VectorBT量化入门系列：第二章 VectorBT核心功能与数据处理
本教程专为中高级开发者设计，系统讲解VectorBT技术在量化交易中的应用。通过结合Tushare数据源和TA-Lib技术指标，深度探索策略开发、回测优化与风险评估的核心方法。从数据获取到策略部署，全面提升量化交易能力，助力开发者构建高效、稳健的交易系统。
文中内容仅限技术学习与代码实践参考，市场存在不确定性，技术分析需谨慎验证，不构成任何投资建议。适合量化新手建立系统认知，为策略开发打下基础。
学习对象
- 中高级水平的开发者和数据分析师
- 具备 Python 编程基础和一定的数据分析能力
- 对量化交易和金融数据处理有一定了解
- 熟悉 A 股市场，了解 Tushare 数据源和 TA-Lib 技术指标
教程目标
- 系统学习 VectorBT 技术，掌握其在量化交易中的应用
- 熟练使用 Tushare 数据源获取 A 股市场数据，并使用 Parquet 文件存储
- 掌握基于 VectorBT 的策略开发、回测和性能评估流程
- 学会使用 TA-Lib 计算技术指标，并将其应用于交易策略
- 理解并实现多因子策略、机器学习策略等高级策略
- 掌握策略优化、风险管理以及策略组合的方法
- 能够独立构建和评估量化交易策略，并部署到生产环境
教程目录
第一章 VectorBT基础与环境搭建
1.1 VectorBT简介与应用场景
1.2 环境搭建与依赖安装
1.3 数据源与Tushare集成
1.4 数据存储与Parquet文件格式
第二章：VectorBT核心功能与数据处理
2.1 数据加载与预处理
2.2 时间序列数据处理
2.3 技术指标计算与TA-Lib集成
2.4 数据可视化与探索性分析
第三章：VectorBT策略回测基础
3.1 策略定义与实现
3.2 回测流程与关键参数
3.3 性能评估指标与解读
3.4 策略优化与参数调整
第四章：高级策略开发与优化
4.1 多因子策略开发
4.2 机器学习策略集成
4.3 风险管理与交易成本模拟
4.4 策略组合与资产配置
第五章：VectorBT性能评估与分析
5.1 性能评估框架
5.2 统计指标与回测报告
5.3 敏感性分析与压力测试
5.4 策略对比与选择标准
第六章：VectorBT实战案例
6.1 基于MACD的动量策略
6.2 基于RSI的均值回归策略
6.3 多因子选股策略
6.4 机器学习预测策略
第七章：VectorBT扩展与最佳实践
7.1 自定义指标与策略
7.2 高效回测与并行计算
7.3 代码优化与性能提升
7.4 生产环境部署与监控
第二章 VectorBT核心功能与数据处理
本章将深入讲解VectorBT的核心功能，包括数据加载与预处理、时间序列处理、技术指标计算以及数据可视化。通过本章的学习，你将掌握VectorBT在数据处理方面的应用。
2.1 数据加载与预处理
在量化交易中，数据是策略开发的基础。VectorBT提供了强大的工具来加载和处理数据。我们将结合Tushare和Parquet文件格式，完成数据的加载与预处理。
2.1.1 数据加载
我们已经学会了如何从Tushare获取数据并存储为Parquet文件。现在，我们将使用VectorBT加载这些数据。
import pandas as pd
def load_data_from_parquet(file_path: str) -> pd.DataFrame:
"""从Parquet文件加载数据。
:param file_path: 输入文件路径
:return: 加载的DataFrame
"""
return pd.read_parquet(file_path)
# 示例：加载贵州茅台的数据
data = load_data_from_parquet("./data/600519.SH.parquet")
print(data.tail())
输出：
open high low close vol
trade_date
2024-12-25 1538.80 1538.80 1526.10 1530.00 17123.39
2024-12-26 1534.00 1538.78 1523.00 1527.79 18286.51
2024-12-27 1528.90 1536.00 1519.50 1528.97 20759.32
2024-12-30 1533.97 1543.96 1525.00 1525.00 25129.82
2024-12-31 1525.40 1545.00 1522.01 1524.00 39354.45
2.1.2 数据预处理
在加载数据后，通常需要进行预处理，包括处理缺失值、标准化数据等。
def preprocess_data(df: pd.DataFrame) -> pd.DataFrame:
"""数据预处理。
:param df: 输入的DataFrame
:return: 预处理后的DataFrame
"""
# 处理缺失值
df = df.fillna(method="ffill") # 用前一个非缺失值填充
# 标准化数据（可选）
# df = (df - df.mean()) / df.std()
return df
# 示例：预处理数据
data = preprocess_data(data)
print(data.isnull().sum())
输出：
open 0
high 0
low 0
close 0
vol 0
dtype: int64
2.2 时间序列数据处理
时间序列数据是量化交易的核心。VectorBT提供了丰富的工具来处理时间序列数据。
2.2.1 数据对齐
在多资产策略中，不同资产的时间序列可能不完全对齐。VectorBT可以自动对齐数据。
def align_data(
df1: pd.DataFrame, df2: pd.DataFrame
