账公司，催收平台怎么样
如果你的金额很大、是正规收账公司当地的债务、同时能够找到收账公司的话，你可以考虑一下这种形式。催收平台的话，就是无论单子大小以及是否是当地的债务都能够处理。目前做的比较好的催催宝来说吧，他们平台上面全国各地专业催客就有两万多个，催收体系也完善，整个催收效率也有了很多的提升。当然，两者其实不矛盾，因为你从催收平台上面也能找到正规收账公司，只是整个过程更加便捷了。你可以自己去了解一下，希望以上信息对你有帮助！
量化策略一般用什么平台回测？分别有什么优劣势
国内有三个比较好的平台，优矿，米筐，聚宽，都可以，觉得只要自己用的习惯就好
一创聚宽和聚宽啥区别？
"一创聚宽"和"聚宽"都是金融数据和量化交易平台，但它们之间存在一些区别：
公司背景不同： "一创聚宽"是广东一创金融信息服务有限公司旗下的金融科技公司，而"聚宽"则是北京聚宽数字科技有限公司旗下的金融科技公司。
提供的服务不同： "一创聚宽"主要提供股票、期货、期权等多品种交易策略的开发、回测、实盘交易等全流程量化交易服务。"聚宽"则提供数据服务、模拟交易、实盘交易、机器学习平台等一系列量化交易服务。
数据来源不同： "一创聚宽"的数据源来自于自营期货公司和一些数据供应商，而"聚宽"的数据来自于多家数据供应商，包括申万宏源、东方财富、通联数据等。
客户群体不同： "一创聚宽"主要服务于中小型机构和个人量化交易者，而"聚宽"则服务于广大量化投资者，包括个人、机构等不同的客户群体。
总之，虽然两个平台都提供金融数据和量化交易服务，但它们的定位、服务内容和数据来源等方面有所不同。用户可以根据自己的需求和实际情况，选择合适的平台进行使用。
量化平台的创导者-聚宽科技期待你的加盟
公司简介：
聚宽，国内量化平台的创导者，专注于金融量化工具和智能投顾的原创技术，是***领先的金融科技公司。
以“科技驱动金融，量化透视投资”作为长效使命，致力于通过数据、引擎、AI等技术手段帮助传统金融机构升级迭代，赋能其技术能力。2016-2017年，凭借出色的交互体验，扎实的技术实力，超过20家机构选择聚宽作为专业的合作伙伴，包括广发证券、国泰君安、平安证券等国内知名券商，目前基于聚宽平台技术能力和策略研发能力，已提供涵盖量化平台、智能投顾、策略研发等多项完整技术解决方案。
2017年聚宽获得来自百度的近亿元B轮融资，已在北京、上海、深圳等各地设立分部，团队由多年从事基金、证券行业的金融精英和百度、腾讯等互联网企业出身的顶尖工程师组成。
职位列表：高级测试工程师 工作职责： 1、对证券交易系统进行接口测试、自动化测试、性能测试 2、负责建立项目测试的标准和规范，保障项目的高质量上线 3、搭建维护测试环境的稳定，培训测试新人 任职要求： 1、会php/python/java至少一种编程语言，并且有熟练开发或者测试开发的经验 2、熟练测试理论，并且能够运用到实际项目中 3、很好的团队配合意识，较强的责任心 4、熟悉linux平台，有过中型规模系统的接口、自动化、性能测试经验 5、大学本科及计算机相关专业 6、加分项： 有证券交易系统测试经验 对股票、期货、期权有了解 负责过大型系统的测试管理工作 薪酬福利： 1.免费中晚两餐、下午茶零食，让您保持愉悦的心情和高昂的战力！ 2.不定期户外拓展、团建活动，增进小伙伴们的深厚友情！ 3.扁平化管理，年轻就该无极限！ 4.商业保险福利！ 可以与BAT的技术大牛/券商、基金、证券行业的金融精英一起工作，不断学习、刷新和保持自己的核心竞争力！ 薪酬：15k-30k(可面议) 工作地址:北京市朝阳区光华路SOHO二期c7-1室 有意者请发送您的简历到：hi@joinquant.com; 主题：姓名+职位
PHP高级研发工程师 职位描述: 1.在线金融量化平台的策略、用户、社区等模块的研发 2..程序化交易、消息推送等对外API的研发和对接 3.加解密、防攻击、认证等安全策略的研究和实现 4.高可用、高性能、易扩展等系统架构优化工作 5.新技术的调研与应用 职位要求: 1.本科以上学历，三年以上工作经验，熟练掌握计算机相关技能 2.优秀的编码能力，有扎实的算法、数据结构功底者优先 3.具有Linux下，基于PHP、MySql、NoSql的应用一线研发经验，熟悉Yii者优先 4.学习能力强，乐于钻研，较强的抗压能力 5.熟悉互联网金融系统或者金融知识者优先 薪酬福利： 1.免费中晚两餐、下午茶零食，让您保持愉悦的心情和高昂的战斗力！ 2.不定期户外拓展、团建活动，增进小伙伴们的深厚友情！ 3.扁平化管理，年轻就该无极限！ 4.商业保险福利！ 可以与BAT的技术大牛/券商、基金、证券行业的金融精英一起工作，不断学习、刷新和保持自己的核心竞争力！ 薪资范围：15K-30K（可面议） 工作地址：北京市朝阳区光华路soho2期C座7-1室有意者请发送您的简历到：hi@joinquant.com; 主题：姓名+职位
