Task 和 Future
创新互联坚持“要么做到，要么别承诺”的工作理念，服务领域包括：成都网站制作、网站设计、企业官网、英文网站、手机端网站、网站推广等服务，满足客户于互联网时代的双滦网站设计、移动媒体设计的需求，帮助企业找到有效的互联网解决方案。努力成为您成熟可靠的网络建设合作伙伴！
前面我们讨论了协程，以及如何在循环中运行它们才有用。现在我想简单谈谈Task和Future api。你将使用最多的是Task，因为你的大部分工作将涉及使用create_task()函数运行协程，就像在第22页的“快速开始”中设置的那样。Future类实际上是Task的超类，它提供了与循环交互操作的所有功能。
可以这样简单地理解:Future表示某个活动的未来完成状态，并由循环管理。Task是完全相同的，但是具体的“activity”是一个协程——可能是你用async def函数加上create_task()创建的协程。
Future类表示与循环交互的某个东西的状态。这个描述太模糊了，不太有用，所以你可以将Future实例视为一个切换器，一个完成状态的切换器。当创建Future实例时，切换设置为“尚未完成”状态，但稍后它将是“完成”状态。事实上，Future实例有一个名为done()的方法，它允许你检查状态，如示例 3-15所示。
示例 3-15. 用done()方法检查完成状态
Future实例还可以执行以下操作：
• 设置一个result值（用.set_result(value)设置值并且使用 .result()获取值）
• 使用.cancel()方法取消 (并且会用使用.cancelled()检查是否取消)
• 增加一个Future完成时回调的函数
即使Task更常见，也不可能完全避免使用Future：例如，在执行器上运行函数将返回Future实例，而不是Task。让我们快速看一下 示例 3-16 ，了解一下直接使用Future实例是什么感觉。
示例 3-16. 与Future实例的交互
（L3）创建一个简单的 main函数。我们运行这个函数，等上一会儿然后在Future f上设置一个结果。
（L5）设置一个结果。
（L8）手动创建一个Future实例。注意，这个实例(默认情况下)绑定到我们的循环，但它没有也不会被附加到任何协程(这就是Tasks的作用)。
（L9）在做任何事情之前，确认future还没有完成。
（L11）安排main()协程，传递future。请记住，main()协程所做的所有工作就是sleep，然后切换Future实例。(注意main()协程还不会开始运行：协程只在事件循环运行时才开始运行。)
(L13)在这里我们在Future实例上而不是Task实例上使用run_until_complete()。这和你以前见过的不一样。现在循环正在运行，main()协程将开始执行.
（L16）最终，当future的结果被设置时，它就完成了。完成后，可以访问结果。
当然，你不太可能以这里所示的方式直接使用Future；代码示例仅用于教育目的。你与asynccio的大部分联系都是通过Task实例进行的。
你可能想知道如果在Task实例上调用set_result()会发生什么。在Python 3.8之前可以这样做，但现在不允许这么做了。任务实例是协程对象的包装器，它们的结果值只能在内部设置为底层协程函数的结果，如 示例 3-17所示那样。
示例 3-17. 在task上调用set_result
（L13）唯一的区别是我们创建的是Task实例而不是Future实例。当然，Task API要求我们提供一个协程；这里我们使用sleep()只是因为简单方便。
（L7）正在传入一个Task实例。它满足函数的类型签名(因为Task是Future的子类)，但从Python 3.8开始，我们不再允许在Task上调用set_result()：尝试这样做将引发RuntimeError。这个想法是，一个Task代表一个正在运行的协程，所以结果应该总是来自于task自身。
（L10, L24）但是，我们仍然可以cancel()一个任务，它将在底层协程中引发CancelledError。
Create_task? Ensure_Future? 下定决心吧！
在第22页的“快速入门”中，我说过运行协程的方法是使用asyncio.create_task()。在引入该函数之前，有必要获取一个循环实例并使用loop.create_task()完成相同的任务。事实上，这也可以通过一个不同的模块级函数来实现:asyncio.ensure_future()。一些开发人员推荐create_task()，而其他人推荐ensure_future()。
在我为这本书做研究的过程中，我确信API方法asyncio.ensure_future()是引起对asyncio库广泛误解的罪魁祸首。API的大部分内容都非常清晰，但在学习过程中还存在一些严重的障碍，这就是其中之一。当你遇到ensure_future()时，你的大脑会非常努力地将其集成到关于asyncio应该如何使用的心理模型中——但很可能会失败!
