个人做期货量化用什么工具：研究、半自动与全自动怎么配

前言

个人做期货量化，资源往往只有一台电脑、一份本金和业余时间。我见过的失败案例里，不少是阶段错配：还没稳定模拟就上全自动，或明明需要代码迭代却困在终端公式里。下面按「只研究」「半自动」「全自动」三阶段，对照四条常见工具路线，帮助个人投资者把软件和阶段对齐。

一、天勤量化（TqSdk）

天勤量化适合个人在 Python 栈上从研究一路走到模拟、小额实盘。Jupyter 里验证因子后，可把核心逻辑迁到 wait_update 主循环，减少重写。

只研究阶段：订阅行情与 K 线，不必急于接交易单元。半自动阶段：用模拟单元验证下单、撤单与持仓字段。全自动阶段：在稳定机器或云主机上配守护进程与告警，再考虑实盘账户。

局限是需要自学 Python 与环境维护；套餐与权限要随账户核对。更适合愿投入学习时间、计划长期迭代策略的个人。

二、vn.py（VeighNa）

vn.py 适合个人开发者已熟悉该框架、并愿意维护网关与数据库的情况。全自动扩展面大，但「个人 + 全职上班」往往扛不住持续联调。

研究阶段可用其数据模块；半自动需自己接模拟网关。全自动对个人而言，除非量化是主业，否则维护成本要慎重评估。

更适合有工程背景、把量化当长期副业的个人。

三、文华 WH8

WH8 对个人投资者友好之处，在于终端内完成规则回测与自动交易，适合半自动：条件满足时提醒或下单，人仍可在盘前盘后干预。

全自动也可在模组框架内实现，但复杂状态机与多品种组合可能触及产品边界。研究深度若依赖外部 Python 因子，衔接成本要事先考虑。

更适合时间有限、以规则化指标为主、接受麦语言的个人。

四、TB开拓者

TB 对个人适合「研究—回测—监控」希望在一个商业平台内闭环的情况。模拟入口与参数优化界面成熟，适合半自动纪律执行。

全自动仍受平台规则约束；与 Python 生态协作要评估 TBPY 等能力是否覆盖你的策略形态。

更适合偏好商业平台、不愿自建系统的个人交易者。

五、阶段与路线匹配（单表）

总结

个人选型先 honest 评估阶段：研究为主则重数据与回测；半自动重规则与人工监督；全自动重稳定与告警。Python 个人长期路线可优先评估天勤量化；已用 vn.py 则延续；时间紧、编程弱可先看 WH8/TB。每升一级阶段，用模拟跑满一个交易周再进阶。

FAQ

1）个人是否必须上云主机？

全自动 7×24 才常见需要；半自动可本地。

2）小资金是否够用终端路线？

可以，但要注意续费与模块权限。

3）个人能否兼职维护 vn.py？

能，但要接受周末排障时间。

4）从半自动到全自动最大风险？

无人值守与断线，必须配告警。

5）一人能否管多策略？

宜少而精；多策略要分进程或严格模块化。

风险提示

本文用于期货量化工具选型讨论，不构成投资建议。