欧洲杯体育示例股票用沪深300ETF-开云(中国登录入口)Kaiyun·体育官方网站

图片
翻开当天头条稽察图片细目
环球好我是花姐,今天给环球共享一个回测速率超快的量化库——vectorbt
什么是 vectorbt?说白了,vectorbt 便是一个干量化的“加快神器”。你拿它来写计策回测,收尾高得吓东说念主,重心是它不整事儿,不跟你搞什么面向对象那套绕来绕去的把戏,而是把统共计策、统共信号、所特殊据,都备塞进 NumPy 和 pandas 这些数组对象里,一语气跑完——像是开了氮气加快。
它背后的操作很刚——NumPy 肃穆矢量化(便是同期对千千万万条数据一说念出手),Numba 肃穆把 Python 的慢轮回编译成机器码,快得跟 C 言语一个德行。当其它量化框架还在 for i in range(1000) 的时期,东说念主家仍是全局扫射干罢了。
况且它还终点安妥 Python 生态下的东说念主——你如果爱用 pandas、心爱写 Jupyter Notebook,那你会合计 vectorbt 跟你几乎是天生一双。
你用它不错:
几行代码治理一套完好意思回测;用 NumPy 的速率配 Python 的优雅;参数调优几乎不要太爽,一瞥代码跑完上百组组合;可视化?自带 Plotly 交互图表;能分析计策、调模子、连气儿 Telegram,以至还能自动疗养——几乎像个“懒东说念主用具箱”。而它最犀利的方位是啥?用“向量念念维”干掉了 OOP 步地在量化中的低效。
传统回测器像 backtrader,写起来“像模像样”,可一朝你要比拟多个计策,偶然作念参数调优?抱歉,嵌套轮回、类的汲取、数据结构耦合,一顿 debug 脑子嗡嗡的。
而 vectorbt 的理念非常浅薄暴力:
“计策是数据,就应该数组化。”
于是它就把统共参数组合都塞成了多维数组,在数据层面径直处理比拟。啥理由?你不需要写一个计策跑一次,而是“一次性跑完一群计策”,爽不爽?
若何装配 vectorbt?非常浅薄,一条号令:
pip install vectorbt难忘装配akshare库
pip install akshare
但贯注:
提出用诬捏环境装,否则容易和其他库打架。有些系统可能需要先装依赖,比如 Windows 下得提前装好 numpy 和 wheel。vectorbt 会自动装 numba、plotly、ipywidgets 等一些依赖。实战:用 vectorbt + AKShare 完好意思一个双均线计策接下来花姐用 vectorbt 来跑个经典的双均线计策——短期均线上穿始终就买,下穿就卖。示例股票用沪深300ETF,行情咱们用 AKShare 库。
先贴代码:
import akshare as akimport vectorbt as vbtimport pandas as pd# 得回沪深300指数的历史数据df = ak.stock_zh_a_hist(symbol='600519', period='daily',start_date='20200101',adjust='qfq')print(df)# 将日历列改变为 datetime 类型,并开采为索引df['日历'] = pd.to_datetime(df['日历'])df.set_index('日历', inplace=True)# 得回收盘价close = df['收盘']# 预计打算短期和始终移动平均线fast_ma = vbt.MA.run(close, window=5)slow_ma = vbt.MA.run(close, window=20)# 生成买入和卖出信号entries = fast_ma.ma_crossed_above(slow_ma)exits = fast_ma.ma_crossed_below(slow_ma)# 创建投资组合pf = vbt.Portfolio.from_signals(close, entries, exits, init_cash=100000)# 输出投资组合的统计信息print(pf.stats())# 绘画投资组合的进展图# pf.plot().show()pf.plot().write_html('backtest_result.html')你会发现回测速率贼快,基本上1分钟治理,况且上手翰单。
请示:如果使用pf.plot().show()无法翻开网页不错使用pf.plot().write_html('backtest_result.html')生老腹地回测网页然后再翻开
以下是回测收尾:
Start 2020-01-02 00:00:00End 2025-05-12 00:00:00Period 1295Start Value 100000.0End Value 151556.13048Total Return [%] 51.55613Benchmark Return [%] 68.691599Max Gross Exposure [%] 100.0Total Fees Paid 0.0Max Drawdown [%] 39.790511Max Drawdown Duration 557.0Total Trades 40Total Closed Trades 39Total Open Trades 1Open Trade PnL 2355.907437Win Rate [%] 38.461538Best Trade [%] 56.150292Worst Trade [%] -8.830222Avg Winning Trade [%] 9.999109Avg Losing Trade [%] -3.767649Avg Winning Trade Duration 29.533333Avg Losing Trade Duration 7.958333Profit Factor 1.322108Expectancy 1261.544181
图片
翻开当天头条稽察图片细目
到这里,你可能会问:“为啥用 vectorbt,这些我用 pandas 也能写”。
是啊,委果你也能写,但你得我方轮回、治理仓位、预计打算手续费、处理跳空、图表还得我方画。要害你写完一个计策,再想调个参数……那是恶梦。
而用 vectorbt 呢?你惟有换个参数列表,它能自动帮你把统共组合都跑一遍:
# 多窗口组合参数调优fast_windows = [5, 10, 15]slow_windows = [20, 50, 100]# 使用 run_combs 身手预计打算统共窗口组合的均线fast_ma, slow_ma = vbt.MA.run_combs( close, window=fast_windows + slow_windows, r=2, short_names=['fast', 'slow'])# 生成买入和卖出信号entries = fast_ma.ma_crossed_above(slow_ma)exits = fast_ma.ma_crossed_below(slow_ma)# 创建投资组合pf = vbt.Portfolio.from_signals(close, entries, exits, init_cash=100000)# 遍历统共组合,一一保存图表for idx in pf.wrapper.columns: print(pf[idx].stats()) fig = pf[idx].plot(title=f'组合 {idx} 的计策进展') fig.write_html(f'combo_{idx}_result.html')不到1分钟就不错看到各个均线组合的回测细目了
图片
翻开当天头条稽察图片细目
还不错:
# 找到收益率最高的参数组合best = pf.total_return().idxmax()print('最强组合:', best) # 最强组合: (15, 50)几行代码,扫一遍统共这个词参数空间。
容易踩坑的几个点(花姐亲踩)AKShare 的日历是字符串,要用 pd.to_datetime 转一下,要不 vectorbt 图表会飘遭逢停牌日会导致数据不连气儿,提出用 .fillna(method='ffill') 补都缺失值有时期 AKShare 会抽风,提出腹地保存一份数据别被“接口失联”给噎住vectorbt 默许不探讨手续费、滑点,你要我方加进去,别光看收益乐得太早写在终末不是你写得不够悉力,而是你用错了用具。
双均线计策能不成赢利另说,但如果你能用 vectorbt 跑出漂亮的数据分析图、调出一堆参数组合、知悉一条潜在规定——那你仍是比大大宗入门者走得远了。
OK,今天先讲这样多。
你要想我持续深切讲 vectorbt 的“参数调优玩法”偶然“多计策组合框架”欧洲杯体育,你尽管吱声,我径直给你安排得纯净皙白~
本站仅提供存储业绩,统共实质均由用户发布,如发现存害或侵权实质,请点击举报。