在几秒钟内测试成千上万种交易策略，跨市场和不同时间周期分析投资组合，并以最少的代码找出有效的交易方法。VectorBT专为人类研究者和AI智能体设计，将快速实验与经过多年社区使用验证的成熟回测框架相结合。

VectorBT是VectorBT PRO的开源社区版，后者是一款最先进的混合型回测库。

功能特性

• 基于pandas/NumPy的快速向量化回测与策略研究，通过Numba加速
• 原生pandas API，配备自定义访问器和高性能操作
• 灵活的广播机制，适用于多资产分析和大规模参数扫描
• 丰富的指标生态系统，支持自定义指标及主流技术分析库（TA-Lib、Pandas TA等）
• 投资组合回测，包含交易、持仓、回撤及绩效分析（包括QuantStats）
• 基于信号的工具链，用于信号生成、排序、映射及分布分析
• 内置数据接入功能（Yahoo Finance、CCXT、Alpaca等），以及数据预处理和随机数据生成
• 鲁棒性测试、向前优化及ML工作流中的标签生成
• 交互式可视化，支持Plotly、Jupyter widgets及浏览器友好的仪表盘
• 自动化支持，可实现定时更新和Telegram通知
• 可组合的Python API，适合快速实验和AI智能体驱动的工作流

安装

pip install -U vectorbt

若需同时安装可选依赖：

pip install -U "vectorbt[full]"

使用方法

VectorBT 让你只需几行 Python 代码就能对策略进行回测。

• 自 2014 年以来，投资 100 美元于比特币所获得的收益：

import vectorbt as vbt

data = vbt.YFData.download("BTC-USD")
price = data.get("Close")

pf = vbt.Portfolio.from_holding(price, init_cash=100)
print(pf.total_profit())

19501.10906763755

• 当 10 日均线金叉 50 日均线时买入，反之死叉时卖出：

fast_ma = vbt.MA.run(price, 10)
slow_ma = vbt.MA.run(price, 50)
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

pf = vbt.Portfolio.from_signals(price, entries, exits, init_cash=100)
print(pf.total_profit())

34417.80960086067

• 生成 1,000 个带有随机信号的策略，并在 BTC 和 ETH 上进行测试：

import numpy as np

symbols = ["BTC-USD", "ETH-USD"]
data = vbt.YFData.download(symbols, missing_index="drop")
price = data.get("Close")

n = np.random.randint(10, 101, size=1000).tolist()
pf = vbt.Portfolio.from_random_signals(price, n=n, init_cash=100, seed=42)

mean_expectancy = pf.trades.expectancy().groupby(["randnx_n", "symbol"]).mean()
fig = mean_expectancy.unstack().vbt.scatterplot(xaxis_title="randnx_n", yaxis_title="mean_expectancy")
fig.show()

• 对于超参数优化爱好者：在 BTC、ETH 和 XRP 上测试双均线交叉策略的 10,000 种窗口组合：

symbols = ["BTC-USD", "ETH-USD", "XRP-USD"]
data = vbt.YFData.download(symbols, missing_index="drop")
price = data.get("Close")

windows = np.arange(2, 101)
fast_ma, slow_ma = vbt.MA.run_combs(price, window=windows, r=2, short_names=["fast", "slow"])
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

pf = vbt.Portfolio.from_signals(price, entries, exits, size=np.inf, fees=0.001, freq="1D")

fig = pf.total_return().vbt.heatmap(
    x_level="fast_window", y_level="slow_window", slider_level="symbol", symmetric=True,
    trace_kwargs=dict(colorbar=dict(title="Total return", tickformat="%")))
fig.show()

通过 Pandas 索引可以检查任何策略配置：

print(pf[(10, 20, "ETH-USD")].stats())

Start                          2017-11-09 00:00:00+00:00
End                            2026-01-03 00:00:00+00:00
Period                                2978 days 00:00:00
Start Value                                        100.0
End Value                                    1604.093789
Total Return [%]                             1504.093789
Benchmark Return [%]                          866.094127
Max Gross Exposure [%]                             100.0
Total Fees Paid                               204.226289
Max Drawdown [%]                               70.734951
Max Drawdown Duration                 1095 days 00:00:00
Total Trades                                          81
Total Closed Trades                                   80
Total Open Trades                                      1
Open Trade PnL                                -14.232533
Win Rate [%]                                       41.25
Best Trade [%]                                120.511071
Worst Trade [%]                               -27.772271
Avg Winning Trade [%]                          27.265519
Avg Losing Trade [%]                           -9.022864
Avg Winning Trade Duration    32 days 20:21:49.090909091
Avg Losing Trade Duration      8 days 16:51:03.829787234
Profit Factor                                   1.275515
Expectancy                                     18.979079
Sharpe Ratio                                    0.861945
Calmar Ratio                                    0.572758
Omega Ratio                                      1.20277
Sortino Ratio                                   1.301377
Name: (10, 20, ETH-USD), dtype: object

绘图也是如此：

pf[(10, 20, "ETH-USD")].plot().show()

