随着电脑技术和网络科技的发展，程式化交易发展很快。完全解放了人的双手，优秀的操盘手不再需要24小时盯行情变动，纽约华尔街上的许多大公司的外汇交易员并不是把主要精力与时间放在人工盯盘与手动操作上，而是放在不断编写与完善自己的交易策略，然后编成EA，让电脑去自动执行。
　　EA智能交易时代的到来
EA智能交易是金融投资行业的一个里程碑事件。未来的金融市场是程序化交易的天下。然而综观中国，现有的智能交易水平仅相当于欧美上世纪80年代末。所以当我们的货币精英一在中国面试，立即受到热烈追捧。公司目前面对市场发展需求，成立EA程序化交易团队，欢迎国内有识之士前来挑战！
工作职责：
1.从事基于MT4平台（或其他类似平台）软件的程序编写。
2.使用 MQL 语言在 MT4平台上编写EA、指标及脚本。
3.负责全自动EA智能交易软件的调试工作。
4.协助开发和维护基于各种交易策略的自动化交易程序。
5.监控相关软件的运行，并在必要时进行必要的调整。
6.负责MT4平台插件的开发与其他软件程序的开发。
7、为公司的账户进行交易盈利；
8、每个月进行交易总结，即时准确汇报公司各项账户信息；
9、严格执行公司各项制度，并定期整理交易数据，向上级领导账户分析结果；
10、配合其他部门有关工作；
11、遵守公司的各项管理制度，承办领导交办的其他工作。
注：有2年以上EA实盘交易管理经验，能提供实盘的EA交易记录者，可直接操盘账户并负责程序EA程序开发工作。
职责描述：
1.大学本科以上学历，计算机，数学，统计学专业毕业者优先考虑
2.从事MT4智能交易开发，手上已有稳定收益策略开发者优先考虑
3.对外汇、期货等金融衍生品交易的相关知识有一定的研究 精通C/C++及JAVA或者C#.net程序设计，掌握MQL4语言。
4.为人正直、诚恳，具有良好沟通协调能力、较强的责任心和保密意识；
5.了解黄金、外汇交易相关知识且有金融类软件研发或程序化交易产品研发经验者优先。
五险一金员工旅游专业培训出国机会绩效奖金
在招聘、录用期间要求你支付费用的行为都必须提高警惕。以招聘为名的培训、招生，许诺推荐其他工作机会，甚至提供培训贷款，或者支付体检、服装、押金和培训等费用后才能录用工作的，都属于违法行为，应当提高警惕。一经发现，请，并向当地公安机关报案。
简历匹配度
申请该职位
热门职位热门城市周边城市
无忧工作网版权所有(C)51job.com（沪ICP备）有些国外的平台、社区、博客如果连接无法打开，那说明可能需要&科学&上网
量化交易平台
国内在线量化平台：
&- 可以无门槛地使用机器学习、人工智能开发量化策略，基于python，提供策略自动生成器
&- 基于量化回测平台
&- 回测量化平台
&- 算法交易和量化回测平台
&- 量化回测平台
&- 通联量化实验室
&- 量化交易平台
&- 基于R语言量化回测平台
&- 数库多因子量化平台
&- 量化交易平台
&- 回测量化平台
国外量化平台：
&研究、回测、算法众包平台
&研究、回测和投资交易
&研究、回测和投资交易、数据科学网站
&研究、交易平台
&自动交易平台
&研究、策略平台
&策略研究平台
&可以股票、外汇模拟交易的财经网站
&提供系统交易工具的一家公司
&股票、ETF、期货自动交易系统
&数据工程师众包的一家对冲基金
&财富管理平台
&个人投资平台
&量化交易平台
&基于JavaScript开源交易开发框架
相关平台：
&- 支持C/C++、C#、MATLAB、Python和R的量化交易平台
&- 提供基于matlab量化工具
&- 策略交易平台
&- 基于C#的开源量化回测平台
基于图表的量化交易平台
文华赢智 、TB、金字塔、MultiCharts 中国版 - 程序化交易软件、MT4、TradeStation
Auto-Trader - 基于MATLAB的量化交易平台
BotVS - 云端在线量化平台
&- 数据分析包
&- 一个Python的回测框架
&- 基于python的开源交易平台开发框架
&- 财经数据接口包
&- 进行自动的程序化股票交易
&- 一个Python的事件驱动回测框架
&- Pyalgotrade-cn在原版pyalgotrade的基础上加入了A股历史行情回测，并整合了tushare提供实时行情。
&- 基于winpython的集成式python开发平台
&- 量化金融建模
&- 基于Python的回测引擎
&- 基于python的量化回测框架
&- 基于pyctp接口，并采用vnpy的eventEngine，使用tkinter作为GUI的python交易平台
&- Lean Algorithmic Trading Engine by QuantConnect (C#, Python, F#, VB, Java)
&- 量化金融策略框架
其他量化交易平台：
Progress Apama、龙软DTS、国泰安量化投资平台、飞创STP、易盛程序化交易、盛立SPT平台、天软量化回测平台 、量邦天语、EQB-Quant