) -> tuple[pd.DataFrame, pd.DataFrame]:
"""对齐两个时间序列数据。
:param df1: 第一个时间序列数据
:param df2: 第二个时间序列数据
:return: 对齐后的两个DataFrame
"""
# 找到两个数据的共同索引
common_index = df1.index.intersection(df2.index)
# 对齐数据
df1_aligned = df1.loc[common_index]
df2_aligned = df2.loc[common_index]
return df1_aligned, df2_aligned
# 示例：对齐两个股票的数据
data1 = load_data_from_parquet("./data/600519.SH.parquet") # 贵州茅台
data2 = load_data_from_parquet("./data/000858.SZ.parquet") # 五粮液
data1_aligned, data2_aligned = align_data(data1, data2)
print(data1_aligned.tail())
print(data2_aligned.tail())
输出：
open high low close vol
trade_date
2024-12-25 1538.80 1538.80 1526.10 1530.00 17123.39
2024-12-26 1534.00 1538.78 1523.00 1527.79 18286.51
2024-12-27 1528.90 1536.00 1519.50 1528.97 20759.32
2024-12-30 1533.97 1543.96 1525.00 1525.00 25129.82
2024-12-31 1525.40 1545.00 1522.01 1524.00 39354.45
open high low close vol
trade_date
2024-12-25 143.48 143.88 142.58 143.08 96139.52
2024-12-26 143.12 143.23 141.85 142.49 104768.25
2024-12-27 142.60 142.95 141.57 142.52 134450.59
2024-12-30 142.02 143.17 141.00 141.21 163671.80
2024-12-31 141.22 143.60 140.01 140.04 245218.67
2.2.2 滚动窗口计算
滚动窗口计算是时间序列分析中的常见操作，用于计算移动平均线等指标。
def calculate_rolling_mean(df: pd.DataFrame, window: int = 20) -> pd.DataFrame:
"""计算滚动均值。
:param df: 输入的DataFrame
:param window: 滚动窗口大小
:return: 包含滚动均值的DataFrame
"""
df["rolling_mean"] = df["close"].rolling(window=window).mean()
return df
# 示例：计算20日均线
data = calculate_rolling_mean(data, window=20)
print(data[["close", "rolling_mean"]].tail())
输出：
close rolling_mean
trade_date
2024-12-25 143.08 145.8465
2024-12-26 142.49 145.7710
2024-12-27 142.52 145.5585
2024-12-30 141.21 145.2490
2024-12-31 140.04 144.9015
2.3 技术指标计算与TA-Lib集成
VectorBT支持与TA-Lib集成，用于计算各种技术指标。我们将展示如何使用TA-Lib计算常用指标。
2.3.1 计算移动平均线
import talib
def calculate_moving_averages(
df: pd.DataFrame, fast_window: int = 10, slow_window: int = 30
) -> pd.DataFrame:
"""计算快线和慢线的移动平均线。
:param df: 输入的DataFrame
:param fast_window: 快线窗口大小
:param slow_window: 慢线窗口大小
:return: 包含移动平均线的DataFrame
"""
df["fast_ma"] = talib.SMA(df["close"], timeperiod=fast_window)
df["slow_ma"] = talib.SMA(df["close"], timeperiod=slow_window)
return df
# 示例：计算10日和30日均线
data = calculate_moving_averages(data, fast_window=10, slow_window=30)
print(data[["close", "fast_ma", "slow_ma"]].tail())
输出：
close fast_ma slow_ma
trade_date
2024-12-25 143.08 145.031 146.637667
2024-12-26 142.49 144.098 146.271000
2024-12-27 142.52 143.546 145.978667
2024-12-30 141.21 143.208 145.708000
2024-12-31 140.04 142.723 145.427667