在Python 3.6 asyncio 文档中，这个现在已经臭名昭著的解释突出了 ensure_future() 的问题：
asyncio.ensure_future(coro_or_future, *, _loop =None)
安排执行一个协程对象：把它包装在future中。返回一个Task对象。如果参数是Future，则直接返回。
什么!? 当我第一次读到这篇文章时，我很困惑。下面希望是对ensure_future()的更清楚的描述:
这个函数很好地说明了针对终端用户开发人员的asyncio API(高级API)和针对框架设计人员的asyncio API(低级API)之间的区别。让我们在示例 3-18中自习看看它是如何工作的。
示例 3-18. 仔细看看ensure_future()在做什么
（L3）一个简单的什么都不做的协程函数。我们只需要一些能组成协程的东西。
（L6）我们通过直接调用该函数来创建协程对象。你的代码很少会这样做，但我想在这里明确地表示，我们正在向每个create_task()和ensure_future()传递一个协程对象。
（L7）获取一个循环。
（L9）首先，我们使用loop.create_task()在循环中调度协程，并返回一个新的Task实例。
（L10）验证类型。到目前为止，没有什么有趣的。
（L12）我们展示了asyncio.ensure_future()可以被用来执行与create_task()相同的动作：我们传入了一个协程，并返回了一个Task实例(并且协程已经被安排在循环中运行)!如果传入的是协程，那么loop.create_task()和asyncio.ensure_future()之间没有区别。
（L15）如果我们给ensure_future()传递一个Task实例会发生什么呢？注意我们要传递的Task实例是已经在第4步通过loop.create_task()创建好的。
（L16）返回的Task实例与传入的Task实例完全相同:它在被传递时没有被改变。
直接传递Future实例的意义何在？为什么用同一个函数做两件不同的事情？答案是，ensure_future()的目的是让框架作者向最终用户开发者提供可以处理两种参数的API。不相信我？这是ex-BDFL自己说的：
ensure_future()的要点是，如果你有一个可能是协程或Future(后者包括一个Task，因为它是Future的子类)的东西，并且你想能够调用一个只在Future上定义的方法(可能唯一有用的例子是cancel())。当它已经是Future(或Task)时，它什么也不做；当它是协程时，它将它包装在Task中。
如果您知道您有一个协程，并且希望它被调度，那么正确的API是create_task()。唯一应该调用ensure_future()的时候是当你提供一个API(像大多数asyncio自己的API)，它接受协程或Future，你需要对它做一些事情，需要你有一个Future。
—Guido van Rossum
总而言之，asyncio.sure_future()是一个为框架设计者准备的辅助函数。这一点最容易通过与一种更常见的函数进行类比来解释，所以我们来做这个解释。如果你有几年的编程经验，你可能已经见过类似于例3-19中的istify()函数的函数。示例 3-19中listify()的函数。
示例 3-19. 一个强制输入列表的工具函数
这个函数试图将参数转换为一个列表，不管输入的是什么。api和框架中经常使用这类函数将输入强制转换为已知类型，这将简化后续代码——在本例中，您知道参数(来自listify()的输出)将始终是一个列表。
如果我将listify()函数重命名为ensure_list()，那么您应该开始看到与asyncio.ensure_future()的类似之处:它总是试图将参数强制转换为Future(或子类)类型。这是一个实用函数，它使框架开发人员(而不是像你我这样的终端用户开发人员)的工作变得更容易。
实际上，asyncio标准库模块本身使用ensure_future()正是出于这个原因。当你下次查看API时，你会发现函数参数被描述为“可等待对象”，很可能内部使用ensure_future()强制转换参数。例如，asyncio.gather()函数就像下面的代码一样:
aws参数表示“可等待对象”，包括协程、task和future。在内部，gather()使用ensure_future()进行类型强制转换：task和future保持不变，而把协程强制转为task。
这里的关键是，作为终端用户应用程序开发人员，应该永远不需要使用asyncio.ensure_future()。它更像是框架设计师的工具。如果你需要在事件循环上调度协程，只需直接使用asyncio.create_task()来完成。
在接下来的几节中，我们将回到语言级别的特性，从异步上下文管理器开始。
