1. 中国的 Python 量化交易工具链有哪些
万得的Python API，可以用来获取实时数据、历史数据以及下单交易 优点：万得大而全 缺点：下单交易功能不是事件驱动（例如成交回报需要用户去查询，而不是主推）
同花顺iFinD的Python API，类似万得的API 优点：比万得便宜，同花顺的服务态度很好（用户提出新需求后很快就能给出确定的答复或者解决方案）
掘金的量化平台
通联数据的量化平台
QuickFix的Python API（可以用来接国信、方正的FIX接口）
Numpy/Scipy/Matplotlib/Pandas（量化分析）
IPyhon/Spyder（适合做量化分析的IDE环境）
Zipline（策略开发回测）
TuShare财经数据接口 - 可以直接抓取新浪财经、凤凰财经的网站数据，包括行情、基本面、经济数据等等。完全免费，简洁易用，API设计得非常友好，提取的数据格式是Pandas的DataFrame。同时可以获取非高频实时数据（取决于网站更新速度，同事经验大约是15秒），一个极好的非高频股票策略数据解决方案。
恒生电子的量化赢家平台，提供Python接口，链接我点进去后没看到具体的使用教程，希望回头补一下。
米矿ricequant在我提出这个问题时尚只有Java的API，后来也支持了Python，期待2016有新的突破。
2. 如何可以优化提升pandas的read
import pandas as pd
data=pd.read_csv('目录+文件名') #打开csv文件的方式
data=pd.read_excel('目录+文件名') #打开xls或xlsx文件的方式
仿照类似的，pandas还可以打开一些其他文件
3. 用pandas做数据分析
这个软件做数据分析是非常不错的，值得信赖。
4. pandas 如何对上千万数据分组“快速”取第一行和最后一行
鼠标选中a1格，按住左键，向下拖到最后一格，就选中一列。如果继续横向拖，就能选中一个区域。
鼠标选中a1格，按住左键，向左拖到最后一格，就选中了一行，继续向下拖，也可以选中一个区域。
楼上说的是键盘操作法，我说的是鼠标操作法。
5. 怎么学习python量化交易
下面教你八步写个量化交易策略——单股票均线策略
1 确定策略内容与框架
若昨日收盘价高出过去20日平均价今天开盘买入股票
若昨日收盘价低于过去20日平均价今天开盘卖出股票
只操作一只股票，很简单对吧，但怎么用代码说给计算机听呢？
想想人是怎么操作的，应该包括这样两个部分
既然是单股票策略，事先决定好交易哪一个股票。
每天看看昨日收盘价是否高出过去20日平均价，是的话开盘就买入，不是开盘就卖出。每天都这么做，循环下去。
对应代码也是这两个部分
definitialize(context):
用来写最开始要做什么的地方
defhandle_data(context,data):
用来写每天循环要做什么的地方
2 初始化
我们要写设置要交易的股票的代码，比如 兔宝宝（002043）
definitialize(context):
g.security='002043.XSHE'#存入兔宝宝的股票代码
3 获取收盘价与均价
首先，获取昨日股票的收盘价
#用法：变量=data[股票代码].close
last_price=data[g.security].close#取得最近日收盘价，命名为last_price
然后，获取近二十日股票收盘价的平均价
#用法：变量=data[股票代码].mavg(天数，‘close’)
#获取近二十日股票收盘价的平均价，命名为average_price
average_price=data[g.security].mavg(20,'close')
4 判断是否买卖
数据都获取完，该做买卖判断了
#如果昨日收盘价高出二十日平均价,则买入，否则卖出
iflast_price>average_price:
买入
eliflast_price<average_price:
卖出
问题来了，现在该写买卖下单了，但是拿多少钱去买我们还没有告诉计算机，所以每天还要获取账户里现金量。
#用法：变量=context.portfolio.cash
cash=context.portfolio.cash#取得当前的现金量，命名为cash
5 买入卖出
#用法：order_value(要买入股票股票的股票代码，要多少钱去买）
order_value(g.security,cash)#用当前所有资金买入股票