2.3.2 计算RSI指标
def calculate_rsi(df: pd.DataFrame, timeperiod: int = 14) -> pd.DataFrame:
"""计算RSI指标。
:param df: 输入的DataFrame
:param timeperiod: RSI周期
:return: 包含RSI指标的DataFrame
"""
df["rsi"] = talib.RSI(df["close"], timeperiod=timeperiod)
return df
# 示例：计算14日RSI
data = calculate_rsi(data, timeperiod=14)
print(data[["close", "rsi"]].tail())
close rsi
trade_date
2024-12-25 143.08 43.149944
2024-12-26 142.49 41.925951
2024-12-27 142.52 42.016017
2024-12-30 141.21 39.160030
2024-12-31 140.04 36.756888
2.4 数据可视化与探索性分析
数据可视化是理解数据的重要工具。VectorBT提供了简洁的可视化工具，帮助我们快速分析数据。
2.4.1 绘制价格与指标
import plotly.graph_objects as go
from plotly.subplots import make_subplots
def plot_price_with_indicators(
df: pd.DataFrame, title: str = "Price and Indicators"
) -> None:
"""使用Plotly绘制价格与指标。
:param df: 输入的DataFrame
:param title: 图表标题
"""
# 创建子图
fig = make_subplots(rows=1, cols=1)
# 绘制收盘价
fig.add_scatter(
x=df.index,
y=df["close"],
mode="lines",
name="Close Price",
line=dict(color="blue"),
row=1,
col=1,
)
# 绘制快速移动平均线
fig.add_scatter(
x=df.index,
y=df["fast_ma"],
mode="lines",
name="Fast MA",
line=dict(color="orange"),
row=1,
col=1,
)
# 绘制慢速移动平均线
fig.add_scatter(
x=df.index,
y=df["slow_ma"],
mode="lines",
name="Slow MA",
line=dict(color="green"),
row=1,
col=1,
)
# 设置图表标题和轴标签
fig.update_layout(
title=title, xaxis_title="Date", yaxis_title="Price", template="vbt_dark"
)
# 显示图表
fig.show()
# 示例：绘制价格与移动平均线
plot_price_with_indicators(data)
输出：
2.4.2 绘制RSI指标
def plot_rsi(df: pd.DataFrame, title: str = "RSI Indicator") -> None:
"""使用Plotly绘制RSI指标。
:param df: 输入的DataFrame
:param title: 图表标题
"""
# 创建子图
fig = make_subplots(rows=1, cols=1)
# 绘制RSI指标
fig.add_scatter(
x=df.index,
y=df["rsi"],
mode="lines",
name="RSI",
line=dict(color="blue"),
row=1,
col=1,
)
# 添加超买和超卖水平线
fig.add_hline(
y=70,
line=dict(color="red", dash="dash"),
annotation_text="Overbought",
annotation_position="top right",
row=1,
col=1,
)
fig.add_hline(
y=30,
line=dict(color="green", dash="dash"),
annotation_text="Oversold",
annotation_position="bottom right",
row=1,
col=1,
)
# 设置图表标题和轴标签
fig.update_layout(
title=title, xaxis_title="Date", yaxis_title="RSI", template="vbt_dark"
)
# 设置Y轴范围
fig.update_yaxes(range=[0, 100], row=1, col=1)
# 显示图表
fig.show()
# 示例：绘制RSI指标
plot_rsi(data)
输出：
总结
通过本章，你已经掌握了以下内容：
- 数据加载与预处理：从Parquet文件加载数据并进行预处理。
- 时间序列处理：对齐数据、计算滚动窗口指标。
- 技术指标计算：使用TA-Lib计算移动平均线和RSI指标。
- 数据可视化：绘制价格与指标、RSI指标。
风险提示与免责声明
本文内容基于公开信息研究整理，不构成任何形式的投资建议。历史表现不应作为未来收益保证，市场存在不可预见的波动风险。投资者需结合自身财务状况及风险承受能力独立决策，并自行承担交易结果。作者及发布方不对任何依据本文操作导致的损失承担法律责任。市场有风险，投资须谨慎。