❶ 如何利用matlab對交易策略進行回測
這個很簡單啊，我現在就在用matlab做期貨量化的回測呢
關鍵的構成：
一是：形成自己策略的思想和流程圖
二是：從TB或者其他軟體中導出需要的tick等級別的數據，根據自己的思想和流程圖編輯程序，最好多使用function函數句柄，是程序的可適性增強。
三是：繪制圖片，plot，mesh或者GUI，來觀測自己參數對策略的影響，進而進一步完善策略
四是：多用cell元胞數組，根據TB等回測報告形成自己的測試報告，比如空多盈虧，回撤等等。
❷ 選股策略回測用matlab好還是用python好
我沒錢，支持免費開源
拋開版權不說，初期入手策略測試、數據分析用matlab非常方便
但是策略測試方法、框架弄清楚後，要做正規的回測，還是Python方便，這里的正規是指嚴格的事件流驅動，雖然速度慢，但是避免未來函數影響、接近實盤的邏輯。
Python在這方面已經有很多庫了，quantopian的zipline應該算鼻祖了，國內的優礦網和ricequant都跟zipline很像，另外還有知乎大神的zn.py，PyAlgoTrade等
❸ 怎樣用MATLAB進行回歸分析
X=[1
1
4
6
8
11
14
17
21]'
Y=[2.49
3.30
3.68
12.20
27.04
61.10
108.80
170.90
275.50]'
X=[ones(9,1),
X]
[b,bint,r,rint,stats]=
regress(Y,X)
輸出向量b，bint為回歸系數估計值和它們的置信區間，r，rint為殘差及其置信區間，stats是用於檢驗回歸模型的統計量，有三個數值，第一個是R2，其中R是相關系數，第二個是F統計量值，第三個是與統計量F對應的概率P，當P<α時拒絕H0，回歸模型成立。
❹ 怎麼使用matlab進行回歸分析
regress可以解決多元線性回歸，非線性回歸轉換後也可以解
polyfit是一元的多項式回歸，[p,s]=polyfit(x,y,2)
中的2是多項式中自變數的最高次數，即y=a+b*x+c*x^2
❺ 如何編寫MATLAB回測模型
丁鵬博士的書中，有一節中有一個小例子講解matlab回測的
❻ 選股策略回測用 Matlab 好還是用 Python 好
語言就是用來幹活的，中間文件用HDF5或者csv轉存，需要時間序列分析的時候上內R.畢竟Python的sm庫還是很爛的容，但是PCA和大量的多因子計算，Python R MATLAB都差不多。
回測講究並發效率和一些多參數回測的參數調優以及一些MC方法的估計時，py運行效率(相對於MATLAB)會高一些
總體來說，別太把語言當回事，就跟吃飯用筷子還是勺子還是叉子，要根據食材來
❼ 如何用matlab工具箱進行數據預測
如何用matlab工具箱進行數據預測
設計目標函數，
將預測問題，轉化為優化問題。
❽ 如果想用統計軟體做一些交易策略的回測，用什麼軟體好，不想用股票軟體自帶的，限制有點多,謝了...
這個看你個人的技術水平了，簡單的哪怕想excel就可以自己做策略回測，水平高的可以選擇用matlab或者c++等自己寫個程序回測，當然所有的前提是你有數據來源。
❾ 10g的歷史數據，如何用matlab來進行回測。
批量轉成.mat數據，回測會加快速度。
❿ 選股策略回測用 Matlab 好還是用 Python 好
首先十年的日級別數據量的確不大，使用Python來說的話不應該出現memoryerror，應該是在編程方面需要再多留意，我們在Ricequant上使用的分鍾數據大概是200-300個GB左右，也是Python和Java共同合作完成的。
語言只是一個語言，興許會有各種語法的不同，但是在談語言的時候我們需要了解背後的工具箱和社區，以及它為什麼處理一些事情比另外的一些語言要好。
本身Python初期用來做金融回測等是應該被放棄的，用來開發策略也應該是被放棄的，因為相比matlab的矩陣運算來做開發，實在是太方便了。只不過後來Python推出了series、pandas等一系列的強悍library，pandas的語法基本在「無恥」地模仿matlab和R，而pandas的開發者正是美國大名鼎鼎的對沖基金AQR，因此使data crunching和對數據的一些操作大大便利，此外，又包裝了海量的開源社區的數學和科學計算庫，也能處理各種的machin learning等等的問題。
從科學計算的語言的發展來看，從最初的人們對浮點數計算的需求加入了fortran，再一路進行，讓工具更加的讓科學計算容易再容易（Python也封裝了大量早期的數學家們用fortran寫的數學計算基礎庫，這些經歷了幾十年的考驗、加速等等）：
numpy: basic array manipulation - 基礎的數組處理
scipy: scientific computing in python, including signal processing and optimization - 科學計算，包括信號處理和優化等
matplotlib: visualization and plotting - 幾行代碼就可以做圖形化顯示了
IPython: write and run python code interactively in a shell or a notebook - 互動式編程環境，這是能將來替代掉matlab的一個必備，即在一行一行代碼的輸入、顯示過程中學習、改進
pandas: data manipulation - 最重要的矩陣運算等
scikit-learn: machine learning - 機器學習
但是隨著以後的發展Python的開源屬性就會體現的越來越強大，可以讓更多的人享受到其便利和貢獻進來，包括Quantopian也放出了zipline的python回測框架，只需要引入yahoo數據即可進行回測，並且Python的速度由於跟C的很好的結合可以達到非常快的速度，而且可以將來和其他系統很容易整合對接實盤交易介面。
由於歐美已經有很多的投行和對沖基金在往Python的技術棧靠攏，因此選擇了Python即掌握了一門重要的工具，並且無需跟一家私有化公司進行捆綁。
當然，最後的最後，所有的python回測你都可以來Ricequant - Beta上完成，我們支持海量的市場、財務數據，還有不斷加入的和大數據公司合作的輿情數據等等，同時策略回測完還可以做實時模擬交易，享受到實時數據的計算。在雲平台上已經支持了幾乎所有的Python科學計算庫，無需花時間安裝、測試等等。