📚 课程目录第2章环境搭建与快速上手

2. 环境搭建与快速上手

上一章我们明确了向量化回测的价值：用数组运算替代逐笔循环，把策略验证从“分钟级”压缩到“毫秒级”。这一章的目标很具体——把环境跑通，并亲手完成一次完整的向量化回测，同时看懂 vectorbt 返回的对象到底在说什么。只有先建立“输入—计算—输出”的完整直觉，后续的参数扫描和组合优化才有落脚点。

一、核心原理：vectorbt 的三层结构

vectorbt 的设计哲学可以概括为三层：数据层、信号层、组合层。数据层是价格、成交量等时间序列，通常以 pandas 的 DataFrame 或 Series 承载；信号层是把策略逻辑翻译成布尔数组（入场 True/False、出场 True/False）；组合层则根据信号和价格，模拟持仓、计算收益、统计绩效。理解这三层，就理解了 vectorbt 的调用顺序。

与传统事件驱动框架最大的区别在于：vectorbt 不关心“第几根 K 线发生了什么”，而是把整段历史一次性交给 NumPy 广播运算。因此它的输入必须是规整的二维结构（行=时间，列=标的或参数），输出也是同样规整的结构。这种“矩阵化”思维是本章最需要建立的认知。

记住一句话：在 vectorbt 里，列通常代表不同的标的或不同的参数组合，行代表时间。参数扫描之所以快，就是因为不同参数被放在不同的列里并行计算。

二、方法流程：从安装到第一次回测

建议使用独立的虚拟环境，避免与系统 Python 冲突。vectorbt 依赖 NumPy、pandas、Numba 等，安装命令如下：

# 创建并激活虚拟环境（以 conda 为例）
conda create -n vbt python=3.11 -y
conda activate vbt

# 安装 vectorbt（开源版）
pip install vectorbt

# 验证安装
python -c "import vectorbt as vbt; print(vbt.__version__)"

数据导入方面，vectorbt 内置了便捷的数据接口，可以直接拉取常见行情数据，也可以传入自己的 DataFrame。下面用内置数据快速演示：

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

# 方式一：使用内置数据接口（需联网）
price = vbt.YFData.download(
    "BTC-USD",
    start="2022-01-01",
    end="2023-01-01"
).get("Close")

# 方式二：使用本地 CSV
# price = pd.read_csv("btc.csv", index_col=0, parse_dates=True)["close"]

print(price.head())
print(price.shape)

接下来定义最简单的均线交叉策略，并运行第一次向量化回测：

fast_ma = vbt.MA.run(price, 10)
slow_ma = vbt.MA.run(price, 30)

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

pf = vbt.Portfolio.from_signals(
    close=price,
    entries=entries,
    exits=exits,
    init_cash=10000,
    fees=0.001,
    freq="1D"
)

print(pf.stats())
print(pf.total_return())
print(pf.sharpe_ratio())

这段代码没有一行 for 循环，却完成了完整的回测：生成信号、模拟成交、计算净值、输出绩效。这就是向量化的直观体验。

三、核心对象与输出结果解读

回测结束后，最常打交道的对象是 Portfolio。它内部保存了订单、持仓、现金、净值等完整记录。常用的访问方式包括：

pf.stats()：返回一张汇总表，包含总收益、夏普、最大回撤、胜率等关键指标。
pf.value()：返回组合净值曲线，是 Series 或 DataFrame。
pf.orders：返回订单记录，可查看每笔成交的时间、价格、数量。
pf.trades：返回按交易配对的盈亏记录，便于分析单笔交易质量。
pf.drawdown()：返回回撤序列，用于观察风险暴露。

下面这张表可以帮助你快速定位常用输出：

对象/方法	含义	典型用途
`pf.stats()`	绩效汇总表	快速评估策略整体表现
`pf.value()`	净值曲线	绘制资金曲线、计算收益率
`pf.orders`	订单明细	核对成交价格与手续费
`pf.trades`	交易配对记录	分析盈亏比、持仓周期
`pf.drawdown()`	回撤序列	评估最大回撤与恢复时间

需要特别注意的是，pf.stats() 返回的指标默认基于日频年化。如果你的数据频率不是日线，务必在 from_signals 中正确设置 freq 参数，否则夏普比率和年化收益会被严重扭曲。

四、案例场景与常见误区复盘

假设我们想验证“10 日均线上穿 30 日均线买入，下穿卖出”这一经典策略。运行上面的代码后，你可能会发现总收益并不理想，甚至为负。这很正常，因为向量化回测的价值不在于“找到赚钱策略”，而在于快速排除无效假设。你可以立刻修改参数，比如把 10/30 改成 5/20，再跑一次，整个过程不到一秒。

新手最容易踩的三个坑：
1. 信号错位：用当日收盘价生成信号，又用当日收盘价成交，会产生未来函数。正确做法是信号在 T 日生成，T+1 日开盘或收盘成交，可通过 from_signals 的 shift 或延迟参数控制。
2. 频率设置错误：日线数据不设 freq="1D"，年化指标会失真。
3. 忽略手续费与滑点：高频策略中，手续费足以吞噬全部利润，务必在回测中显式设置 fees 和 slippage。

复盘时建议按以下清单逐项检查：

数据是否连续？有无缺失值或停牌日？
信号是否使用了未来数据？
成交价格是否合理？是否考虑了滑点？
手续费是否与真实交易环境一致？
绩效指标是否基于正确的频率年化？

完成这一章后，你应该已经能够独立安装 vectorbt、导入数据、运行一次均线交叉回测，并读懂 Portfolio 对象的主要输出。更重要的是，你建立了“数据—信号—组合”的向量化思维。接下来，我们将在这个基础上引入多参数并行计算，让一次回测变成成百上千次参数扫描。