導讀：程式語言的好壞及排行之爭由來已久。“PHP是世界上最好的語言”，這是一個流傳於程式設計師圈子的梗。
筆者無意加入“哪門語言更好”的戰爭。每門語言的誕生，都有其特定的背景和需求，都能解決相應的問題，脫離需求和背景爭論哪門語言更好是沒有意義的。
最重要的是，我們需要搞清楚到底要解決什麼問題，這樣才能更方便地找到對應的工具。
作者：趙志強 劉志偉
在
資料分析領域
（包括量化投資），程式語言具有
兩大作用
，一個是科學計算、統計等演算法層面，主要用於業務的相關研究；另一個是系統應用開發，主要用來搭建基礎IT設施，比如資料庫、交易平臺等。
Matlab和R主要用於業務層面的研究工作。C++和Java則主要是用於系統搭建工作。業務研究和系統搭建的區別還是很明顯的，每類語言適應的場景都不太一樣，否則也沒有必要存在那麼多種語言了。比如，使用Matlab搭建一個交易系統，那麼其速度一定會慢得讓人無法忍受。如果用C++或者Java做資料分析，那麼其效率一定也會非常低。
至於Python，其優勢在於作為一種膠水語言，其適用面非常廣。換句話說，
Python是可以同時完成資料分析和系統搭建兩種工作的，而且效能和效率有著非常好的平衡。
使用Python既可以編寫機器學習的複雜模型，也可以搭建支撐億級別訪問量的網站系統，又或者搭建微秒級的程式化交易系統。
什麼都能做，而且還能做得很不錯，這是Python能夠迅速流行的核心原因之一。
下面將對上面提到的部分常見的語言做一個簡單的介紹。
01 Matlab
截至目前，在國內量化研究領域，Matlab的使用率應該是最高的。這個資料來源於Wind，在他們的量化介面中，Matlab的使用率是最高的，Python其次。但是Python是增長速度最快的。
Matlab作為商業軟體，功能很全很強大，可靠性也很好。最早一批做科學計算和資料分析的，很多都是使用的Matlab。量化投資在國內剛出現的時候，Python和R的社群生態還沒有像現在這樣完善，所以很多量化投資的業內人士都更習慣於使用Matlab。
如果不考慮授權費用的問題，那麼Matlab確實是一款非常好用的資料分析乃至量化投資分析的工具，畢竟有實力雄厚的公司在支援Matlab的開發，效能和工具包都能得到保證。
不過，Matlab與Python相比，除了費用問題之外，
還存在很多缺陷，而且是無法彌補的缺陷。
特別是涉及系統級別的開發時，比如交易系統、爬蟲系統等。在這些領域，Matlab不僅缺少相應的庫，而且速度非常慢，因此其很難在工業界得到廣泛應用。
02 R
R是一個開源的資料分析軟體。實際上，R的誕生，就是為了協助完成統計和資料分析。由於R在研究機構和大學非常流行，因此這些機構反過來也開發了大量相應的開源專案，這也使得R的各種統計功能和函式琳琅滿目。
R很多常用的統計功能都經過了大量實踐的檢驗，是非常完善和成熟的
，比如，時間序列分析、經典統計模型、貝葉斯統計、機器學習等。R也有一些量化相關的庫，比如quantmod。
當然，R也有它的缺點，比如，對於大量的資料處理，R還是力有不逮。由於R更多的是由統計界人士完成的，所以偏底層的資料管理並不是R的強項。
總體上講，
R的統計和資料分析相關功能非常強大，更適合做研究，不適合開發大型的系統。
03 C++
C++最大的好處就是效能強，速度極快。幾乎所有需要高效能的科學計算功能都是基於C++或者Fortran開發的。比如，Python的底層其實就是用C語言實現的。
因為速度快，C++在高頻交易領域也是獨佔一席。然而，在進行日常的資料分析和研究中使用C++其實是非常不方便的。因為C++語言偏底層，對程式設計人員的要求很高，同樣的功能，開發難度高很多，除錯起來也比較麻煩。
所以除非是在對效能有極高要求的地方，一般不推薦使用C++進行開發。
04 Python
Python語法非常易學易懂，很容易快速上手。很多人剛開始學習程式設計的時候，往往會選擇從Python入手。
與Matlab、R一樣，Python也是指令碼語言，寫好了就可以直接執行，省去了編譯連結的麻煩，對於需要快速開發和進行驗證的程式，可以省去很多編碼和除錯的時間。
Python也是面向物件的語言，但它的面向物件不像C++那樣強調概念，而是更注重實用。
它能使用最簡單的方法讓程式設計者享受到面向物件帶來的好處。
這也是Python能像Java、C#那樣吸引眾多支持者的原因之一。
雖然Python是一種指令碼語言，但它的速度並不是很慢，特別是在一些庫經過最佳化之後（直接基於C語言編寫介面），速度比純C語言慢不了多少。在這方面，它遠勝於R和Matlab。
Python是一種功能豐富的語言，
它擁有一個強大的基本類庫和數量眾多的第三方擴充套件生態。
Python幾乎在各個領域都有對應的開源專案，因此我們不必重新造輪子。使用Scrapy，我們可以編寫網路爬蟲系統，爬取網路相關資料；使用各種資料庫介面，我們可以將資料的儲存、讀取工作標準化；使用PyAlgoTrader，我們可以構建策略回測系統和自動交易系統。
Python還有很多優秀的量化、資料分析、機器學習（ML）工具，比如NumPy、SciPy、Pandas、Scikit-Learn和Maplotlib等。
雖然Python在機器學習和一般的資料分析中非常出色，
但仍然存在短板
，比如，其在一部分傳統領域裡表現就不算太好，包括很多傳統統計模型、時間序列分析等，Python就不如Matlab和R。
簡而言之，我們可以用Python構建一條完整的量化投資生產線。當然，不可否認的是，對於某些環節，有些語言相對於Python也有其優勢，比如R的統計庫、Matlab的科學計算、SAS的可靠性、C++構建高速交易系統等。不過這些優勢只是95分和90分的區別，除了少數極端業務場景之外，絕大部分工作Python其實都能勝任。
在量化投資領域，大多數需求都可以用Python完成，這可以為團隊節省大量的時間。畢竟在不同的語言之間不斷切換，也是一件很耗費精力的事情。
05 其他語言
除了上面介紹的語言之外，其實還有很多其他的語言在量化投資領域中也都有應用。比如Java、C#、Scala等，這些語言也都有其相應的優勢和特點。不過相對於上面介紹的語言來說，這些語言在國內的使用群體仍然是偏小眾的。對於初學者來說，建議還是選擇Python語言。
劉志偉，在中國銀聯雲閃付事業部從事資料分析、資料探勘等工作。對自然語言處理、文字分類、實體識別、關係抽取、傳統機器學習，以及大資料技術棧均有實踐經驗。目前正在探索相關技術在金融場景內的落地應用，包括自動知識圖譜、大規模文字資訊抽取結構化、異常識別等領域，關注人工智慧行業前沿技術發展。
本文摘編自《Python量化投資：技術、模型與策略》，經出版方授權釋出。
延伸閱讀《Python量化投資：技術、模型與策略》
推薦語：
理論與實踐相結合，基於Python闡述量化投資理論和策略，深入分析Python在量化投資分析中具體的應用案例。
