❶ 如何利用matlab对交易策略进行回测
这个很简单啊，我现在就在用matlab做期货量化的回测呢
关键的构成：
一是：形成自己策略的思想和流程图
二是：从TB或者其他软件中导出需要的tick等级别的数据，根据自己的思想和流程图编辑程序，最好多使用function函数句柄，是程序的可适性增强。
三是：绘制图片，plot，mesh或者GUI，来观测自己参数对策略的影响，进而进一步完善策略
四是：多用cell元胞数组，根据TB等回测报告形成自己的测试报告，比如空多盈亏，回撤等等。
❷ 选股策略回测用matlab好还是用python好
我没钱，支持免费开源
抛开版权不说，初期入手策略测试、数据分析用matlab非常方便
但是策略测试方法、框架弄清楚后，要做正规的回测，还是Python方便，这里的正规是指严格的事件流驱动，虽然速度慢，但是避免未来函数影响、接近实盘的逻辑。
Python在这方面已经有很多库了，quantopian的zipline应该算鼻祖了，国内的优矿网和ricequant都跟zipline很像，另外还有知乎大神的zn.py，PyAlgoTrade等
❸ 怎样用MATLAB进行回归分析
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)
输出向量b，bint为回归系数估计值和它们的置信区间，r，rint为残差及其置信区间，stats是用于检验回归模型的统计量，有三个数值，第一个是R2，其中R是相关系数，第二个是F统计量值，第三个是与统计量F对应的概率P，当P<α时拒绝H0，回归模型成立。
❹ 怎么使用matlab进行回归分析
regress可以解决多元线性回归，非线性回归转换后也可以解
polyfit是一元的多项式回归，[p,s]=polyfit(x,y,2)
中的2是多项式中自变量的最高次数，即y=a+b*x+c*x^2
❺ 如何编写MATLAB回测模型
丁鹏博士的书中，有一节中有一个小例子讲解matlab回测的
❻ 选股策略回测用 Matlab 好还是用 Python 好
语言就是用来干活的，中间文件用HDF5或者csv转存，需要时间序列分析的时候上内R.毕竟Python的sm库还是很烂的容，但是PCA和大量的多因子计算，Python R MATLAB都差不多。
回测讲究并发效率和一些多参数回测的参数调优以及一些MC方法的估计时，py运行效率(相对于MATLAB)会高一些
总体来说，别太把语言当回事，就跟吃饭用筷子还是勺子还是叉子，要根据食材来
❼ 如何用matlab工具箱进行数据预测
如何用matlab工具箱进行数据预测
设计目标函数，
将预测问题，转化为优化问题。
❽ 如果想用统计软件做一些交易策略的回测，用什么软件好，不想用股票软件自带的，限制有点多,谢了...
这个看你个人的技术水平了，简单的哪怕想excel就可以自己做策略回测，水平高的可以选择用matlab或者c++等自己写个程序回测，当然所有的前提是你有数据来源。
❾ 10g的历史数据，如何用matlab来进行回测。
批量转成.mat数据，回测会加快速度。
❿ 选股策略回测用 Matlab 好还是用 Python 好
首先十年的日级别数据量的确不大，使用Python来说的话不应该出现memoryerror，应该是在编程方面需要再多留意，我们在Ricequant上使用的分钟数据大概是200-300个GB左右，也是Python和Java共同合作完成的。
语言只是一个语言，兴许会有各种语法的不同，但是在谈语言的时候我们需要了解背后的工具箱和社区，以及它为什么处理一些事情比另外的一些语言要好。
本身Python初期用来做金融回测等是应该被放弃的，用来开发策略也应该是被放弃的，因为相比matlab的矩阵运算来做开发，实在是太方便了。只不过后来Python推出了series、pandas等一系列的强悍library，pandas的语法基本在“无耻”地模仿matlab和R，而pandas的开发者正是美国大名鼎鼎的对冲基金AQR，因此使data crunching和对数据的一些操作大大便利，此外，又包装了海量的开源社区的数学和科学计算库，也能处理各种的machin learning等等的问题。
从科学计算的语言的发展来看，从最初的人们对浮点数计算的需求加入了fortran，再一路进行，让工具更加的让科学计算容易再容易（Python也封装了大量早期的数学家们用fortran写的数学计算基础库，这些经历了几十年的考验、加速等等）：
numpy: basic array manipulation - 基础的数组处理
scipy: scientific computing in python, including signal processing and optimization - 科学计算，包括信号处理和优化等
matplotlib: visualization and plotting - 几行代码就可以做图形化显示了
IPython: write and run python code interactively in a shell or a notebook - 互动式编程环境，这是能将来替代掉matlab的一个必备，即在一行一行代码的输入、显示过程中学习、改进
pandas: data manipulation - 最重要的矩阵运算等
scikit-learn: machine learning - 机器学习
但是随着以后的发展Python的开源属性就会体现的越来越强大，可以让更多的人享受到其便利和贡献进来，包括Quantopian也放出了zipline的python回测框架，只需要引入yahoo数据即可进行回测，并且Python的速度由于跟C的很好的结合可以达到非常快的速度，而且可以将来和其他系统很容易整合对接实盘交易接口。
由于欧美已经有很多的投行和对冲基金在往Python的技术栈靠拢，因此选择了Python即掌握了一门重要的工具，并且无需跟一家私有化公司进行捆绑。
当然，最后的最后，所有的python回测你都可以来Ricequant - Beta上完成，我们支持海量的市场、财务数据，还有不断加入的和大数据公司合作的舆情数据等等，同时策略回测完还可以做实时模拟交易，享受到实时数据的计算。在云平台上已经支持了几乎所有的Python科学计算库，无需花时间安装、测试等等。