新浪、雅虎、东方财富网 - 免费
聚合数据、数粮 、数据宝 - 收费
&- 基于mongodb和python的高性能时间序列和tick数据存储
&- 收费的高性能金融序列数据库解决方案
&- 用mongodb存储时间序列数据
&- Go写的分布式时间序列数据库
. - 基于HBase的时间序列数据库
&- 基于Cassandra的时间序列数据库
网站、论坛、社区、博客
&- 用Javascript or Python进行量化交易
&- 期货交易所提供的API
&- 基于python的开源交易平台开发框架
&- 统一行情交易接口第2版
&- 提供券商华泰/佣金宝/银河/广发/雪球的基金、股票自动程序化交易，量化交易组件
&- 盈透证券的交易API
&- 推荐通过下载安装
&- Windows用户从这里可以下载许多python库的预编译包
- Python 算法思维训练
&- Python做数据分析的基础
&- 绩效评估
&- 技术指标
&- 常用统计模型
&- 时间序列
&- 组合风险评估
&- Apache Spark上的时间序列库
&- 从国内清华镜像下载安装
&- R的常用开发平台下载
&- datacamp的在线学习
&- 用R进行计算金融分析
&- CRAN官方的R金融相关包整理
&- R包的awesome
&- 北京大学 郭炜
- 清华大学 乔林
&- 清华大学 徐明星
- C++设计模式
&- 在线文档
&- C++库整理
&- 现代C++库整理
&- 官方整理
&- 经济学诺奖获得者Thomas Sargent教你在量化经济的应用。
&- 多数为正在实现中，感兴趣的可以参与
编程能力在线训练
&- 包含常用语言(C++, Java, Python, Ruby, SQL)和相关计算机应用技术(算法、数据结构、数学、AI、Linux Shell、分布式系统、正则表达式、安全)的教程和挑战。
&- C, C++, Java, Python, C#, JavaScript, Ruby, Bash, MySQL在线编程训练
Quant Books
《投资学》第6版[美]兹维&博迪.文字版 ()
《打开量化投资的黑箱》 里什&纳兰
《宽客》[美]&（） 著；，&译
《解读量化投资：西蒙斯用公式打败市场的故事》 忻海&
《Trends in Quantitative Finance》 Frank J. Fabozzi, Sergio M. Focardi, Petter N. Kolm
《漫步华尔街》麦基尔
《海龟交易法则》柯蒂斯&费思
《交易策略评估与最佳化》罗伯特&帕多
《统计套利》 安德鲁&波尔《信号与噪声》纳特&西尔弗
《期货截拳道》朱淋靖
《量化投资&策略与技术》 丁鹏
《量化投资&以matlab为工具》 李洋faruto
《量化投资策略:如何实现超额收益Alpha》 吴冲锋
《中低频量化交易策略研发（上）》 杨博理
《走出幻觉走向成熟》 金融帝国
《失控》凯文&凯利
《通往财务自由之路》范K撒普
《以交易为生》 埃尔德
《超越技术分析》图莎尔&钱德
《高级技术分析》布鲁斯&巴布科克
《积极型投资组合管理》格里纳德，卡恩
《金融计量学:从初级到高级建模技术》 斯维特洛扎
《投资革命》Bernstein
《富可敌国》Sebastian Mallaby
《量化交易&&如何建立自己的算法交易事业》欧内斯特&陈
《》 本杰明&格雷厄姆
《黑天鹅&如何应对不可知的未来》 纳西姆&塔勒布
《期权、期货和其他衍生品》&
《Building Reliable Trading Systems: Tradable Strategies That Perform As They Backtest and Meet Your Risk-Reward Goals》 Keith Fitschen
《Quantitative Equity Investing》by Frank J. Fabozzi, Sergio M. Focardi, Petter N. Kolm
Barra USE3 handbook
《Quantitative Equity Portfolio Management》 Ludwig Chincarini
《Quantitative Equity Portfolio Management》 Qian & Hua & Sorensen
Quant Papers
Machine Learning Related
Cavalcante, Rodolfo C., et al. "Computational Intelligence and Financial Markets: A Survey and Future Directions." Expert Systems with Applications 55 (2016): 194-211.