#用法：order_target(要买卖股票的股票代码，目标持仓金额）
order_target(g.security,0)#将股票仓位调整到0，即全卖出
6 策略代码写完，进行回测
把买入卖出的代码写好，策略就写完了，如下
definitialize(context):#初始化
g.security='002043.XSHE'#股票名:兔宝宝
defhandle_data(context,data):#每日循环
last_price=data[g.security].close#取得最近日收盘价
#取得过去二十天的平均价格
average_price=data[g.security].mavg(20,'close')
cash=context.portfolio.cash#取得当前的现金
#如果昨日收盘价高出二十日平均价,则买入，否则卖出。
iflast_price>average_price:
order_value(g.security,cash)#用当前所有资金买入股票
eliflast_price<average_price:
order_target(g.security,0)#将股票仓位调整到0，即全卖出
现在，在策略回测界面右上部，设置回测时间从20140101到20160601，设置初始资金100000，设置回测频率，然后点击运行回测。
7 建立模拟交易，使策略和行情实时连接自动运行
策略写好，回测完成，点击回测结果界面（如上图）右上部红色模拟交易按钮，新建模拟交易如下图。 写好交易名称，设置初始资金，数据频率，此处是每天，设置好后点提交。
8 开启微信通知，接收交易信号
点击聚宽导航栏我的交易，可以看到创建的模拟交易，如下图。 点击右边的微信通知开关，将OFF调到ON，按照指示扫描二维码，绑定微信，就能微信接收交易信号了。
6. 怎么用python panda 算股票市场收益率
1.收集数据，开盘价，收盘价，交易量
2.用pandas处理数据，处理缺失值
3.用股票收益率的公式带入
说白了，pandas只是个好用的工具，方法都是一样的，只是效率问题
有多少人工，就有多少智能
7. 有没有基于python pandas的回测框架
关键词：开源、python/pandas、易学方便、可以并行、参数优化、事件驱动、亚ms速度、持续维护、支持股票/期货等
介绍：
在事件驱动的回测框架中，引擎逐个读取Bar或Tick并处理。数据采集模块生成市场数据事件，流经策略模块（Strategy类）产生交易信号，资产组合模块根据策略信号，并结合风险管理来判断是否委托下单，模拟的交易所根据滑点、手续费状况等返回成交结果。
使用XQuant后，大部分时候我们不需要关心底层是如何处理的，只需要在Strategy类中完成从数据到信号的处理即可，这有利于我们快速开发策略。
详细见Github，欢迎star、issue，PR。
【Update】结合其他回答有必要更新一下，供大家参考：
明晰两个问题：
1）事件驱动在大部分时候都是必须的，尽量去模拟真实交易过程中的数据播放过程，避免引入未来函数等，机器学习的feature之类可以预先算好存起来；
2）pandas用来I/O，内部的数据结构还是用python自带的，这样达到0.1ms/条的数据处理还是挺容易的，如果还是嫌速度慢，可以利用多核优势，并行运算。
8. 如何 python，pandas判断一个策略的好坏
启动IPython notebook，加载pylab环境： ipython notebook --pylab=inline Pandas提供了IO工具可以将大文件分块读取，测试了一下性能，完整加载9800万条数据也只需要263秒左右，还是相当不错了。 import pandas as pd reader = pd.read_csv('dat
9. pandas如何删除指定行
1、前提：加载numpy,pandas和Series,DataFrame。生成一个Series，并删除索引为‘c’的项，如图所示。
10. numpy+pandas除了效率对比excel还有什么功能上的优势吗
python优势：
1. 处理超大量数据（excel 2010 最多100w行）
2. 需要频繁改动参数的重复性工作
3. 最大的优势：各种包（算法包，数据处理包）
除开以上情况，excel和一些数据可视化工具秒杀python（尤其是可视化及可视化后的交互方面），如果你觉得excel不如python，只能说明你不够了解excel函数和vba编程