「量化用什么语言」是个伪问题——成熟机构从来是多语言栈：研究在 Python，生产在 C++/Rust，统计在 R，历史遗留仍在 MATLAB。本篇给一张选型地图：每种语言回答什么交易问题，以及「换语言」的真实成本。
C++：延迟敏感场景的统治者
微秒级延迟的战场——高频做市、期货高频套利、行情解析——至今仍是 C++ 的领地。先看一段行情链路的延迟预算，就知道优化发生在哪里：
| 链路段 | 典型延迟 | 由什么决定 |
|---|---|---|
| 交易所撮合 → 机房内你的网卡 | 1–5 μs | 物理距离（托管是入场券） |
| 行情解析（UDP → 结构化 tick） | 0.3–2 μs | 内核旁路 + C++/FPGA |
| 策略计算（做市报价更新） | 0.5–5 μs | 算法与数据结构（无堆分配、无系统调用） |
| 订单编码 + 发出 | 0.3–1 μs | 预序列化模板 + FPGA 更快 |
| 你的服务器 → 交易所撮合 | 1–5 μs | 同物理距离 |
读懂这张表就懂了 C++ 的不可替代性：全程预算 10 μs 的场景里，Python 一次对象分配（~100ns×百万次）、一次 GC 暂停（~ms 级）、一层解释器开销（Python 单次行情处理通常 10–100μs）都直接出局。这不是「优化 Python」能追平的量级差，是范式差。
适合你的信号：策略的盈亏由「快 5 微秒」决定（排队位置、抢单），而不是由信号质量决定。判断口诀：收益来源是「信息优势×速度」才上 C++；收益来源是「统计规律」Python 足矣——多因子选股把下单从 100ms 提到 5ms 毫无意义，做市商差 5 微秒就是生死（见高频交易概论 ）。学习路径建议：先 Python 完整走通策略闭环，再按低延迟基础 的清单逐项优化，C++ 是最后一步而非第一步。
Rust / Go：新一代基础设施的选项
Rust 在量化基础设施层（行情网关、回测引擎核心、风控网关）快速渗透：内存安全无 GC、性能对标 C++、现代工具链（cargo 依赖管理与测试体验远优于 CMake）。适合「要 C++ 的性能，不想要 C++ 的段错误」的团队——量化系统的特点是长时间无人值守运行，C++ 的野指针在凌晨三点崩掉进程的代价，Rust 在编译期就拦下了。代价：学习曲线陡（借用检查）、金融领域成熟库少（fixed income 定价、行情协议解析常要自己造）。
Go 统治调度与 API 层：goroutine 模型天然适合「同时盯几百个行情连接 + 并发下单 + 心跳监控」——写一个多交易所行情聚合网关，Go 大约是 C++ 三分之一到五分之一的代码量。很多机构的交易监控系统、清结算对账服务用 Go 写。
对新人的建议：这两个语言是锦上添花，不是入行门票。量化工程师岗位的核心竞争力仍是「把研究可靠地搬到生产」的系统能力，语言只是载体。
R：统计研究的行家
R 的优势集中在统计建模的原生性：
- 公式接口：
lm(ret ~ mkt + smb + hml + mom)一行完成回归与完整诊断（t 值、R²、残差图）——Python 的 statsmodels 能做到但啰嗦一倍； - 新方法的首发平台：学术界新统计方法（新的 FDR 变体、面板回归修正、wild bootstrap）几乎总是先有 R 包，Python 社区跟进滞后半年到数年。复现一篇论文的方法时，先搜 R 包常能省一周；
- 数据处理的
data.table：大表分组运算在某些场景快过 Pandas。
实务定位：Python 已覆盖 R 的 95% 用途（statsmodels、linearmodels、arch）。值得专门学 R 的场景：需要用最新的计量方法而 Python 尚无成熟实现；或所在团队历史代码是 R。
MATLAB：曾经的标准、如今的遗产
2010 年前的量化教材与欧洲机构大量使用 MATLAB（工具箱齐全、矩阵思维原生）。今天它主要作为遗产系统存在：读经典教材（如一些老牌 MFE 课程讲义）、维护老系统时需要能读懂，新项目不建议入坑——闭源授权贵、生态迁移、部署麻烦三座大山。
选型决策表
| 你的问题 | 推荐 | 理由 |
|---|---|---|
| 因子研究、回测原型 | Python | 生态与迭代速度 |
| 生产多因子日频交易 | Python + 少量 C 扩展 | 延迟不敏感 |
| 高频做市 / 抢单类套利 | C++ 或 Rust | 微秒延迟决定盈亏 |
| 行情网关、监控系统 | Go | 高并发网络编程效率 |
| 学术级统计推断、方法复现 | R | 统计包最新最全 |
| 读懂 2010 年前的经典代码 | MATLAB | 遗产兼容 |
一条贯穿的原则：语言是成本中心，不是竞争力本身。同一家机构里，把 Python 研究流水线做得可靠、可复现的人，长期价值高于「用 Rust 重写了回测引擎但因子产出为零」的人——工程服务于研究，这根主轴不要倒置（见量化全景图 ）。判断自己是否在「为换语言而换语言」的试金石：新语言能把哪个研究产出指标（因子尝试数/上线周期/事故率）改善多少？答不出数字，就先别动。
关联阅读：Python 量化栈 是默认主线；低延迟基础 给出 C++/Rust 场景的度量清单；生产系统架构 展示多语言如何在一个系统里分工。