backtrader vs vectorbt：Python 回测该用哪个？

每个算法交易者都需要回测工具。对 Python 用户来说，backtrader 和 vectorbt 是讨论最多的两个库。两者都很优秀，但解决问题的思路截然相反。

backtrader 是事件驱动的，模拟真实券商处理订单的方式。vectorbt 是向量化的， designed for 快速研究和大规模参数扫描。选错工具可能拖慢进度，甚至掩盖策略里的 bug。

本文对比两者，帮你在投入数周代码前做出正确选择。

快速对比

如果你是初学者，backtrader 通常是更好的起点。如果你做大规模研究或超参优化，vectorbt 很难被超越。

backtrader 如何工作

backtrader 逐根 K 线处理数据。在每个时间步，你的策略可以检查指标、生成信号、下单。引擎会像真实券商一样跟踪现金、持仓、手续费和滑点。

示例策略

import backtrader as bt
 
class SmaCross(bt.Strategy):
    params = dict(fast=10, slow=30)
 
    def __init__(self):
        self.fast_ma = bt.ind.SMA(period=self.p.fast)
        self.slow_ma = bt.ind.SMA(period=self.p.slow)
 
    def next(self):
        if not self.position:
            if self.fast_ma > self.slow_ma:
                self.buy()
        elif self.fast_ma < self.slow_ma:
            self.sell()

代码读起来像交易规则书。你定义每根 K 线做什么，backtrader 处理其余部分。

优势

• 直观的面向对象 API
• 大量内置指标
• 真实的事件驱动模拟
• 适合理解交易引擎原理
• 有实盘交易集成

劣势

• 比向量化方案慢
• 优化较慢
• 维护放缓
• 不太适合大规模参数扫描

vectorbt 如何工作

vectorbt 把整个价格历史当作矩阵处理。它不是逐根 K 线推进，而是一次性用 NumPy 和 pandas 计算整个数据集的信号和盈亏。

示例策略

import vectorbt as vbt
import yfinance as yf
 
price = yf.download("AAPL", start="2020-01-01")["Close"]
fast_ma = price.rolling(10).mean()
slow_ma = price.rolling(30).mean()
entries = fast_ma > slow_ma
exits = fast_ma < slow_ma
 
portfolio = vbt.Portfolio.from_signals(price, entries, exits)
print(portfolio.total_return())

代码紧凑，即使处理多年历史数据也能瞬间运行。

优势

• 回测极快
• 参数优化极强
• 与 pandas、NumPy 自然结合
• 适合机器学习特征评估
• 能快速测试成千上万种策略变体

劣势

• 对初学者不够直观
• 事件驱动细节被抽象
• 实盘支持有限
• 部分高级功能需 Pro 版

什么时候选 backtrader

• 你正在学习算法交易
• 你想理解订单执行细节
• 策略依赖逐根 K 线逻辑
• 你计划走向事件驱动的实盘模型
• 你不想写太多数学公式就能用内置指标

什么时候选 vectorbt

• 你做跨资产或跨参数的大规模研究
• 速度比执行真实性更重要
• 你想集成机器学习预测
• 你需要优化组合权重或策略参数
• 你熟悉 pandas 和矩阵运算

参数优化

这是 vectorbt 的强项。几秒钟内测试多组参数：

fast_windows = range(5, 50, 5)
slow_windows = range(20, 200, 10)
 
portfolio = vbt.Portfolio.from_signals(
    price,
    fast_ma.vbt > slow_ma.vbt,
    fast_ma.vbt < slow_ma.vbt,
    param_product=True
)

同样扫描在 backtrader 中可能需要数分钟到数小时。

真实感 vs 速度

backtrader 的事件驱动设计更容易发现以下细节 bug：

• 订单成交时机
• 保证金追缴
• 部分成交
• 指标计算中的未来信息偏差

vectorbt 用抽象换速度。这对研究没问题，但在实盘前，建议把 vectorbt 里表现好的策略放到更真实的引擎里再验证。

机器学习集成

如果你的策略用 scikit-learn 或 TensorFlow 模型，vectorbt 通常是更好的研究搭档。你可以用模型生成预测，然后直接把信号矩阵喂给 vectorbt 快速评估。

backtrader 也能跑 ML 策略，但需要在事件循环里管理模型推理，比较麻烦。

可以同时用吗

可以，很多交易者就是这样做的。常见工作流：

1. 用 vectorbt 快速筛选成千上万个策略想法
2. 把表现最好的候选策略搬到 backtrader 做真实验证
3. surviving strategies 进入模拟盘，再到实盘

两阶段方法兼顾了向量化研究的速度和执行层面的真实性。

同策略代码对比

backtrader 版

cerebro = bt.Cerebro()
cerebro.addstrategy(SmaCross)
cerebro.adddata(bt.feeds.YahooFinanceData(dataname="AAPL", fromdate=datetime(2020,1,1)))
cerebro.run()
cerebro.plot()

vectorbt 版

price = yf.download("AAPL", start="2020-01-01")["Close"]
portfolio = vbt.Portfolio.from_signals(
    price,
    price.rolling(10).mean() > price.rolling(30).mean(),
    price.rolling(10).mean() < price.rolling(30).mean()
)
portfolio.plot().show()

两者会画出类似的资金曲线，但开发体验差异很大。

总结

backtrader 和 vectorbt 不是直接竞争对手，它们解决策略开发 pipeline 中不同阶段的问题。

想理解算法交易系统如何运转，从 backtrader 开始。需要大规模研究和优化时，转向 vectorbt。最有效的量化交易者知道什么时候切换工具。

相关阅读: Backtrader 回测基础 | 如何回测而不自欺欺人 | QuantConnect vs Backtrader vs Alpaca vs MQL5