vectorbt

使用 vectorbt 进行向量化回测

概述

vectorbt 是一个用于向量化回测的 Python 库，可通过 NumPy/pandas 数组运算运行策略模拟，而不是逐根 K 线循环。这使它比事件驱动框架（backtrader、zipline）快 100–1000 倍，可在几秒内完成数千种组合的参数优化。

主要优势：

• 借助 NumPy 向量化实现极快的运行速度
• 内置参数网格搜索与优化
• 内置 50 多种绩效指标（夏普比率、索提诺比率、卡玛比率、最大回撤、盈利因子）
• 丰富的绘图功能（权益曲线、回撤、交易标记、热力图）
• 原生集成 pandas——数据始终保留在 DataFrame 中

安装

uv pip install vectorbt pandas numpy

vectorbt 会自动安装 pandas、NumPy 和 Plotly。若要使用技术指标，还需安装 pandas-ta：

uv pip install vectorbt pandas-ta

核心概念

1. 信号——布尔入场/离场数组

在 vectorbt 中，策略通过布尔型 pandas Series（或数组）表示，用于指示入场和离场的位置：

import vectorbt as vbt
import pandas as pd

# Entry: buy when fast EMA crosses above slow EMA
entries = fast_ema > slow_ema
# Exit: sell when fast EMA crosses below slow EMA
exits = fast_ema < slow_ema

vectorbt 会自动处理冲突信号（持仓期间无法再次入场）。

2. 投资组合——回测引擎

vbt.Portfolio.from_signals() 是主要的回测函数。它接收价格数据和入场/离场信号，模拟交易并计算绩效：

pf = vbt.Portfolio.from_signals(
    close=close_prices,
    entries=entries,
    exits=exits,
    init_cash=10_000,
    fees=0.003,       # 0.3% per trade
    slippage=0.005,   # 0.5% slippage
    freq="1h",        # hourly data
)

3. 指标——内置绩效分析

# Full stats summary
print(pf.stats())

# Individual metrics
print(f"Total Return: {pf.total_return():.2%}")
print(f"Sharpe Ratio: {pf.sharpe_ratio():.3f}")
print(f"Max Drawdown: {pf.max_drawdown():.2%}")
print(f"Win Rate:     {pf.trades.win_rate():.2%}")

4. 参数优化——几秒内完成网格搜索

传入数组而非标量，即可同时测试多个参数组合：

import numpy as np

fast_periods = np.arange(5, 25, 2)   # 10 values
slow_periods = np.arange(20, 60, 5)  # 8 values

fast_ma = vbt.MA.run(close, fast_periods, short_name="fast")
slow_ma = vbt.MA.run(close, slow_periods, short_name="slow")

# This creates 80 parameter combinations automatically
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

基本工作流

步骤 1：加载 OHLCV 数据

import pandas as pd

# From CSV
df = pd.read_csv("ohlcv.csv", parse_dates=["timestamp"], index_col="timestamp")
close = df["close"]

# From Yahoo Finance (traditional markets)
btc = vbt.YFData.download("BTC-USD", start="2023-01-01", end="2025-01-01")
close = btc.get("Close")

对于 Solana 代币，可通过 birdeye-api 技能获取数据并加载到 DataFrame 中。

步骤 2：计算指标

import pandas_ta as ta

# Using pandas-ta (see pandas-ta skill)
df.ta.ema(length=12, append=True)
df.ta.ema(length=26, append=True)
df.ta.rsi(length=14, append=True)
df.ta.bbands(length=20, std=2, append=True)

# Or using vectorbt built-ins
rsi = vbt.RSI.run(close, window=14)
bbands = vbt.BBANDS.run(close, window=20, alpha=2)

步骤 3：生成入场/离场信号

# EMA crossover
entries = df["EMA_12"] > df["EMA_26"]
exits = df["EMA_12"] < df["EMA_26"]

# RSI mean reversion
entries = rsi.rsi_below(30)
exits = rsi.rsi_above(70)

步骤 4：运行回测

pf = vbt.Portfolio.from_signals(
    close=close,
    entries=entries,
    exits=exits,
    init_cash=10_000,
    fees=0.003,
    slippage=0.005,
    size=0.95,               # use 95% of available cash
    size_type="percent",
    freq="1h",
)

步骤 5：分析结果

# Summary statistics
print(pf.stats())

# Trade-level analysis
trades = pf.trades.records_readable
print(f"\nTrade count: {len(trades)}")
print(f"Avg holding period: {trades['Duration'].mean()}")

# Equity curve
pf.plot().show()

# Drawdown chart
pf.drawdowns.plot().show()

主要投资组合参数

参数	说明	示例
close	价格序列（pd.Series 或 DataFrame）	df["close"]
entries	布尔入场信号	fast > slow
exits	布尔离场信号	fast < slow
init_cash	初始资金	10_000
fees	每笔交易的手续费（比例）	0.003（0.3%）
slippage	每笔交易的滑点（比例）	0.005（0.5%）
size	持仓规模	0.95
size_type	持仓规模的解释方式	"percent"、"amount"、"value"
freq	数据频率	"1h"、"4h"、"1d"
direction	交易方向	"both"、"longonly"、"shortonly"
accumulate	是否允许加仓	False
sl_stop	止损位（比例）	0.05（5%）
tp_stop	止盈位（比例）	0.10（10%）

