這兩個概念完全不同啊。量化交易是具體的工作內容，資料探勘是一種工作方法。
——量化交易不是隻會資料探勘就可以的，至少你還要懂基本的投資知識和交易規則。
——資料探勘作為一種工作方法，不僅可以用於量化交易，比如製造業可以用來做自動控制，金融業可以用來做反洗錢或風險評測，市場營銷人員可以用來做銷售預測，運營人員可以用來做客戶精準分析等等。
大資料嚒，我覺得是一個被濫用的概念，我作為資料工作人員，我都不知道大資料的準確定義是啥。事實上我也不關心，究竟多少維度多少容量的資料才是大資料，這個問題沒有意義。只是在資料量和資料型別不同的情況下，你需要不同的技術方法和資料架構去實現。
舉個例子，如果你想用客戶的交易資料來做CRM（客戶關係管理），你的資料量可能只有幾萬行，也都是結構化資料，那麼excel足夠了；如果資料量到百萬行，開源的mysql簡單用用也可以；如果到千萬級，mysql需要優化了，或者直接用sql server及oracle；如果資料量再大，建議上所謂大資料平臺，如hadoop等方案；如果你的資料還包括音訊、影片、圖片等，那麼你需要更豐富的non sql 方案。
做量化的話，以A股為例，算2000家好了，每年250交易日，每天4*60=240分鐘。如果你要做分鐘級的分析，資料總量1.2億條，再加上你可能還關注財務報表、基準利率、新聞、政策等資訊，處理這些資料還是需要一定技術的。
我猜測題主是不是想做量化投資，在評估各方面的資源和條件。
量化投資肯定需要資料探勘技術，但未必需要“大資料”技術（我預設資料探勘人員具備處理大資料的能力），交易規則和投資知識肯定是需要的。我大概列一下吧：
1、交易員（提出交易規則）
2、資料建模人員（實現並分析交易規則）
3、機房、硬體等管理人員（基礎設施）
4、資料架構師（底層資料儲存、計算框架的搭建）
5、開發人員（資料平臺的開發、與證券、銀行介面對接等）
如果是個人興趣，我覺得會爬蟲和資料分析就可以入門了。
推薦python
這兩個概念完全不同啊。量化交易是具體的工作內容，資料探勘是一種工作方法。
——量化交易不是隻會資料探勘就可以的，至少你還要懂基本的投資知識和交易規則。
——資料探勘作為一種工作方法，不僅可以用於量化交易，比如製造業可以用來做自動控制，金融業可以用來做反洗錢或風險評測，市場營銷人員可以用來做銷售預測，運營人員可以用來做客戶精準分析等等。
大資料嚒，我覺得是一個被濫用的概念，我作為資料工作人員，我都不知道大資料的準確定義是啥。事實上我也不關心，究竟多少維度多少容量的資料才是大資料，這個問題沒有意義。只是在資料量和資料型別不同的情況下，你需要不同的技術方法和資料架構去實現。
舉個例子，如果你想用客戶的交易資料來做CRM（客戶關係管理），你的資料量可能只有幾萬行，也都是結構化資料，那麼excel足夠了；如果資料量到百萬行，開源的mysql簡單用用也可以；如果到千萬級，mysql需要優化了，或者直接用sql server及oracle；如果資料量再大，建議上所謂大資料平臺，如hadoop等方案；如果你的資料還包括音訊、影片、圖片等，那麼你需要更豐富的non sql 方案。
做量化的話，以A股為例，算2000家好了，每年250交易日，每天4*60=240分鐘。如果你要做分鐘級的分析，資料總量1.2億條，再加上你可能還關注財務報表、基準利率、新聞、政策等資訊，處理這些資料還是需要一定技術的。
我猜測題主是不是想做量化投資，在評估各方面的資源和條件。
量化投資肯定需要資料探勘技術，但未必需要“大資料”技術（我預設資料探勘人員具備處理大資料的能力），交易規則和投資知識肯定是需要的。我大概列一下吧：
1、交易員（提出交易規則）
2、資料建模人員（實現並分析交易規則）
3、機房、硬體等管理人員（基礎設施）
4、資料架構師（底層資料儲存、計算框架的搭建）
5、開發人員（資料平臺的開發、與證券、銀行介面對接等）
如果是個人興趣，我覺得會爬蟲和資料分析就可以入門了。
推薦python