Low Frequency Prediction
Atsalakis G S, Valavanis K P. Surveying stock market forecasting techniques Part II: Soft computing methods. Expert Systems with Applications, ):.&
Cai X, Lin X. Feature Extraction Using Restricted Boltzmann Machine for Stock Price Predic- tion. 2012 IEEE International Conference on Computer Science and Automation Engineering (CSAE), .
Nair B B, Dharini N M, Mohandas V P. A stock market trend prediction system using a hybrid decision tree-neuro-fuzzy system. Proceedings - 2nd International Conference on Advances in Recent Technologies in Communication and Computing, ARTCom . 381&385.&
Lu C J, Lee T S, Chiu C C. Financial time series forecasting using independent component analysis and support vector regression. Decision Support Systems, ):115&125.&
Creamer G, Freund Y. Automated trading with boosting and expert weighting. Quantitative Finance, ):401&420.&
Batres-Estrada, Bilberto. "Deep learning for multivariate financial time series." (2015).&
Xiong, Ruoxuan, Eric P. Nicholas, and Yuan Shen. "Deep Learning Stock Volatilities with Google Domestic Trends." arXiv preprint arXiv: (2015).
Sharang, Abhijit, and Chetan Rao. "Using machine learning for medium frequency derivative portfolio trading." arXiv preprint arXiv: (2015).
Reinforcement Learning
Dempster, Michael AH, and Vasco Leemans. "An automated FX trading system using adaptive reinforcement learning." Expert Systems with Applications 30.3 (2006): 543-552.&
Tan, Zhiyong, Chai Quek, and Philip YK Cheng. "Stock trading with cycles: A financial application of ANFIS and reinforcement learning." Expert Systems with Applications 38.5 (2011): .&
Rutkauskas, Aleksandras Vytautas, and Tomas Ramanauskas. "Building an artificial stock market populated by reinforcement‐learning agents." Journal of Business Economics and Management 10.4 (2009): 329-341.
Deng, Yue, et al. "Deep Direct Reinforcement Learning for Financial Signal Representation and Trading." (2016).
Natual Language Processing Related
Bollen J, Mao H, Zeng X. Twitter mood predicts the stock market. Journal of Computational Science, ):1&8.&
Preis T, Moat H S, Stanley H E, et al. Quantifying trading behavior in financial markets using Google Trends. Scientific reports, 4.&
Moat H S, Curme C, Avakian A, et al. Quantifying Wikipedia Usage Patterns Before Stock Market Moves. Scientific Reports, &5.&
Ding, Xiao, et al. "Deep learning for event-driven stock prediction." Proceedings of the 24th International Joint Conference on Artificial Intelligence (ICJAI&15). 2015.&
Fehrer, R., & Feuerriegel, S. (2015). Improving Decision Analytics with Deep Learning: The Case of Financial Disclosures. arXiv preprint arXiv:.&
High Frequency Trading
Nevmyvaka Y, Feng Y, Kearns M. Reinforcement learning for optimized trade execution. Proceedings of the 23rd international conference on Machine learning ICML 06, ):673&680.&
Ganchev K, Nevmyvaka Y, Kearns M, et al. Censored exploration and the dark pool problem. Communications of the ACM, ):99.&
Kearns M, Nevmyvaka Y. Machine learning for market microstructure and high frequency trading. High frequency trading - New realities for traders, markets and regulators, .&
Sirignano, Justin A. "Deep Learning for Limit Order Books." arXiv preprint arXiv: (2016).&
Deng, Yue, et al. "Sparse coding-inspired optimal trading system for HFT industry." IEEE Transactions on Industrial Informatics 11.2 (2015): 467-475.
Ahuja, Saran, et al. "Limit order trading with a mean reverting reference price." arXiv preprint arXiv: (2016).&
A&t-Sahalia, Yacine, and Jean Jacod. "Analyzing the spectrum of asset returns: Jump and volatility components in high frequency data." Journal of Economic Literature 50.4 (2012): .&
Portfolio Management
B. Li and S. C. H. Hoi, &Online portfolio selection,& ACM Comput. Surv., vol. 46, no. 3, pp. 1&36, 2014.&
Heaton, J. B., Polson, N. G., & Witte, J. H. (2016). Deep Portfolio Theory.&
Eugene F. Fama, Kenneth R. French. The cross-section of expected stock returns. Journal of Finance, 47 (1992), pp. 427&465.
