在數據分析領域(包括量化投資)，編程語言具有兩大作用，一個是科學計算、統計等算法層面，主要用于業務的相關研究;另一個是系統應用開發，主要用來搭建基礎IT設施，比如數據庫、交易平臺等。

[[392272]]

Matlab和R主要用于業務層面的研究工作。C++和Java則主要是用于系統搭建工作。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么多種語言了。比如，使用Matlab搭建一個交易系統，那么其速度一定會慢得讓人無法忍受。如果用C++或者Java做數據分析，那么其效率一定也會非常低。

至于Python，其優勢在于作為一種膠水語言，其適用面非常廣。換句話說，Python是可以同時完成數據分析和系統搭建兩種工作的，而且性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復雜模型，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序化交易系統。

什么都能做，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。這個數據來源于Wind，在他們的量化接口中，Matlab的使用率是最高的，Python其次。但是Python是增長速度最快的。

Matlab作為商業軟件，功能很全很強大，可靠性也很好。最早一批做科學計算和數據分析的，很多都是使用的Matlab。量化投資在國內剛出現的時候，Python和R的社區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于使用Matlab。

如果不考慮授權費用的問題，那么Matlab確實是一款非常好用的數據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持Matlab的開發，性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是一個開源的數據分析軟件。實際上，R的誕生，就是為了協助完成統計和數據分析。由于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項目，這也使得R的各種統計功能和函數琳瑯滿目。

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，對于大量的數據處理，R還是力有不逮。由于R更多的是由統計界人士完成的，所以偏底層的數據管理并不是R的強項。

總體上講，R的統計和數據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++最大的好處就是性能強，速度極快。幾乎所有需要高性能的科學計算功能都是基于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占一席。然而，在進行日常的數據分析和研究中使用C++其實是非常不方便的。因為C++語言偏底層，對編程人員的要求很高，同樣的功能，開發難度高很多，調試起來也比較麻煩。

所以除非是在對性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。很多人剛開始學習編程的時候，往往會選擇從Python入手。

與Matlab、R一樣，Python也是腳本語言，寫好了就可以直接運行，省去了編譯鏈接的麻煩，對于需要快速開發和進行驗證的程序，可以省去很多編碼和調試的時間。

Python也是面向對象的語言，但它的面向對象不像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編程者享受到面向對象帶來的好處。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是一種腳本語言，但它的速度并不是很慢，特別是在一些庫經過優化之后(直接基于C語言編寫接口)，速度比純C語言慢不了多少。在這方面，它遠勝于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展生態。

Python幾乎在各個領域都有對應的開源項目，因此我們不必重新造輪子。使用Scrapy，我們可以編寫網絡爬蟲系統，爬取網絡相關數據;使用各種數據庫接口，我們可以將數據的存儲、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、數據分析、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數據分析中非常出色，但仍然存在短板，比如，其在一部分傳統領域里表現就不算太好，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，對于某些環節，有些語言相對于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。不過相對于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。對于初學者來說，建議還是選擇Python語言。