Python 库 VectorBT 大揭秘：如何用它开启黄金交易财富大门？-CSDN博客

本文链接：https://blog.csdn.net/weixin_70955880/article/details/146338863

作者：老余捞鱼

原创不易，转载请标明出处及原作者。

写在前面的话：最近在研究黄金交易策略的时候，发现了一个看上去很厉害的Python库，叫 VectorBT，它就像是一个给交易策略加速的“神器”，今天就来给大家好好分享一下！

先给大家讲讲我为啥对这个 VectorBT 这么感兴趣。想象一下这样的场景：我们坐在电脑前，面对海量的交易数据，脑海中不断涌现出各种交易策略的灵感，但如何验证这些想法的可行性呢？

在过去，测试这些交易策略可谓是一项艰巨的任务。我们需要手动计算大量数据，考虑复杂的市场因素，不仅耗时耗力，而且结果往往不够精确。然而，VectorBT的出现彻底改变了这一局面，让整个过程变得异常简便！

接下来，我将为大家详细介绍如何利用VectorBT来构建和测试黄金交易策略。

一、黄金交易策略执行

第一步：工具准备

这一步就是安装我们要用的库。在代码里输入 “!pip install vectorbt numpy pandas matplotlib -q”，这里的 “-q” 能让安装过程悄悄进行，不打扰咱们。

安装好后，再把这些库都导入到代码里，就像这样：

import vectorbt as vbt
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

这就好比我们准备好了一套专业的工具，接下来就能大干一场啦！

第二步：用 VectorBT 开启 ”淘金“

接下来咱们得去 “找宝藏”，也就是获取黄金的价格数据。VectorBT 很厉害，用它的 “vbt.YFData.download” 功能，一行代码就能拿到五年的黄金期货（“GC=F”）每天的收盘价、最高价、最低价和成交量数据。代码如下：

ticker = "GC=F"
price = vbt.YFData.download(ticker, period="5y", interval="1d").get("Close")
high = vbt.YFData.download(ticker, period="5y", interval="1d").get("High")
low = vbt.YFData.download(ticker, period="5y", interval="1d").get("Low")
volume = vbt.YFData.download(ticker, period="5y", interval="1d").get("Volume")

拿到数据后，把它们整理到一个 pandas 的 DataFrame 里，再把那些没用的空数据去掉，代码是 “data.dropna (inplace=True)”，这样数据就干干净净，能用来分析啦！

第三步：指标计算

接下来就是神奇的指标计算环节啦！VectorBT 自带很多计算指标的工具，比如计算相对强弱指数（RSI），用 “vbt.RSI.run” 就能轻松搞定，14 天的 RSI 一下子就算出来了。代码如下：

rsi = vbt.RSI.run(data['Close'], window=14)
data['RSI'] = rsi.rsi

要是你想要一些更个性化的指标，也没问题！像成交量变化率（VROC）和威廉指标（Williams % R），自己写个函数就能算出来。

第四步：策略制定

有了指标，就要制定交易策略啦！这可是关键的一步。我用 VectorBT 制定了四个策略：

移动平均线策略：当价格大于 50 日移动平均线时，就买入；当价格小于 50 日移动平均线时，就卖出。

RSI 策略：RSI 小于 30 的时候，说明市场超卖，是买入信号；RSI 大于 70 的时候，市场超买，就卖出。

VROC 策略：成交量变化率大于 0，就买入；小于 0，就卖出。

威廉指标策略：威廉指标小于 -80，买入；大于 -20，卖出。

第五步：回测

制定好策略后，就可以用 VectorBT 进行回测啦！用 “vbt.Portfolio.from_signals” 这个函数，把我们的策略放进去，还能设置交易手续费、滑点（就是交易时实际价格和预期价格的差距）这些真实市场会遇到的因素，代码如下：

results = {}
for strategy_name, strategy_params in strategies.items():
    portfolio = vbt.Portfolio.from_signals(
        close=data['Close'],
        entries=strategy_params["entries"],
        exits=strategy_params["exits"],
        size=np.inf,
        fees=0.002,
        slippage=0.001,
        freq='D'
    )
    results[strategy_name] = portfolio

