向量化回测
用 NumPy 二维数组一次运算多标的、多参数，避免 Python 逐事件循环的对象开销。代价是策略必须能用数组表达，强路径依赖的逻辑要改写成可由数组推导的规则。
vectorbt / polakowo · Python
vectorbt 中文可验证研究手册：从向量化建模到回测可信度审计
本手册把 vectorbt 定位为批量策略研究工具：价格数据、信号、资产和参数先广播成矩阵，再交给 NumPy、Numba 或可选 Rust 路径计算，最后从 Portfolio 的 orders、trades、drawdowns 与统计结果复核。重点不是证明它跑得多快，而是说明何时适合向量化、成本和成交假设是什么，以及如何判断历史结果是否稳健。未标为实测的代码仅作官方文档导读，不宣称已在本站环境运行。
项目来源
仓库页面显示约 9.0k Star / 1.2k Fork；该数字随社区活动变化，采集日期为 2026-09-07。
查看固定版本源码
开源许可Apache 2.0 + Commons Clause（Fair Code）
向量化回测pandas / NumPy / Numba 加速，另有可选 Rust 引擎
Portfolio 三入口from_holding / from_signals / from_orders
时效说明README 与官方文档核验于 2026-09-07，仓库最近一次提交约 2 个月前
What it solves
vectorbt 能解决什么问题？
价格数据、信号、资产与参数先广播为批量矩阵，经过向量化计算形成组合记录，再以统计、订单与风险视图复核。该流程服务于批量研究，不代表策略有效、可交易或可直接用于实盘。
参数网格扫描
通过广播机制一次回测大量参数组合，配合热力图定位参数稳定区间，而不是盯单点最高收益。适合做参数敏感性检查，但结果仍要防过拟合。
指标与组合生态
内置移动均线、布林带等指标，可集成 TA-Lib / Pandas TA；组合回测可与 QuantStats 打通输出绩效统计，省去自己搭一套统计报表。
可视化与自动化
基于 Plotly 的交互式图表可直接在 Jupyter 里查看，官方还提供自动化运行与 Telegram 通知方向的能力，便于把批量回测挂到定时任务上。
How it works
vectorbt 怎么用？六步从数据到分析
首页只保留理解所需的六步，每一步的具体命令与参数见对应子页。
1. 定义输入矩阵
固定价格数据的行索引、资产列和参数维度，保留原始快照与字段说明。输入先做对齐和缺失检查，避免广播把错位数据扩成更大的错误结果。
2. 广播生成批量任务
信号、资产与参数沿维度组合，适合一次比较多个可解释的候选设定。组合数乘法增长，先估算内存并用小网格验证，不能把扫描量当成证据强度。
3. 计算指标与订单
NumPy/Numba 承担主要数值路径，官方另有可选 Rust 安装路线。首次 JIT 编译与后续重复运行应分开计时；本站不引用未经同机复测的固定加速倍数。
4. 复核 Portfolio 记录
从 orders、trades、positions 与 drawdowns 等记录检查触发、持仓变化和回撤区间。若只看总收益或热力图颜色，无法发现成交时点、成本和数据对齐问题。
5. 核对绩效口径
确认 freq、样本区间、基准、手续费、滑点和成交价格后再比较年化收益与风险指标。任一口径变化都可能改变统计值，报告应保留这些假设。
6. 做稳健性复核
比较邻近参数区域、样本外区间和滚动窗口，而非只挑一个最高点。连续的参数高地比孤立收益尖峰更可信，但不构成未来有效或可交易的保证。
Components
vectorbt 核心能力清单：七块能力对应哪些子页？
按官方 README 与仓库模块结构整理，每一项都指向本站的具体页面。
| 研究环节 | 输入与输出 | 必须核对的问题 | 站内说明 |
|---|---|---|---|
| 价格数据 | 固定日期索引的 CSV/Parquet 或数据源表格 | 复权、交易日、缺失值口径是否明确？ | 数据接入 |
| 信号与资产 | 布尔信号、资产列和参数维度 | 信号何时可知、股票池如何形成？ | 指标信号 |
| 广播矩阵 | 沿资产、信号与参数维度扩展 | 组合规模与峰值内存是否可承受？ | 参数扫描 |
| 数值计算 | NumPy/Numba 路径，可选 Rust 安装扩展 | 是否拆分首次编译与稳态计时？ | 安装路线 |
| Portfolio 记录 | orders、trades、positions、drawdowns 等 | 订单与持仓是否符合成本和成交假设？ | Portfolio |
| 绩效与图表 | 统计摘要、热力图、单配置复盘 | 频率、样本区间和基准是否一致？ | 结果审计 |
| 样本外复核 | 未参与选参的时间段与滚动窗口 | 稳定区域能否跨窗口保留？ | 稳健性验证 |
Compare
vectorbt 的向量化研究与事件驱动模拟有什么区别？
向量化广播适合多资产、多参数批量实验；事件驱动模型更自然地表达逐 bar 状态变化。实际适配取决于策略逻辑、成交假设与数据粒度，不以未经同环境测量的速度倍率判断。
| 维度 | 向量化（本项目路线） | 事件驱动框架 | 注意点 |
|---|---|---|---|
| 执行方式 | 整列 NumPy 数组一次运算 + Numba JIT | 逐 bar 循环模拟事件 | 首次运行有 JIT 编译预热时间，短任务感知明显 |
| 参数扫描 | 原生广播，一次跑大量参数组合 | 需外层循环逐个跑 | 组合数量爆炸时要注意内存与耗时 |
| 路径依赖 | 适合能写成数组规则的策略 | 适合持仓状态强相关的策略 | 止损、加仓这类状态逻辑需改写成可向量化的形式 |