一堆学术期刊可以常常去浏览一下，也会有许多思路，作者常常看的有：
Journal of FinanceJournal of Financial Economics
Review of Financial Studies
Journal of Accounting and Economics
Review of Accounting Studies
Journal of Accounting Research
Accounting Review
Journal of Financial and Quantitative Analysis
Financial Analysts Journal
Financial Management
Journal of Empirical Finance
Quantitative Finance
Journal of Alternative Investments
Journal of Fixed Income
Journal of Investing
Journal of Portfolio Management
Journal of Trading
Review of Asset Pricing Studies
经济学（季刊）
阅读(...) 评论()量化交易必读：国内12大量化平台全解析
观点：期指在中国式对冲基金雏形期，套利交易在模式和运作上，初期阶段大同小异，因此，业绩比拼关键是两点：一是模型的多元化，二是交易系统的优越。
中低端平台适合投资者进行趋势、反趋势等对行情和交易逻辑要求不高的策略，高端交易平台适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。
从广义上讲，量化交易是指投资者利用计算机技术、金融工程建模等手段将自己的金融操作用很明确的方式去定义和描述，用以协助投资者进行投资决策，并且严格按照所设定的规则去执行交易策略（买卖、价格、数量等）的交易方式。
按照数学模型的理念和对计算机技术的利用方式，量化交易可以进一步细分为自动化交易（Automatic Trading）、量化投资（Quantitative Investment）、程序化交易（Program Trading）、算法交易（Algorithm Trading）以及高频交易（High Frequency Trading）。这五种量化交易方式的侧重点各有不同，是量化交易技术发展到不同阶段的产物，也是不同量化交易用户群的不同交易方式。
量化交易平台是指能分别满足上述五种交易方式的平台，要求其从交易系统的行情和基础数据、交易和执行、策略研发和运营三个主要方面既要做到大而全，也要做到深而精。这对目前大中型金融机构的IT以及实际运营部门是很大的挑战，同时也提供了发展机遇。
目前的量化交易平台可以从开发语言、技术架构、系统架构、策略方向、交易方式等几个方面，分为中低端和高端量化交易平台。
中低端量化交易平台
中低端平台只支持复杂度不高的脚本语言实现策略逻辑，多数的实现只能在图表上加载技术指标进行自动化交易、程序化交易等量化交易方式。
中低端平台一般采用的技术架构是投资者使用平台商提供的客户端软件，采用互联网接入方式连接平台商或者金融经纪公司提供的行情和基础数据服务器，投资者在本地运行的策略触发后，通过经纪公司的普通交易席位进行交易。由于技术架构的限制，行情、交易有一定的延时。
受策略脚本解析和执行效率、技术架构的限制，中低端平台对于多品种、多周期、多账户、多交易市场、多策略、复杂金融工具包等复杂系统架构的支持都有一定的限制。一般的系统实现流程为：投资者的策略在本地接收市场数据后，根据策略简单计算的触发条件，进行简单的账户持仓、资金计算和管理，进而下达买卖方向、数量、价格等指令，进行自动交易。
中低端平台适合投资者进行趋势、反趋势等对行情和交易逻辑要求不高的策略，是目前市场上个人投资者应用最多的一类大众化的量化交易平台。
国内中低端量化交易平台
国内应用的中低端量化交易平台主要有文华赢智程序化交易、交易开拓者、金字塔决策交易系统、达钱&multicharts、安翼金融终端等。
1.文华赢智程序化交易平台
