如何利用excel回测量化投资策略
持有封基：量化投资中如何使用excel中的规划求
可以百度经验里找 规划求解 的用法，然后把你的算法写出来，用规划求解去实现。
也可以用lingo，这个是求最优解的工具，比excel规划求解算的快很多，就是上手门槛稍微高一点。
用Python怎么做量化投资
本文将会讲解量化投资过程中的基本流程，量化投资无非这几个流程，数据输入------策略书写------回测输出
其中策略书写部分还涉及到编程语言的选择，如果不想苦恼数据输入和回测输出的话，还要选择回测平台。
一、数据
首先，必须是数据，数据是量化投资的基础
如何得到数据？
Wind：数据来源的最全的还是Wind，但是要付费，学生可以有免费试用的机会，之后还会和大家分享一下怎样才Wind里摘取数据，Wind有很多软件的借口，Excel，Matlab，Python，C++。
预测者网：不经意间发现，一个免费提供股票数据网站 预测者网，下载的是CSV格式
TB交易开拓者：Tradeblazer，感谢@孙存浩提供数据源
TuShare：TuShare -财经数据接口包，基于Python的财经数据包，利用Python进行摘取
如何存储数据？
Mysql
如何预处理数据？
空值处理：利用DataFrame的fill.na()函数，将空值（Nan）替换成列的平均数、中位数或者众数
数据标准化
数据如何分类？
行情数据
财务数据
宏观数据
二、计算语言&软件
已经有很多人在网上询问过该选择什么语言？笔者一开始用的是matlab，但最终选择了python
python：库很多，只有你找不到的，没有你想不到，和量化这块结合比较紧密的有：
Numpy&Scipy：科学计算库，矩阵计算
Pandas：金融数据分析神器，原AQR资本员工写的一个库，处理时间序列的标配
Matplotlib：画图库
scikit-learn：机器学习库
statsmodels：统计分析模块
TuShare：免费、开源的python财经数据接口包
Zipline：回测系统
TaLib：技术指标库
matlab：主要是矩阵运算、科学运算这一块很强大，主要有优点是WorkSpace变量可视化
python的Numpy+Scipy两个库完全可以替代Matlab的矩阵运算
Matplotlib完克Matlab的画图功能
python还有很多其他的功能
pycharm（python的一款IDE）有很棒的调试功能，能代替Matlab的WorkSpace变量可视化
推荐的python学习文档和书籍
关于python的基础，建议廖雪峰Python 2.7教程，适合于没有程序基础的人来先看，涉及到python的基本数据类型、循环语句、条件语句、函数、类与对象、文件读写等很重要的基础知识。
涉及到数据运算的话，其实基础教程没什么应用，python各类包都帮你写好了，最好的学习资料还是它的官方文档，文档中的不仅有API，还会有写实例教程
pandas文档
statsmodels文档
scipy和numpy文档
matplotlib文档
TuShare文档
第二，推荐《利用Python进行数据分析》，pandas的开发初衷就是用来处理金融数据的
三、回测框架和网站
两个开源的回测框架
PyAlgoTrade - Algorithmic Trading
Zipline, a Pythonic Algorithmic Trading Library
如何用EXCEL VBA写量化交易系统
1、 这个没有现成的程序，有都是要收费的
2 、可以在网上找一些资料自己研究，但估计回比较难找
3 、excel获取股票的交易信息这个网上有一些资料，但是控制交易好像是没有的。
4、 具体来看楼主是什么需求
5、下面是网上的一篇文章，可以参考一下
如何用Excel VBA做股票量化交易系统（原创
先学会VBA和股票交易规则，再写代码来实现
量化投资当真可以轻易撬动市场吗？
光大交易失误导致市场波动的事件引起了大家的广泛关注。量化投资一时间成为众矢之的，但量化投资当真具备轻易撬动市场的力量吗?事实上，近些年，不论是在美国，日本，还是新兴市场(比如台湾)， 都出现过交易失误，或者某种策略引发市场波动的现象。人们或多或少把它们和量化投资联系起来，这种说法是值得商榷的。在上市公司数目众多，海量信息充斥市场的时代，投资者需要一种能迅速有效地汇集各种数据，并进行客观分析的投资方法，量化投资是适应了时代的需求而应运而生的。作为一种投资手段，量化投资本身是中性的，真正起作用的是模型背后的人，是“地球上最美丽的花朵”----人的思维。量化投资本身就包含了很多流派。有以基本面为主，持仓时间在几个月到一年左右的基本面量化;也有注重短期投资，持仓几天到几周，以识别各种形态，找出统计规律的统计套利;甚至日内交易数次甚至几毫秒交易一次，不持仓过夜的高频交易。在投资的资产类别上，有仅投资权益类资产的，也有跨资产类别的。从业人员结构上，基本面量化的以经济，金融，会计的背景为主，而统计套利的以数学，物理，信号处理，统计等背景为主。在模型所用的编程工具上， 简单的比如Excel， 复杂的比如SAS， R， MATLAB， JAVA， C++，有的甚至为了追求计算速度， 直接将程序写在芯片上。当股价出现异动时，各种类型的量化投资者会有不同的反应。基本面量化的投资者会忽略短期的波动，除非这种波动持续下去会导致基本面的变化;统计套利的投资者会面临两种选择，如果相信趋势会持续，就会跟上去做趋势(trend following)，或者判断为某种噪音或扰动，很快会回到均衡(mean reverting)，就会做反向。这种决策取决于各自的量化模型。做趋势的可能会放大波动，而做反向的反而会抵消这种波动。具体到统计套利的使用上，主要以投资银行的自营盘和对冲基金为主。虽然套利机会稍纵即逝，需要迅速的执行，他们都有很严格的风险控制。比如，每个策略可以动用的资金量，杠杆比例，止损程度，等等。这些指标都是在实时动态监控，而不是仅仅为了满足盘后结算的需要。笔者以前工作过的BGI，一直致力于基本面量化投资，其风险控制是非常严格的。每笔交易，从研究员检查模型，基金经理产生交易清单，复核，审批到交易员的执行，对交易进程的跟踪，交易成本的评估都有严谨的流程，并建立在统一的内部平台上。所以，这样的量化投资其核心是控制风险的基础上追求收益，并不具备操纵市场的能量。作为一个新鲜事物，量化投资在中国备受瞩目，各方都给予了很高的期待。同样的，作为一种投资方式，如果使用不当，的确也会给我们带来新的挑战。我们应该扬长避短，不能将洗澡水和孩子一起泼出去。