全球顶级量化基金开源项目汇总

全球知名量化基金团队都在 GitHub 上开源了什么？

普通人怎么了解量化？直接上手是最快的 ——Jane Street、高盛、摩根大通之外、AQR、Two Sigma、Man Group、D.E. Shaw、Point72 等8 家全球顶级量化基金/机构陆续放出的代表性金融、工程工具基本都在这了。

从底层性能调试、衍生品定价，到你每天都在用却不一定知道出身的基础设施，全部免费学、免费用👇

1. Jane Street magic-trace（6.1k stars）

http://github.com/janestreet/magic-trace

基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候，它能以纳秒级分辨率还原 CPU 每一条指令的完整执行过程。想深入调试性能、搞清楚程序到底卡在哪里的小伙伴，强烈推荐试试

2. Goldman Sachs gs-quant（10.8k stars）

http://github.com/goldmansachs/gs-quant

高盛交易员日常在用的衍生品定价和风险管理 Python 工具包，涵盖期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用，适合想系统学习机构级量化定价的小伙伴，实用性很强

3. Perspective（原 J.P. Morgan 内部项目，现已独立开源，11k stars）

http://github.com/perspective-dev/perspective

摩根大通开发的实时数据可视化引擎，核心用 C++ 写成并编译到 WebAssembly，特别擅长处理海量流式行情数据。能快速搭建交互式仪表盘和实时监控界面，支持 Jupyter，比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好

4. pandas（原 AQR Capital Management 内部工具，49k stars）

http://github.com/pandas-dev/pandas

这条应该是列表里最反直觉的一条——你每天 import pandas as pd 用的这个库，最早是 Wes McKinney 在对冲基金 AQR 内部写来处理数据的工具，2009 年由 AQR 开源放出，后来才慢慢长成整个 Python 数据科学生态的地基。凡是用 Python 处理过数据的人，都欠 AQR 一个人情

5. Man Group dtale（5.2k stars）

http://github.com/man-group/dtale

老牌量化巨头 Man Group 开源的 pandas 可视化神器，一行 http://dtale.show(df) 就能把 DataFrame 变成网页版的交互式表格——排序、筛选、画图、相关性分析全部图形化操作，不用再对着一堆 print(df.head()) 猜数据长什么样。日常做数据探索的同学会很有感

6. Two Sigma beakerx（2.8k stars）

http://github.com/twosigma/beakerx

Two Sigma 开源的 Jupyter 扩展，装上之后同一个 notebook 里能混用 Python、Java、Scala、Groovy、SQL、Clojure 等多种语言的 kernel，还自带交互式表格和绘图组件。技术栈比较杂、或者单纯想少切几次开发环境的小伙伴可以试试

7. D.E. Shaw Pyflyby（480 stars）

http://github.com/deshaw/pyflyby

量化元老级机构 D.E. Shaw 开源的 Python/IPython 效率工具集，最大的亮点是自动补 import——在 IPython 里直接敲 numpy、pandas 这些常见对象，它会自动在后台补上对应的 import 语句。star 数不算多，但常年泡在 notebook 里搞研究的同学会觉得很省心

8. Point72 csp（410 stars）

http://github.com/point72/csp

Point72 旗下量化投资团队 Cubist 开源的高性能流处理引擎，C++ 内核加 Python 接口，专为高频信号处理和实时行情计算设计。同一套代码历史回测和生产环境实时跑数据都能用，做流式计算、实时信号处理的小伙伴值得看看

这 8 个开源项目，从底层性能调试、衍生品定价、流式数据可视化，到 pandas 这种日用而不知的基础设施，基本把顶级量化机构愿意拿出来的家底摆全了。挨个学一遍，普通开发者也能摸到机构级的量化分析、数据处理和工程优化能力，而且全部免费