Python金融量化框架VectorBT
一、概述
VectorBT 是一个基于 Python 的开源量化交易库，采用向量化回测方法，通过 NumPy 和 Pandas 加速大规模数据处理，适用于高频策略开发和性能评估。
核心优势
- 极速性能：利用 NumPy 和 Pandas 的向量化运算能力，回测速度比传统方法快 100 倍以上。
- 灵活策略定义：支持基于信号和事件的策略开发，兼容自定义指标和机器学习模型（如 LSTM）。
- 可视化工具：内置 Plotly
- 集成化解决方案：整合数据获取、技术指标计算、策略优化等功能，减少多库整合的复杂度。
功能模块
- 数据获取：支持 雅虎财经
- 策略开发：内置技术指标（如 MACD、RSI），支持自定义指标和批量计算。
- 回测优化：可针对多个参数、资产和时间段进行策略优化，内置 夏普比率
- 风险管理：提供波动率动态仓位管理、交易成本模拟等功能。
应用场景
适用于中高级量化交易者，尤其适合需要快速处理高频数据的场景（如高频交易、机器学习模型验证）。
github地址：https://github.com/polakowo/vectorbt
二、安装
使用虚拟环境安装
conda create --prefix D:\file\conda\envs\vectorbt_env python=3.13.2 conda activate D:\file\conda\envs\vectorbt_env
安装模块vectorbt，akshare
pip install vectorbt akshare
三、实战日K线及MACD金叉/死叉买卖点
MACD(12,26,9)
MACD(12,26,9) 是一组经典参数，用来计算 MACD 指标的三个“窗口长度”：
-
12 —— 快线 EMA 周期
用最近 12 根 K 线（日 K 就是 12 天）做指数移动平均，反应“短期”价格趋势。 -
26 —— 慢线 EMA 周期
用最近 26 根 K 线做指数移动平均，反应“长期”价格趋势。 -
9 —— 信号线（DEA）EMA 周期
把上面两条线之差（MACD 值）再做一次 9 周期的 EMA，得到“信号线”，用来产生金叉/死叉。
一句话总结
-
12 与 26 的差距越大，指标越“迟钝”；差距越小，越“敏感”。
-
9 越小，信号线越紧跟 MACD，金叉死叉出现得越快。
寒武纪
这里以寒武纪为例子，分析从2025年的日k线
start.py
import akshare as ak import vectorbt as vbt import pandas as pd import plotly.graph_objects as go import plotly.io as pio # ---------------- 1. 拉取日 K ---------------- # 股票代码 symbol = "688256" # 股票名称 stock_name = "寒武纪" df = ak.stock_zh_a_hist( symbol=symbol, period="daily", start_date="20250101", # 用足够长的历史 adjust="qfq" ) df["日期"] = pd.to_datetime(df["日期"]) df = df.set_index("日期").sort_index() close = df["收盘"] # ---------------- 2. 计算 MACD & 信号 ---------- macd = vbt.MACD.run(close, fast_window=12, slow_window=26, signal_window=9) entries = macd.macd_crossed_above(macd.signal) exits = macd.macd_crossed_below(macd.signal) # ---------------- 3. 回测 ----------------------- pf = vbt.Portfolio.from_signals( close, entries, exits, init_cash=100_000, freq="d" ) print("=== 每笔交易 ===") # print(pf.positions.records_readable.head()) # print(pf.positions.records_readable.columns) # 开仓日期,开仓均价,平仓日期,平仓均价,收益率(该笔交易带来的百分比收益) cols = ["Entry Timestamp", "Avg Entry Price", "Exit Timestamp", "Avg Exit Price", "Return"] print(pf.positions.records_readable[cols]) # ---------------- 4. 画图 ----------------------- buy_idx = entries[entries].index sell_idx = exits[exits].index buy_price = close.loc[buy_idx] sell_price = close.loc[sell_idx] fig = go.Figure(data=[ go.Candlestick( x=df.index, open=df["开盘"], high=df["最高"], low=df["最低"], close=df["收盘"], name=f"{symbol} 日K", # k线量柱增加，指定为红色 increasing=dict(line=dict(color="#ff0000"), fillcolor="#ff0000"), # k线量柱递减，指定为绿色 decreasing=dict(line=dict(color="#40a040"), fillcolor="#40a040") ) ]) fig.add_trace(go.Scatter( x=buy_idx, y=buy_price * 0.98, mode="markers", marker=dict(symbol="triangle-up", size=12, color="red"), name="买入" )) fig.add_trace(go.Scatter( x=sell_idx, y=sell_price * 1.02, mode="markers", marker=dict(symbol="triangle-down", size=12, color="green"), name="卖出" )) fig.update_layout( title=f"{symbol} {stock_name} MACD(12,26,9) 信号与回测", xaxis_rangeslider_visible=False, height=700 ) # 指定默认浏览器 pio.renderers.default = "browser" fig.show() # 保存为html文件 fig.write_html(f"{symbol}_kline_signals.html")
运行python文件，等待43秒左右，会自动打开浏览器，访问html文件。
效果如下：
太大了，看不清，这里再局部放大一点。
可以看到8月1日到8月26日的，K线图。
红色量柱买入，绿色量柱卖出。
终端会输出每笔交易
=== 每笔交易 === Entry Timestamp Avg Entry Price Exit Timestamp Avg Exit Price Return 0 2025-04-15 619.88 2025-05-13 678.29 0.094228 1 2025-06-13 604.90 2025-07-08 542.77 -0.102711 2 2025-07-18 582.62 2025-08-26 1344.88 1.308331
参数解释：
Entry Timestamp，开仓日期，真正成交那一刻的日期索引。
Avg Entry Price，开仓均价，如果分批建仓，这里是加权平均价。
Exit Timestamp，平仓日期，最后那一笔平仓的日期。
Avg Exit Price，平仓均价，分批平仓时的加权平均价。
Return，收益率，该笔交易带来的 百分比收益（已考虑杠杆）。
看最后一条信息，2025-07-18日，以582.62元价格买入寒武纪，2025-08-26日，卖出价格1344.88，收益率为130.8%，翻倍了。
浙公网安备 33010602011771号