回测完，就到了看结果的时候啦！

第六步：可视化与统计

VectorBT 不仅能算出各种数据，还能把结果用图表展示出来，超级直观。让我们遍历这些策略，看看随着时间推移我们的投资组合表现如何：

# 第六步：分析和比较结果
for strategy_name, portfolio in results.items():
    print(f"--- {strategy_name} ---")
    print("性能指标:")
    print(portfolio.stats())
    print("\n")
    # 确保图表显示
    portfolio.value().plot(title=f"{strategy_name} - 投资组合价值随时间变化")
    plt.show()
    portfolio.trades.plot()
    plt.show()

二、黄金交易策略比较

我回测了从 2020 年 4 月到 2025 年 3 月这五年的黄金交易策略，发现不同策略表现差别很大。

威廉指标策略表现：在测试期内，该策略呈现出持续增长的态势，最终总回报率达到 18.14%。注意它在 2023 年年中市场下跌时的表现，以及在 2024 - 2025 年的强劲复苏。

VROC 策略表现：成交量变化率策略在测试期内价值损失超过一半，这表明仅基于成交量的信号可能并不可靠。平稳的下降趋势表明，无论市场状况如何，该策略始终表现不佳。

RSI 策略表现：在某些时期表现强劲，特别是在 2022 年和 2025 年初。水平的直线部分表示该策略退出市场的时期（既未达到超买也未达到超卖条件）。它抓住了几个显著的上升趋势，同时避开了一些下跌趋势。

移动平均线策略表现：该策略经历了最高的波动性，在 2021 年初大幅下跌后出现了急剧上涨。2024 - 2025 年的复苏表明，这种策略在趋势明显的市场中表现良好，但在市场盘整期会遇到困难。

三、用 VectorBT 拓展你的分析

除了上面这些基础的用法，VectorBT 还有很多高级玩法。比如：

3.1 参数优化

可以进一步优化策略的参数，找到最适合的指标数值.

strategies = {
    "MA策略": {
        # 买入信号：价格上穿短期移动平均线（例如，50日移动平均线）
        # 卖出信号：价格下穿短期移动平均线
        "entries": data['Close'] > data['Close'].rolling(window=50).mean(),
        "exits": data['Close'] < data['Close'].rolling(window=50).mean()
    },
    "RSI策略": {
        # 买入信号：RSI < 30（超卖）
        # 卖出信号：RSI > 70（超买）
        "entries": data['RSI'] < 30,
        "exits": data['RSI'] > 70
    }
}

3.2 多指标组合

将多个指标组合起来，制定更复杂的策略。

# 示例：结合RSI和威廉指标确定买卖信号
combined_entries = (data['RSI'] < 30) & (data['Williams %R'] < -80)  # 两者都表明超卖
combined_exits = (data['RSI'] > 70) | (data['Williams %R'] > -20)    # 任意一个表明超买

# 用组合策略进行回测
combined_portfolio = vbt.Portfolio.from_signals(
    close=data['Close'],
    entries=combined_entries,
    exits=combined_exits,
    size=np.inf,
    fees=0.002,
    slippage=0.001,
    freq='D'
)
print("组合策略性能:")
print(combined_portfolio.stats())

3.3 实施止损

还能设置止损，控制交易风险。

# 示例：带有5%止损的威廉指标策略
portfolio_with_sl = vbt.Portfolio.from_signals(
    close=data['Close'],
    entries=data['Williams %R'] < -80,
    exits=data['Williams %R'] > -20,
    sl_stop=0.05,  # 5%止损
    size=np.inf,
    fees=0.002,
    slippage=0.001,
    freq='D'
)
print("带止损策略的性能:")
print(portfolio_with_sl.stats())