文华赢智采用麦语言开发技术指标模型，产生买卖信号后驱动交易下单。在量化模型研发方面，赢智提供了国内股票和期货的全部品种多周期的时间序列历史行情数据和近期的TICK数据，同时提供了丰富的行情函数、账户和交易的部分函数和一些统计函数用于策略开发，还提供了丰富的策略回测报告项作为策略绩效评估的依据。在量化交易方面，赢智提供支持最多24个品种进行的多线程独立的程序化交易，同时使用下单精细化组件，实现了部分算法交易的功能。由于采用客户端的技术架构，虽然赢智实现了高频交易的功能模块，但是在实际应用中，高频交易建议托管在文华机房。现阶段，赢智以其程序化实现简单、性价比高等特点，在中低端量化交易平台中占有一定的优势。
2.交易开拓者程序化交易平台
交易开拓者（TB）采用语法类似Pascal的TBL语言开发策略模型，根据账户持仓状况和图表买卖信号驱动交易下单。在量化模型研发方面，TB提供了国内期货多周期的历史行情数据和近期的TICK数据；提供了较为全面的行情数据函数、账户和交易函数、统计函数用于策略开发；提供了丰富策略回测报告项作为策略绩效评估的依据。在量化交易方面，单个TB终端支持20-30个单品种的图表并发接收行情并交易，但由于客户端技术架构的限制，其对于高频和更复杂策略的支持不足。现阶段，TB市场推广做得较好，合作的期货公司较多，在中低端量化交易平台的市场占有率较高。
3.金字塔决策交易系统
金字塔决策交易系统（下称金字塔）采用VB脚本语言开发策略模型，使用较复杂的账户函数和交易函数进行资金管理，既可以使用图表买卖点，也可使用非图表的交易判断驱动交易下单。在量化模型研发方面，金字塔提供了国内股票和期货的历史行情数据和TICK数据，也可以使用外盘数据；提供了更为全面的行情数据函数、较多的账户和交易函数、统计函数用于策略开发，同时也支持外接统计数据库和专业的统计分析软件Lib库做扩展；提供了较为丰富策略回测报告项作为策略绩效评估的依据。在量化交易方面，除了支持图表驱动的程序化交易外，也可以进行篮子交易、算法交易和较复杂的对冲交易的实现，但是同样受客户端的技术架构限制，其对于高频交易、全市场策略的交易等更复杂的策略支持不够。现阶段，金字塔合作的期货公司逐渐增多，在中低端量化交易平台的市场占有率较高。
4.达钱&multicharts自动化交易
达钱&multicharts自动化交易系统（MC）采用power language开发策略模型，达钱提供行情和交易网关，multicharts实现策略开发和执行平台。在量化模型研发方面，由达钱提供的一段时间内的国内期货历史行情和TICK行情。MC承袭了TradeStation的丰富的函数库和策略库，以及便捷的开发特点，提供了更为完善的回测和绩效评价体系，为策略的研发提供了完善的评估。在量化交易方面，MC只支持程序化和自动化交易，对于高端的量化交易模式支持不够。由于MC进入国内不久，在中低端量化交易平台的市场占有率还不高。
5.安翼金融终端程序化交易
安翼金融终端（下称安翼）采用技术指标的通用脚本语言开发交易模型，进行图表驱动的自动化交易，是由某券商独立开发的进行国内股票和期货的自动化交易工具。目前安翼提供了国内股票和期货的历史行情，可以进行相对简单的图表交易和股票、期货的对冲交易，程序化交易工具免费使用。虽然安翼只能用该券商交易通道进行交易，但却标志着国内股票和期货的量化交易已经提升到一个全面发展阶段。
高端量化交易平台
高端量化平台除了支持复杂脚本语言实现策略逻辑外，均支持直接使用C++、JAVA等开发语言实现复杂的策略逻辑，一般为了追求执行效率，不采用界面显示图表，而采用多进程、多线程方式进行自动化交易、程序化交易、算法交易，甚至为了追求极致，使用硬件技术进行高频交易等量化交易方式。
高端交易平台通常采用的技术架构是使用服务器执行策略的架构，行情使用转发路径最少的极速、深度行情，交易通道采用专用、直连的交易通道进行交易。行情和交易的延时都要求尽可能最低。
高端交易平台定位于资产管理，在系统架构上严格区分策略研发和策略运营执行两个阶段。对于策略研发阶段，需要多品种、多周期、多账户、多交易市场、多策略、复杂金融工程包的支持，以实现复杂的策略逻辑；对于策略运营执行阶段，系统架构要保证各种风控、应急处理、交易方式和策略的平稳有效执行。系统的实现流程除了满足交易本身的要求外，还要满足机构本身的业务流程和规范，以及监管层的要求。
高端交易平台适合机构投资者进行趋势、套利、对冲、高频等对行情和交易要求高、逻辑复杂度高的策略。随着国内金融市场创新的提速，机构投资者对高端交易平台的需求和潜在需求呈快速上升趋势。
国内高端量化交易平台
国内应用的高端量化交易平台主要有Progress Apama、龙软DTS、国泰安量化投资平台、天软量化平台、飞创STP、易盛程序化交易、盛立SPT平台等。
