《量化软件的一些技术变化》
最近在关注交易软件和量化工具，在了解IT架构上的一些事情。有一些感受，做个记录。​
一、功能都被封装成模块，开放出标准的接口。​
比如QMT。小QMT，核心是两个模块xtdata（行情模块）和xttrader（交易模块）。用户在这两个模块上，自行进行测试、交易的软件搭建。大QMT是一个集成的策略开发、交易平台，底层也是依赖xtdata（行情模块）和xttrader（交易模块）。它封装得更完整，只开放了一个handlebar(ContextInfo)入口，让用户编写策略。​
比如VeighNa开源量化平台，内置各类功能模块：数据模块、测试模块、交易模块；你可以直接在集成平台做开发，也可以只调用它几个模块，自行搭建平台。​
TBquant，是一个高度集成的策略开发交易平台，但也开放了python接口模块 “TBPY”，你可以基于TBPY编写自己的测试、交易程序。​
模块化、接口化的好处是，技术层面方便维护，商业层面可以适配开发各类业务。比如QMT，用户可以选购它的数据服务。​

二、多开发语言协作​
量化交易处理的数据越来越庞大，软件性能是必须考虑的因素。目前很多平台，采用底层使用高效语言（C等），应用层采用易读语言（python、VBA等）的架构模式。​
比如QMT，底层由C语言编写，大QMT的应用层，支持用python和VBA编写策略。​
比如开拓者TB，底层采用C++这类语言开发，用户使用平台专属的“TBL语言”。​
VeighNa平台，整体基于python搭建，因此早期面临性能问题。后续平台发布了Elite版（菁英版），在架构和性能上做了重大升级。部分专业用户，还对底层进行了重写，将性能关键的核心组件（如事件引擎、订单路由）用C++或Rust重构。​

三、AI辅助开发​
上面提到的底层重写，就有人使用Opus编程大语言模型完成。将需求输入给Opus，模型会像经验丰富的架构师和程序员一样，自主规划步骤、编写代码、创建测试用例。同时模型还能辅助检查代码，排查bug、提出性能优化建议等。​
策略层面，以往各类平台都有专属语法，策略转换十分繁琐，如今AI可以直接完成这类转换工作。​

四、开源与自研的融合​
平台架构越来越解耦，用户需求也越来越个性化。当下主流模式是以开源框架为底座，借助AI辅助重写关键性能模块（比如前文提到的用Rust重写事件引擎），同时保留上层Python的开发便利性。​

时代一直在进步，软件工程的开发思路也在发生巨大变化，我们得保持开放心态，不断学习呀。