【聚宽科技】 python高级开发工程师（金融数据方向） 工作职责： 参与构建海量金融数据服务平台 高并发、低延迟的数据服务框架的研发 高速行情分发系统的研发，包括服务器和客户端SDK 完成相关文档编写 任职要求： 计算机相关专业，本科及以上 2年以上Linux下Python或C/C++开发经验 熟悉常见的设计模式、数据结构 熟悉高性能网络服务架构，熟悉gevent、tornado等网络框架优先 熟悉MySQL、Redis、MQ等常见的数据库和中间件 良好的编码习惯，编写清晰的文档 学习能力强，乐于钻研，善于沟通 薪酬福利： 1.免费中晚两餐、下午茶零食，让您保持愉悦的心情和高昂的战力！ 2.不定期户外拓展、团建活动，增进小伙伴们的深厚友情！ 3.扁平化管理，年轻就该无极限！ 4.商业保险福利！ 可以与BAT的技术大牛/券商、基金、证券行业的金融精英一起工作，不断学习、刷新和保持自己的核心竞争力！ 薪资：15k~25k(可面议） 工作地址：北京市朝阳区光华路soho2期C座7-1室 有意者请发送您的简历到：hi@joinquant.com; 主题：姓名+职位
【聚宽科技】python高级研发工程师（微应用）工作职责: 1.基于量化的互联网金融产品的技术研发 2.参与基于分布式的高并发、高可用的金融计算框架的设计和开发 任职要求： 1.985/211毕业 2.熟练使用Python/C++，有扎实的编码能力 3.熟悉常见的数据结构和算法 4.熟悉常见的互联网开发技术，如数据库、分布式、高可用、安全等 5.学习能力强，乐于钻研，较强的抗压能力 6.一年以上工作经验 薪酬福利： 1.免费中晚两餐、下午茶零食，让您保持愉悦的心情和高昂的战力！ 2.不定期户外拓展、团建活动，增进小伙伴们的深厚友情！ 3.扁平化管理，年轻就该无极限！ 4.商业保险福利！ 可以与BAT的技术大牛/券商、基金、证券行业的金融精英一起工作，不断学习、刷新和保持自己的核心竞争力！ 薪资：15k-30k（可面议） 工作地址：北京市朝阳区光华路soho2期C座7-1室 有意者请发送您的简历到：hi@joinquant.com; 主题：姓名+职位
4千字超长干货！Hiyo酱带你解读，量化学习必备的“四大工具”！ - 知乎
上次，Hiyo酱结合自己的学习量化的经历，来跟大家分享了作为小白，该如何零基础入门量化投资？没看过的小伙伴，可以查看下方文章链接：
思来想去，Hiyo酱总感觉，上次的内容说得比较笼统，那么，今天这期就量化工具模块，单独给大家做个比较系统的普及，让大家对量化工具有一个更加清晰和明确的认知。
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。
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。
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。
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。
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”。
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。
第四个是技术分析常用模块TA-Lib，全称“TechnicalAnalysisLibrary”，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。
我这里附上TA-Lib公式大全，这个网址是Python=wrapperforTA-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。
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。
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***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~
CFA、FRM、AQF持证人，一个纯金融背景但热爱写代码的软妹，日常分享一些自己的考证心得和量化学习的经验。
国内量化交易平台的数据库谁最棒？
额
国内支持股票期货非含研资无后货低培期权基金交易的量化平台都有哪几家？
目前国内量化交易平台主要有掘金量化、优矿、聚宽、米筐、讯投、国泰君安、同花顺、龙软、TB、京东量化、Big、雷矿等等。专业度较高应该是掘金量化、讯投、优矿用户量较大应该是聚宽米筐人工智能：Big
tushare与聚宽哪个好？
Tushare好！它是一个免费、开源的python财经数据接口包。主要实现对股票等金融数据从数据采集、清洗加工 到 数据存储的过程，能够为金融分析人员提供快速、整洁、和多样的便于分析的数据。