| 适合场景 | 因子研究、参数调优、批量策略验证 | 精细撮合、逐笔委托与状态路径策略 | 研究阶段与执行阶段可使用不同工具，按问题选型 |
| 交易假设 | 需由数据和组合参数共同描述 | 通常通过逐 bar 事件推进状态 | 两类框架的成交价、手续费和订单语义不可直接类比 |
| 性能比较 | 受矩阵规模、Numba 预热和硬件影响 | 受策略循环、数据规模和实现影响 | 没有同机同口径基准前，不引用固定倍率 |
| 前置门槛 | pandas / NumPy 数据科学基础 | 事件循环与撮合模型理解 | 不熟悉广播机制容易写出错误的信号对齐 |
| 可视化与报告 | Plotly 交互图 + 绩效统计 | 自带分析器或需自行接图表库 | 报告口径不同，跨框架比较前要统一指标定义 |
Setup and route
自建 vectorbt 管道，还是先用本机技能做研究？
两条路线的准备成本差别很大，先看你怎么用。
装 Python 环境→pip 安装→接入行情数据→写指标与信号→跑回测与参数扫描
换来的是完整可控的研究工程：信号对齐、资金与手续费设定、参数扫描结果都由自己掌握，产物是可复用的 Python 代码；代价是要维护 Python 环境与数据更新，并具备 pandas/NumPy 基础。
- 你要准备Python 环境、pandas / NumPy 基础，以及可信可复现的行情数据
- 你会得到可复现的回测工程：信号对齐、资金与手续费设定、参数扫描结果都自己掌握
- 代价环境、数据与依赖要自己维护；指标口径与结果异常要自己排查
- 何时转向技能路线只想先问清研究问题、暂时不想维护 Python 环境时
前置条件：能安装 Python 包；行情数据需自备——本项目不含内置行情源。
安装客户端→一句话提问
本机已核验的 quant-analyst 覆盖金融建模、策略回测与风险指标方向，akshare-finance 与 tushare-finance 覆盖 A 股等行情数据，stock-technical-mastery 与 a-stock-analysis 覆盖 A 股技术分析与实时行情；但没有本框架对应的集成证据，不能视为本项目的替代安装方式。
- 算指标与绩效一句话拿到收益率、夏普比率与回撤幅度，先给研究定边界
- 拉行情数据A 股等行情按标的直接取用，不必先写一套取数脚本
- 技术面与选股形态、指标状态与条件筛选，用来缩小要深入研究的范围
- 拿不到什么可复现的向量化回测工程与参数扫描产物——这部分仍需自建
- 何时转向自建要做批量参数扫描、自定义信号与可复现的绩效对比时
前置条件：需先安装客户端；部分数据源需要 Token 或账号；输出仅供研究，不构成投资建议。
路线边界：本项目与该技能路线无已证实集成——官方 README 与文档未提及它，本机技能目录中也没有对应的 vectorbt 技能。本页并列介绍的是两条独立路线：自建 Python 向量化回测工程，以及本机已核验技能提供的免部署研究入口。所有结果仅供研究，不构成投资建议。
Skills demo
本机技能路线怎么用？便捷性演示
以下为本机对话的真实截图（点击左右箭头翻页），用于对照「自建管道：装环境 + 接数据 + 写信号」的准备成本。截图演示的是技能路线，不是本框架的运行结果；与本项目无已证实集成，仅供研究。
以上截图为该技能路线的实际使用效果，需先安装客户端；图中的数据源与指标口径由所用技能决定，与本框架的回测口径不同，不能直接对比收益结果。结果由 AI 生成，仅供研究，不构成投资建议。
FAQ
常见问题
vectorbt 是什么？
它是 polakowo 开源的 Python 向量化回测与策略研究库，基于 pandas、NumPy、Numba 构建，用向量化数组运算替代事件驱动循环。定位与最新能力以官方 README 与官方文档为准；本页只做中文导航，不替代官方文档。
需要什么基础才能用起来？
需要 Python 与 pandas/NumPy 基础——它以访问器形式挂在 DataFrame 上（如 df.vbt），理解向量化广播后上手较快。若完全不熟悉数组运算，复杂策略的信号对齐与状态处理容易出错，这时可以先看对比页列的本机免部署技能路线；vectorbt 官方文档的示例才是更权威的入门材料。
和 backtrader、zipline 这类事件驱动框架怎么选？
用 vectorbt 做因子研究、批量参数扫描、多标的多参数快速验证，向量化广播更高效；做强路径依赖策略、精细撮合与实盘对接，事件驱动框架更贴合。两者撮合与指标口径并不等价，跨框架比较前要统一口径，具体差异以各自官方文档为准。
可以免费商用吗？
许可为 Apache 2.0 with Commons Clause（Fair Code）：源码公开、可免费使用，但不得销售主要基于本软件的产品或服务；可选依赖（如 TA-Lib 等）可能受更严格许可约束。商用前请直接阅读仓库 LICENSE 原文并自行评估合规，本页说明不构成法律意见；许可条款以官方仓库 LICENSE 原文为准
A 股数据从哪来？
vectorbt 内置的数据访问以 YFData（Yahoo 行情）为主；A 股通常用 akshare / tushare 等来源自行取数，整理成标准 DataFrame 后再进入回测流程，接口与复权口径以对应数据源官方文档为准。本机技能中的 akshare-finance、tushare-finance 覆盖 A 股等行情数据，可作为另一条取数路线参考。
能在 vectorbt 里直接用本机技能吗？
无已证实集成。官方 README 与文档没有提到它，本机技能目录中也没有本项目对应的技能；两者是并列的独立路线，各自适合的作业环节见对比页。若只想先得出研究结论、不想维护 Python 环境，可先试本机技能路线。