一般的量化交易平臺，如聚寬、米筐等都有個研究模塊，notebook的形式，那這個量化研究究竟有什麼作用呢？
量化研究數據來源：
量化研究模塊數據主要包括三大部分數據，一部分是實時數據，即兩大證券交易所tick級別實時行情數據；一部分是歷史行情數據，目前量化平臺包含從05年至今的日線、分鐘線行情數據；還有一部分是基本面數據，如包括05年至今的公司財務數據等。另外其他還有一些其他的如指數、行業、板塊數據等。
量化研究數據來源包括兩個方面，實時數據是從恆生鯨騰H5行情服務器獲取，歷史數據（包括歷史行情與歷史基本面數據等）是我們本地量化服務器的數據，而我們本地量化服務器的數據是每天盤後去恆生服務器下載增量數據。
量化研究的目的：
一個量化策略需要經過這麼幾個步驟：1，首先從一個靈感出發，然後獲取行情數據或者基本面數據，對這些數據進行清洗、分析；2，通過建立數學建模去實現自己的想法；3，然後轉化爲策略代碼；4，在回測平臺上驗證策略的好壞；5，如果效果不好則調整策略；6，調整完之後則可以在交易模塊運行策略。
量化研究主要是第1步和第2步，即對股票行情以及基本面數據進行清洗、分析、建立數學模型的部分。
量化研究模塊支持的功能介紹：
- 我們提供了標準化的jupyter notebook雲端研究平臺，它提供了一個python雲端運行環境，可以在上面運行python代碼，用戶無需在自己本地電腦安裝python運行環境。簡而言之，研究模塊就是一個嵌入到量化平臺的網頁，用戶可以在這個網頁上直接編寫python代碼和運行代碼，代碼的運行結果也會在代碼塊下面顯示。而且代碼可以一行一行的運行，這樣每運行一行代碼，我們都能看到代碼的執行結果，
- 有些函數是策略平臺內置的函數，比如獲取行情數據的函數get_price，研究平臺也可以調用這些內置的函數，獲取數據進而進行分析，進而建立數學建模。
- 除了使用內置的函數外，還可以使用一些第三方的庫，比如還可以用目前最火的金融數據分析庫pandas，機器學習庫sklearn等。
量化研究模塊和回測模塊的異同：
相同點：
1，都能運行python代碼
不同點：
- 回測模塊的代碼是整段運行的，有些函數必不可少，比如initialize函數，這個函數是用來初始化數據的，比如設定滑點，訂閱股票行情；
- 研究模塊的代碼是按行運行的，方便觀察代碼運行結果。
- 有些函數只有回測模塊能用，比如只有回測模塊能用的get_history獲取歷史行情的函數，這個函數的參數不需要填入證券代碼，因爲在回測模塊已經訂閱了證券。而研究模塊沒有initialize函數去訂閱證券代碼，故只能用get_price函數來獲取歷史行情，這個函數的參數需要傳入證券代碼。