1. 课程导入

在量化策略研发中，回测是连接想法与实盘的必经环节。传统事件驱动回测框架（如 backtrader、zipline）以逐根 K 线推进的方式模拟撮合，逻辑直观、贴近实盘，但当策略需要在上千组参数上反复验证时，循环式的执行方式会带来明显的时间成本。vectorbt 正是为解决这一矛盾而生的工具：它把回测过程表达为 NumPy/pandas 的数组运算，用一次向量化计算同时完成整段历史、整组参数的模拟，从而把"参数扫描"从数小时压缩到数秒。

一、vectorbt 的定位

vectorbt 是一个基于 pandas 与 NumPy 的开源量化回测与数据分析库，其核心定位可以概括为三点：

• 向量化优先：以数组而非循环为基本执行单元，回测逻辑通过广播（broadcasting）在时间轴与参数轴上同时展开。
• 面向研究而非交易：它不负责实盘下单与撮合，而是专注于"快速验证假设"，适合因子研究、参数寻优、组合筛选等场景。
• 与数据科学生态无缝衔接：输入输出都是 pandas 的 Series/DataFrame，可直接复用数据清洗、可视化与统计工具。

需要强调的是，vectorbt 并非要取代事件驱动框架，而是补足其短板。研究阶段用 vectorbt 快速筛选，实盘阶段用事件驱动框架精细执行，是常见的工程组合。

二、向量化回测的核心原理与优势

事件驱动回测的本质是"状态机"：持仓、现金、成本随每根 K 线变化，必须串行推进。向量化回测则换了一个视角——把策略的买卖信号先算成布尔数组，再用累计求和、位移、掩码等数组操作一次性推导出持仓、收益与净值曲线。其关键技巧包括：用 cumsum() 表示持仓状态，用 shift() 避免未来函数，用 where() 处理条件分支。

import numpy as np
import pandas as pd
import vectorbt as vbt

price = vbt.YFData.download("BTC-USD").get("Close")
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, fees=0.001)
print(pf.stats())

上面这段代码没有出现任何 for 循环，却完成了从数据下载、指标计算到组合回测的全过程。向量化的优势体现在三个层面：

三、参数扫描的应用场景

参数扫描是量化研究中最频繁的操作之一，vectorbt 把它从"工程负担"变成了"一行代码"。典型场景包括：

1. 均线参数寻优：同时扫描快线与慢线周期，观察夏普比率或最大回撤在参数平面上的分布。
2. 因子阈值筛选：对动量、波动率等因子的开仓阈值做网格搜索，寻找稳健区间而非单点最优。
3. 多标的组合比较：把标的代码作为参数维度，一次性比较同一策略在不同品种上的表现。
4. 成本敏感性分析：扫描手续费与滑点，评估策略在真实交易成本下的存活能力。

vectorbt 通过 vbt.MA.run(price, window=[10, 20, 30]) 这类接口，把参数列表直接映射为结果的额外维度，返回的指标对象天然带有参数索引，配合 pf.stats() 或热力图即可快速定位最优区域。

四、整体学习路线与常见误区

本课程共 30 章，整体遵循"先建立向量化思维，再掌握工具接口，最后落地完整研究流程"的路线：

• 基础篇：理解向量化回测原理，熟悉 pandas 数组操作与 vectorbt 的核心对象（Data、Indicator、Portfolio）。
• 进阶篇：掌握信号生成、仓位管理、成本建模与多参数扫描的写法。
• 实战篇：完成从数据获取、策略构建、参数寻优到结果可视化的端到端案例。