1.Progress Apama
Apama采用EPL和JAVA语言开发或者定制策略模型，通过行情、资讯等驱动CEP引擎进行交易、风控等操作。在量化模型研发方面，Apama使用第三方的行情授权，提供了各市场行情接口和各种柜台交易接口的接入，可以接入国内股票和期货多周期的时间序列历史行情数据和TICK数据；提供了丰富的金融工具包进行复杂策略开发；提供了便捷的studio开发工具，可以进行复杂策略的快速开发和定制；提供了1万倍加速测试进行策略回测，可以方便地定制测试报告。在量化交易方面，Apama提供了150万笔/秒的交易并发处理能力，进行高频交易、算法交易。Apama高端的并发处理能力，使全市场的多品种并发套利、对冲等交易策略和实时风控策略可以高速执行。现阶段，Apama在国际投行的自营、资管、经纪业务中占有很大的市场份额。从2012年开始，Apama逐步拓展国内的业务，几家较大的证券和期货公司已经开始正式上线推广Apama和相关的量化交易应用。
DTS采用LUA脚本语言开发策略模型，通过平台提供的历史和实时行情、基本资料数据、宏观数据的统计分析，实现投研和交易。在量化模型研发方面，DTS既可使用平台自有的数据源，也可以接入第三方数据源。DTS还提供了一些金融工具包，进行复杂策略开发、回测和绩效评价。在量化交易方面，DTS提供的可以扩展的服务器端技术架构，保证了策略的高并发和高速执行，其在程序化交易、量化交易、算法交易、对冲和套利交易方面都有实际应用。
3.国泰安量化投资平台
国泰安量化投资平台分为研究平台（QIA-Lite）和交易平台（QRC），采用matlab的toolbox的形式无缝兼容了matlab的研发环境，由交易平台实现策略交易。在量化模型研发方面，国泰安投研平台使用自有的行情源、基本面数据、高频数据、量化因子数据库，完全兼容matlab所有的函数，实现了模型的研发和回测。在量化交易方面，其支持了国内主流证券和期货的柜台，在股票和期货的程序化交易、算法交易等方面都有实际应用。
4.天软量化研究和交易平台
天软量化研究和交易平台采用天软特有的TSL语言开发策略模型，通过天软的交易网关，实现量化交易的执行。在量化模型研发方面，采用高性能数据仓库提供的历史和TICK行情、基础资料数据、宏观数据等数据源，同时提供了7000种开源的函数库，进行策略的研发、回测、绩效分析。在量化交易方面，其基本实现了自动交易、程序化交易、算法交易等量化交易方式。
飞创量化交易平台采用JAVA语言，通过可定制的模板开发策略模型，进行高频交易。STP通过统一的开发和资管运营平台，实现策略的研发、回测、风控和资管运营。由于使用了高速的柜台交易接口，其主要面向高频套利、程序化交易等交易模式的用户。
6.易盛程序化交易平台
易盛程序化交易既可采用类似Easy Language的语言开发策略模型，实现程序化交易和套利交易，也可以根据易盛柜台提供的行情和交易API，采用C++开发外接应用的方式，实现期货、股票的更复杂的量化交易。在量化模型研发方面，易盛程序化提供的EL开发模型，类似于中低端的量化交易平台，但在行情的速度、交易和账户函数的实时性和精细化处理方面，达到了高端量化交易平台的要求。在量化交易方面，易盛柜台的行情和交易速度具有一定的比较优势，量化交易平台支撑的应用主要是期货的程序化交易、自动交易、对冲和套利交易。
7.盛立SPT平台
盛立金融软件的SPT平台，采用C++语言和定制的策略开发模板进行策略研发，采用独立的运营和回测平台进行模拟和真实交易。虽然SPT平台在国内应用不多，但凭借其100万笔/秒的行情并发处理能力、交易的毫秒级别的延迟，在量化交易平台中引人注目。SPT提供了一些策略模板，可以很方便地实现程序化交易、套利和对冲交易、算法交易、高频交易等。
现阶段，除了上述几个相对成熟且具有一定应用客户的高端量化交易平台外，也有较大金融机构使用像Sysbase CEP、StreamBase等高频中间件来构建量化交易平台。此外一些传统的交易柜台厂商如金仕达、恒生等，也在逐步推出高端量化交易平台。
史上最全量化交易资源整理
从零开始搭建量化投资分析平台之二——从搭建量化投资数据库开始（2）
程序员的量化交易之路（1）----规划开篇
一个量化交易策略师的自白
量化交易初学者5本必备书籍
国内量化交易平台
国内量化交易平台
没有更多推荐了，}