VectorBT实战：一次跑190组参数网格搜索，找到苹果最优SMA策略收益523%

一个能同时跑 190 种参数组合的回测库

大部分回测框架的工作方式是逐次回测——改一个参数、跑一次、看结果、再改、再跑。想试 190 组参数？那就跑 190 次。VectorBT 的思路完全不同：它用向量化计算一次性跑完所有参数组合，190 组参数、每组 2900 多个交易日的数据，几秒钟出结果。

我拿它对苹果做了三件事：买入持有、SMA 10/50 双均线交叉、以及一次 190 组参数的网格搜索。结果相当有意思——默认参数（10/50）几乎没赚钱（+1.5%），但网格搜索找到的最优参数（5/15）拿到了 +523% 的收益。当然，买入持有才是最大赢家：+1,217%。

本文用自然语言驱动的方式把 VectorBT 变成了一个可以直接对话使用的回测 Skill——不需要配环境、不需要写策略代码。最终产出是一个包含三条资金曲线叠加对比的交互式图表。

起步

从 EasyClaw 官网下载安装。不需要手动 pip install vectorbt、不需要配 Python 环境——这些后面 EasyClaw 自动处理。

打开之后，左侧找到「Skill」→「Skill Creator」。如果灰显，去「设置 → 通用」打开「开发者模式」重启。

问题	解决方法
Skill Creator 灰显	启用开发者模式，重启
网络连接失败	检查代理设置

创建 Skill，一句话的事

打开 Skill Creator，告诉 EasyClaw：

帮我把 GitHub 上的 VectorBT（https://github.com/polakowo/vectorbt）做成一个回测 Skill。我希望输入股票代码和起止日期就能跑 SMA 交叉策略，并且自动做一次参数网格搜索——快线从 5 到 50、慢线从 10 到 100，同时跑完所有组合并找出最优参数。最后把买入持有、默认参数、最优参数三条资金曲线画在同一张图上对比。

就这一句话。EasyClaw 会自动拉代码、分析 VectorBT 的向量化回测逻辑和 grid search 接口，封装成 Skill。不需要手动处理数据格式、不需要写策略类、也不需要自己去理解 VectorBT 的 MultiIndex 数据结构。

Skill 创建好之后，在对话框里说：

用 VectorBT 回测 AAPL，从 2015 年到 2026 年，默认 SMA 参数 10/50，网格搜索快线 5-50、慢线 10-100

回测结果：默认参数几乎不赚钱，但网格搜索找到了十倍以上的参数

跑完你会得到三组策略的完整对比。先看最直观的：

指标	买入持有	SMA(10,50)	SMA(5,15) 最优
总回报	+1,216.93%	+1.51%	+523.28%
夏普比率	—	0.613	0.868
索提诺比率	—	0.880	1.257
最大回撤	-38.52%	-0.60%	-57.10%
胜率	—	41.67%	44.89%
交易次数	1	37	177
利润因子	—	2.52	1.24

 

这几个数字说明了什么

默认参数 SMA(10,50) 在苹果上几乎完全失效。拿了 +1.5%，连通胀都跑不赢。但有意思的是，这个"失败"的策略有一个极亮眼的指标——最大回撤只有 -0.6%，利润因子 2.52。这说明它虽然没怎么赚钱，但风险控制做到了极致，赚的时候赚得比亏的时候多出一倍以上。如果你追求"不亏钱"胜过"多赚钱"，这个参数反而是个不错的选择。

网格搜索找到了 SMA(5,15)。190 组参数里跑出了最优解——+523%，夏普 0.868，索提诺 1.257。代价是回撤拉到了 -57%，交易次数飙到 177 笔。收益翻倍和回撤翻倍是一起来的，不存在"高收益低风险"的参数组合——至少在这只股票上不存在。

买入持有依然是王者。+1,217%、回撤才 -38%、而且只有 1 笔交易——在苹果这种长期牛股上，择时策略至今没有跑赢简单持有。这个结论和上次 Backtesting.py 的回测完全一致。不同的工具、不同的参数、同样的结论——对于单边上涨的超级牛股，持有不动是最优策略。

VectorBT 真正强的地方：一次跑完 190 组参数

如果用的是传统逐次回测框架，190 组参数要手动循环跑 190 次、每次等几秒、结果手动汇总。VectorBT 的向量化计算让这一步变成了一次调用、几秒出结果。这才是它跟其他回测框架最本质的差异——不是"多了一种策略类型"，而是"把参数探索的效率提升了两个数量级"。

对于量化研究来说，这个差异是决定性的。你可以在几分钟内试完几百组参数组合，而不是花了半天跑完几十组就放弃了。探索范围越大，找到意外好参数的概率越高。

常见报错

错误	原因	解决方法
网格搜索返回空结果	参数范围设得太窄，没有产生交易信号	扩大快线/慢线的搜索范围
图表中曲线无法正常显示	Plotly 输出路径含特殊字符	确保输出目录为纯英文路径
回测结果和预期差很多	VectorBT 的默认佣金和滑点设置可能不同	检查 Skill 自动使用的费率是否和你预期一致

什么时候该用 VectorBT，什么时候不该用

适合 VectorBT 的场景：你需要大量参数探索——比如"快线从 5 到 50、慢线从 10 到 100，最佳组合是什么"。这种场景下 VectorBT 的向量化优势是碾压级的。还有就是你想在一个标的上快速对比几十种策略变体，传统框架可能要跑半天，VectorBT 几分钟搞定。

不太适合的场景：你的策略逻辑非常复杂，不是简单的指标交叉（比如需要逐日判断多个条件、需要动态止盈止损）。向量化框架在这类逻辑上的表达力不如事件驱动框架。另外，如果你是新手，VectorBT 的 MultiIndex 数据结构和 pandas 深度绑定会让学习曲线比 Backtesting.py 陡一些——当然，Skill 封装后这些你都不用管。

下一步

• 换标的跑一次网格搜索——拿 NVDA 或 TSLA 跑同样的参数范围，看最优参数是不是同一个
• VectorBT 除了 SMA 交叉，还内置了几十种技术指标，可以从 SMA 扩展到 MACD、RSI、布林带等策略

资源链接：

• EasyClaw 下载：https://easyclaw.cn/?f=724
• VectorBT GitHub：https://github.com/polakowo/vectorbt

你有做过参数网格搜索吗？找到的最优参数在实际行情中能持续有效吗，还是只是过拟合了历史数据？欢迎聊聊你的经验。