R 语言
R 是一种用于统计计算和图的语言及环境。它是一个 GNU 项目，与贝尔实验室的 John Chambers 及其同事开发的 S 语言及环境类似。R 可以视为 S 的一种不同实现。二者存在一些重要差异，但使用 S 写的很多代码在 R 下运行时无需修改。
优点：
● 端到端开发到执行（一些 brokers package 允许执行，IB）
● 开发速度快（比 Python 的代码少 60%）
● 开源包多
● 成熟的量化交易包（quantstrat、quantmod、performanceanalyitics、xts）
● 社区最大
● 使用 rcpp 可以整合 R 和 C++/C
缺点：
● 比 Python 慢，尤其是在迭代循环和非向量化函数中
● 比 Matlab 绘图差，难以实现交互式图表
● 创建独立应用程序的能力有限
Python
Python 是一种用于通用编程的解释型高级编程语言，由 Guido van Rossum 创建并于 1991 年首次发布。Python 的设计强调代码可读性，使用了大量空格。它的结构使其在大规模和小规模编程中都能清晰明了。
优点：
● 端到端开发到执行（一些 brokers package 允许执行，IB）
● 开源包（Pandas、Numpy、scipy）
● 交易包（zipline、pybacktest、pyalgotrade）
● 最适合一般编程和应用程序开发
● 可连接 R、C++ 和其他语言的「胶水」语言
● 总体速度最快，尤其是在迭代循环中
缺点：
● 有一些不成熟的包，尤其是交易包
● 有些包与其他包不兼容或包含重叠
● 在金融领域的社区比 R 小
● 与 R 或 Matlab 相比，相同操作需要更多代码
● 追踪静默错误（silent error）可能需要很长时间（即使使用可视化调试器/IDE）
MATLAB
MATLAB（matrix laboratory）是一种多范型数值计算环境。作为 MathWorks 开发的一种专用编程语言，MATLAB 允许矩阵运算、函数和数据绘图、算法实现、用户界面创建，以及与用其他语言（包括 C、C++、C#、Java、Fortran、Python）写成的程序进行交互。
尽管 MATLAB 的设计初衷是数值计算，但其中的可选工具箱使用 MuPAD symbolic engine，具备符号计算能力。额外的包 Simulink 添加了图多领域模拟和针对动态和嵌入系统的基于模型的设计。
优点：
● 最快的数学和计算平台，尤其是向量化运算／线性矩阵代数。
● 适合所有数学和交易领域的商业级软件。
● 脚本简短，但高度集成了所有包。
● 拥有图和交互式图表的最佳可视化
● 具备良好测试和支持。
● 易于管理多线程支持和垃圾收集
● 最好的调试器
缺点：
● 无法执行，必须转换成另一种语言。
● 昂贵：每个 license 大约 1000 美元，每添加一个包需要额外支付 50+ 美元。
● 无法与其他语言很好地集成。
● 很难检测出交易系统中的偏差（它是为数学和工程模拟而构建的），因此可能需要广泛的测试。
● 糟糕的迭代循环性能。
● 无法开发单独的应用。
Octave
Octave 可以看作是商业语言 MATLAB 的 GNU 版本，它是一种脚本矩阵语言（scripting matrix language），其语法有大约 95% 可与 MATLAB 兼容。Octave 由工程师设计，因此预装了工程师常用的程序，其中很多时间序列分析程序、统计程序、文件命令和绘图命令与 MATLAB 语言相同。
优点：
● 首先，目前没有可用的鲁棒性 Octave 编译器，且没有必要有，因为该软件可以免费安装。
● Octave 和 Matlab 的语言元素相同，除了一些个例，如嵌套函数。Octave 仍然处于积极开发的状态，每一个偏离 Matlab 语法之处都被视为 bug 或者至少是待解决问题。
● Octave 有很多可用工具箱，只要程序不要求图输出，那么在不进行大量更改的前提下，使用 Octave 运行和使用 Matlab 运行差不多。
● 图方面的能力是 Matlab 的优势。Matlab 最新版本包括 GUI 设计器，包含大量很棒的可视化特征。
● Octave 使用 GNU Plot 或 JHandles 作为图程序包，JHandles 与 Matlab 中的图程序包更接近一些。但是，Octave 不具备类似 GUI 设计器的组件，其可视化机制很受限且不与 Matlab 兼容。
● 集成开发环境也是类似的情况：Octave 有一个 QTOctave 项目，但仍处于早期阶段。
● Octave 社区的合作很可能帮助该软件很快提供更好、更兼容的图以及 GUI 能力。
缺点：
● 它只是 MATLAB 的免费开源版本，无法带给用户新的东西。
![c1285d29e7945792aa7f466d32a266920dc3a7e2]()
下表列举了数据科学家和机器学习工程师的常用工具，读者可以查看这些工具的流行度。
![d1db4e5750c36d85ca9e28f24603bd296ec1a159]()
原文发布时间为：2018-11-7本文作者：MJ Bahmani本文来自云栖社区合作伙伴“
CDA数据分析师”，了解相关信息可以关注“
CDA数据分析师”。