绩效指标

收益

• total_return() — 周期内累计收益
• annualized_return() — 年化复合收益
• daily_returns() — 每日收益 Series

风险

• max_drawdown() — 峰值到谷值的最大跌幅
• annualized_volatility() — 年化收益标准差
• value_at_risk() — 指定置信水平下的风险价值（VaR）

风险调整指标

• sharpe_ratio() — 每单位波动率对应的超额收益
• sortino_ratio() — 每单位下行偏差对应的超额收益
• calmar_ratio() — 年化收益 / 最大回撤
• omega_ratio() — 按概率加权的盈亏比

交易统计

• trades.win_rate() — 盈利交易所占比例
• trades.profit_factor() — 总盈利 / 总亏损
• trades.expectancy() — 每笔交易的平均盈亏
• trades.avg_winning_trade() — 盈利交易的平均利润
• trades.avg_losing_trade() — 亏损交易的平均亏损
• trades.count() — 已完成交易的总数

参数优化

网格搜索

fast_windows = [5, 8, 12, 15, 20]
slow_windows = [20, 26, 30, 40, 50]

# Run all 25 combos at once
fast_ma = vbt.MA.run(close, fast_windows, short_name="fast")
slow_ma = vbt.MA.run(close, slow_windows, short_name="slow")

entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

pf = vbt.Portfolio.from_signals(close, entries, exits, fees=0.003)

# Find best params by Sharpe
sharpe = pf.sharpe_ratio()
best_idx = sharpe.idxmax()
print(f"Best params: {best_idx}, Sharpe: {sharpe[best_idx]:.3f}")

滚动前向验证

始终使用样本外数据验证优化后的参数：

# Split: 70% train, 30% test
split_idx = int(len(close) * 0.7)
train_close = close.iloc[:split_idx]
test_close = close.iloc[split_idx:]

# Optimize on training data
# ... (run grid search on train_close)

# Validate best params on test data
# ... (run single backtest on test_close with best params)

有关滚动前向方法和防止过拟合的详细说明，请参阅 references/optimization_guide.md。

加密货币专项注意事项

24/7 市场

加密货币市场永不休市。请使用按小时或分钟计算的频率，而不是按工作日计算的频率：

# Correct for crypto
pf = vbt.Portfolio.from_signals(close, entries, exits, freq="1h")

# Wrong — business days assume market closures
# pf = vbt.Portfolio.from_signals(close, entries, exits, freq="1B")

真实的手续费

Solana 上的 DEX 兑换通常需要 0.25–1% 的费用（包括 AMM 手续费）。CEX 现货交易手续费为 0.05–0.1%。

# Solana DEX (conservative)
pf = vbt.Portfolio.from_signals(close, entries, exits, fees=0.005)

# CEX spot
pf = vbt.Portfolio.from_signals(close, entries, exits, fees=0.001)

滑点

流动性较低的代币可能会出现 1–5% 的滑点。请务必对其建模：

# High-liquidity (SOL, ETH): 0.1–0.5%
pf = vbt.Portfolio.from_signals(close, entries, exits, slippage=0.003)

# Low-liquidity memecoins: 1–3%
pf = vbt.Portfolio.from_signals(close, entries, exits, slippage=0.02)

历史数据较短

许多代币的历史数据不足 1 年。根据较短的样本计算年化指标时，请务必谨慎。

常见策略模式

EMA 交叉

fast = vbt.MA.run(close, 12, short_name="fast")
slow = vbt.MA.run(close, 26, short_name="slow")
entries = fast.ma_crossed_above(slow)
exits = fast.ma_crossed_below(slow)

RSI 均值回归

rsi = vbt.RSI.run(close, 14)
entries = rsi.rsi_crossed_below(30)
exits = rsi.rsi_crossed_above(70)

布林带突破

bb = vbt.BBANDS.run(close, window=20, alpha=2)
entries = close > bb.upper
exits = close < bb.lower

止损和止盈

pf = vbt.Portfolio.from_signals(
    close, entries, exits,
    sl_stop=0.05,    # 5% stop-loss
    tp_stop=0.10,    # 10% take-profit
)

相关技能

• pandas-ta — 计算技术指标（为 vectorbt 信号提供数据）
• birdeye-api — 获取 Solana 代币 OHLCV 数据，用于回测
• trading-visualization — 为回测结果生成高级图表
• portfolio-analytics — 深入分析投资组合层面的风险与收益
• position-sizing — 最优仓位规模方法
• risk-management — 投资组合层面的风险防护措施
• regime-detection — 感知市场状态，以调整策略

文件

参考资料

• references/api_guide.md — vectorbt 的完整 API 参考，涵盖 Portfolio、指标、绘图和数据加载
• references/optimization_guide.md — 网格搜索、滚动验证、防止过拟合和优化最佳实践

脚本

• scripts/backtest_example.py — 使用合成数据对比三种策略的回测（EMA 交叉、RSI 均值回归、布林带突破）
• scripts/parameter_sweep.py — 通过滚动验证对 EMA 交叉参数进行网格搜索