很多业务场景中，我们希望通过一个特定的函数来拟合业务数据，以此来预测未来数据的变化趋势。(比如用户的留存变化、付费变化等)
本文主要介绍在 Python 中常用的两种曲线拟合方法：多项式拟合 和 自定义函数拟合。
通过多项式拟合，我们只需要指定想要拟合的多项式的最高项次是多少即可。
运行结果：
对于自定义函数拟合，不仅可以用于直线、二次曲线、三次曲线的拟合，它可以适用于任意形式的曲线的拟合，只要定义好合适的曲线方程即可。
运行结果：
答主更多应该算一个trader而不是quant（虽然对quant的一些知识也略懂），下面的答案可能更多是从一个交易员的角度来回答。
想在市场上赚钱，必须同时具备两样能力：
研究：做出正确的能够获利的决策，也就是寻找Alpha的能力
交易：基于研究的结果和交易信号，执行相应的下单风控等操作，也就是将Alpha落实到你账户盈利上的能力
研究方面
龙哥的答案已经覆盖了常用的库，这里就从研究的整体方向上来介绍下：
获取数据：可以选择使用TuShare、通联、万得等数据工具下载数据，并将原始的数据格式转化为你自己想用的数据格式（可以用Python脚本实现），以保存到数据库中
存储数据：几乎绝大部分常用的数据库都提供了Python接口，SQL/NoSQL/HDF5等等多种，最常用的应该是MySql和MongoDB，有兴趣学Q的也可以直接去用KDB+，数据库具体会应用的方向包括保存数据、读取数据、数据补全机制、数据变频（TICK变K线等）
数据回测：将数据读取到内存中后（以numpy数组或者pandas序列的形式），进行策略的回测，并对回测结果进行研究（matplotlib绘图），或者对参数进行优化（scipy等）
建模相关：对数据进行一些统计学检验（statsmodel）以及机器学习建模（scikit-learn）
集成开发环境：在有针对性的IDE中实现以上步骤会更加简便快捷（ipython/spyder）
交易方面
这部分是答主的主场了，主要分为两块：
1. 执行交易：对于绝大部分量化策略，都在一定程度上需要自动/半自动的下单功能。
CTA策略突破入场（秒级延时）
期权做市实时挂撤单（毫秒级延时）
股指期货高频（微秒级延时）
分级基金套利（批量自动下单，延时没有以上几种重要）
Alpha套利（篮子交易，一般要使用vwap等算法）
2. 策略风控：同样一般需要自动或者半自动的风控功能.
期权组合的希腊值风险实时监控对冲
分级基金套利的beta净敞口、行业暴露等实时监控对冲
Alpha套利策略的因子监控
具体需要掌握的知识：
1. 模拟实盘交易的策略回测：将策略重新编写为可以基于数据回放（逐TICK/逐K线）的模式进行回测的程序，模拟实际交易情况，杜绝未来函数的可能性，实盘交易中使用完全相同的程序进行交易，保证实盘和回测的一致性。这块通常需要专门的框架或者程序，比如通联的优矿、掘金、vn.py框架中的vn.strategy等。
2. 实盘交易接口：将想要下的单子通过交易接口发送到经纪商柜台，目前可以实盘直接使用的应该包括掘金（期货）、vn.py中的vn.lts（证券、期权）和vn.ctp（期货）。如果要使用其他的柜台需要自己封装，如恒生、金证等。
3. 其他语言拓展：作为最有名的胶水语言之一，Python的拓展功能不用绝对是浪费。针对计算瓶颈可以使用cython拓展，针对API可以用boost.python和swig进行封装，调用matlab直接运行其中提供的特定算法，使用COM接口调用Excel自动生成每日交易记录和报表......
4. GUI程序的开发：相当数量的量化交易依旧需要交易员进行实时监控，除了在cmd中不断print一些数据外，更合理的方案是开发自己需要的GUI界面，重点推荐PyQt，比在C++中用Qt开发要来的快捷很多，底层运行的也是C++的代码，速度完全不用担心。一些有特别需求的人也可以考虑开发在浏览器中显示的界面，比如经常想用手机远程监控。
对于程序员而言，了解编程语言的发展趋势，有助于个人职业成长；而对于想要入行IT的新人而言，最大的疑惑大多来自于不知道该选择哪门编程语言发展前景更好！
随着云计算、人工智能等的发展，Python语言最近几年出现了爆发式的增长，Python语言的关注度增长了10倍。云计算、大数据分析、人工智能、物联网等领域Python应用无处不在。百度、阿里、腾讯、网易、新浪，搜狐等各公司都在大规模使用Python技术。
各个公司对于Python人才急缺，但是掌握Python技术的人才不多，造成各个公司急缺Python开发人员。所以说未来Python的发展前景还是挺不错的；自1991年发布以来，Python的普及程度已经大大提高。现在已经跻身世界上最流行的编程语言之列，克服了如速度太慢或无法扩展语言的诟病。虽然很多开源项目或语言浮浮沉沉，但是Python一直在增长，排名不断提升。