VectorBT 不仅仅用于回测！它还能帮助进行金融数据分析和可视化。

• 创建一个 GIF 动画，展示多个标的的布林带百分比 B 值和带宽变化：

symbols = ["BTC-USD", "ETH-USD", "XRP-USD"]
data = vbt.YFData.download(symbols, period="6mo", missing_index="drop")
price = data.get("Close")
bbands = vbt.BBANDS.run(price)

def plot(index, bbands):
    bbands = bbands.loc[index]
    fig = vbt.make_subplots(
        rows=2, cols=1, shared_xaxes=True, vertical_spacing=0.15,
        subplot_titles=("%B", "Bandwidth"))
    fig.update_layout(showlegend=False, width=750, height=400)
    bbands.percent_b.vbt.ts_heatmap(
        trace_kwargs=dict(zmin=0, zmid=0.5, zmax=1, colorscale="Spectral", colorbar=dict(
            y=(fig.layout.yaxis.domain[0] + fig.layout.yaxis.domain[1]) / 2, len=0.5
        )), add_trace_kwargs=dict(row=1, col=1), fig=fig)
    bbands.bandwidth.vbt.ts_heatmap(
        trace_kwargs=dict(colorbar=dict(
            y=(fig.layout.yaxis2.domain[0] + fig.layout.yaxis2.domain[1]) / 2, len=0.5
        )), add_trace_kwargs=dict(row=2, col=1), fig=fig)
    return fig

vbt.save_animation("bbands.gif", bbands.wrapper.index, plot, bbands, delta=90, step=3, fps=3)

100%|██████████| 31/31 [00:21<00:00,  1.21it/s]

这还只是冰山一角。访问 网站 以了解更多信息。

应用程序

蜡烛图形态（这里）

以交互方式探索蜡烛图形态信号，并使用 VectorBT 进行回测。

链接

• 网站
• Docker 镜像
• Colab 笔记本

许可证

本作品采用 Fair Code 协议，并根据 Apache 2.0 with Commons Clause 许可证发布。

源代码是开放的，个人和组织都可以免费使用。但是，您不得销售主要基于此软件的产品或服务。

如果您有任何疑问或希望申请许可例外，请 联系作者。

安装可选依赖项可能受更严格的许可证约束。

星标历史

免责声明

本软件仅用于教育目的。请勿使用您无法承受损失的资金进行交易。

使用本软件的风险由您自行承担。作者及所有关联方对您的交易结果不承担任何责任。

VectorBT 快速上手指南

VectorBT 是一款基于 Python 的高性能量化回测与研究库，利用向量化运算和 Numba 加速，能够在秒级测试成千上万种交易策略。它原生支持 Pandas/NumPy，非常适合进行多资产分析、参数扫描以及 AI 驱动的策略研发。

环境准备

• 操作系统：Windows、macOS 或 Linux
• Python 版本：3.8 及以上（推荐 3.9+）
• 核心依赖：安装时会自动处理 pandas, numpy, numba, plotly 等依赖。
• 可选依赖：若需使用技术指标库（如 TA-Lib）或更多数据源，建议安装完整版。

国内加速提示：推荐使用清华或阿里镜像源加速安装过程。

安装步骤

1. 基础安装

仅安装核心功能，适用于大多数回测场景：

pip install -U vectorbt -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 完整安装（推荐）

安装包含所有可选依赖（如额外数据源、高级绘图功能等）的版本：

pip install -U "vectorbt[full]" -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

VectorBT 的核心优势在于用极少的代码完成复杂策略的回测。以下是三个典型场景：

场景一：简单持有策略

计算自 2014 年以来持有 100 美元比特币的收益：

import vectorbt as vbt

# 下载数据
data = vbt.YFData.download("BTC-USD")
price = data.get("Close")

# 构建投资组合并计算总利润
pf = vbt.Portfolio.from_holding(price, init_cash=100)
print(pf.total_profit())

场景二：双均线交叉策略

实现经典的“金叉买入，死叉卖出”策略（10 日均线上穿 50 日均线）：

import vectorbt as vbt

data = vbt.YFData.download("BTC-USD")
price = data.get("Close")

# 计算移动平均线
fast_ma = vbt.MA.run(price, 10)
slow_ma = vbt.MA.run(price, 50)

# 生成信号
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

# 回测并输出结果
pf = vbt.Portfolio.from_signals(price, entries, exits, init_cash=100)
print(pf.total_profit())

场景三：批量参数优化（热力图）

一次性测试 10,000 组均线参数组合，并可视化总收益率热力图：

import numpy as np
import vectorbt as vbt

symbols = ["BTC-USD", "ETH-USD", "XRP-USD"]
data = vbt.YFData.download(symbols, missing_index="drop")
price = data.get("Close")

# 生成参数组合 (2 到 100)
windows = np.arange(2, 101)
fast_ma, slow_ma = vbt.MA.run_combs(price, window=windows, r=2, short_names=["fast", "slow"])

# 生成信号
entries = fast_ma.ma_crossed_above(slow_ma)
exits = fast_ma.ma_crossed_below(slow_ma)

# 执行回测
pf = vbt.Portfolio.from_signals(price, entries, exits, size=np.inf, fees=0.001, freq="1D")

# 绘制热力图
fig = pf.total_return().vbt.heatmap(
    x_level="fast_window", y_level="slow_window", slider_level="symbol", symmetric=True,
    trace_kwargs=dict(colorbar=dict(title="Total return", tickformat="%")))
fig.show()

查看详细统计与绘图

你可以像操作 Pandas DataFrame 一样索引特定的策略配置，查看详细统计或绘图：

# 查看特定参数 (快线 10, 慢线 20, 标的 ETH-USD) 的详细统计
print(pf[(10, 20, "ETH-USD")].stats())

# 绘制该策略的资金曲线
pf[(10, 20, "ETH-USD")].plot().show()

---

免责声明：本软件仅供教育和研究用途。市场有风险，投资需谨慎。作者不对任何交易结果承担责任。