今年上过一个quantative programming的课程，去年教学用的语言还是python，加速的方法用的是jit即时编译来提高编程效率，今年课程的设计就改成Julia了。

因为自己从2016年起数据研究用的都是python，所以最开始使用Julia的时候并不习惯。不过在用Julia完成课程项目时发现Julia的好处还是很多，所以在网课上认真的把Julia系统性地学习了一遍。

关于Julia和python的对比

首先Julia的速度是比python快很多的，Julia的性能因为自带jit的缘故基本上性能都比较接近于C了，而python在使用jit前，速度是远不如Julia的，而且python的jit帮助文档以及debug解决方案也相当残缺，这点Julia用起来比python要方便很多；

第二IDE方面，我们的Julia教学使用的还是notebook，所以我并没有深入地使用过Julia专用的IDE（除了在vscode装过Julia插件），而python我一直使用的是pycharm，在IDE这方面，我个人觉得目前还是python比Julia好用；

第三pakage以及社区文档方面，总得来说python的pakage还是相当丰富与易用的，而且除了jit以外，debug的帮助也非常容易找到，这点Julia现在还远远不及，更加不用说Julia现在的改版非常迅速，一些pakage以及debug信息早就不适用当前的版本了，这就导致了使用者在遇到bug时往往会因为版本的不同导致感到无所适从（这点非常像早期python的感觉，尤其是在python2到python3的转换期间），所以我建议等到Julia再稳定一些后再使用Julia进行研究。

总的来说，从更加宏观的角度来说，以上的第一点是语言战略方向的问题，而第二点和第三点仅仅是战术上的缺陷，而这些缺陷都能够靠时间来弥补，而且语言的热度从来都不是线性发展，我还挺期待Julia的下一个更加成熟与稳定版本的。

所以，从量化研究框架的稳定性出发，我认为Julia替代python还为之过早，不过因为python的速度实在是太慢，而c++的编程时间以及debug时间又过长，所以我还是希望Julia能够快速发展的的。

最后，学好c++后，换个语言根本就不是一个事。（给c++跪了。。。。。）