tech

用VectorBT构建算法交易模型

尽管看起来构建一个算法交易模型可能很艰巨，但使用一个名为VectorBT的强大Python库可以大大简化这个过程，并使其变得轻而易举。

一键发币： SUI | SOL | BNB | ETH | BASE | ARB | OP | POLYGON | AVAX | FTM | OK

也许，你想构建你的第一个算法交易模型。尽管看起来可能很艰巨，但使用一个名为VectorBT的强大Python库可以大大简化这个过程，并使其变得轻而易举。我个人非常喜欢VectorBT，因为它免费，并且让我们能够用令人惊讶的少量代码构建交易和回测程序。在本文中，我们将构建一个仅使用移动平均线指标的模型，而在下一篇文章中我们将探索其他策略。

1、前提条件

在文章主要内容之前，有几个前提条件：

在终端中运行以下两个代码片段以安装VectorBT库和datetime库（虽然datetime应该已经随Python一起安装）：

pip install vectorbt datetime

浏览VectorBT的文档。不需要深入研究，但熟悉一些内置函数和类可能会有所帮助。
查看Yahoo Finance上的不同指标，并尝试不同的指标。至少要查看移动平均线指标。（它非常直观，但仍然值得与常规图表进行比较）

2、理论基础

我们在本文中将构建的策略很简单，并且在现实世界中并不是最有效的，但它易于实现，是一个很好的学习如何构建回测程序的例子。

该策略的工作原理如下：当您所交易的证券价格变化时，记录两条移动平均线。其中一条是“短期”移动平均线，另一条是“长期”移动平均线——在我的代码中，我用“快速”和“慢速”来表示这两条移动平均线。

该策略基于这样一个想法，即证券可以有买卖的动量，因此当短期移动平均线高于长期移动平均线时，证券具有正向动量，很可能会上涨趋势，所以您买入（这称为“黄金交叉”）。相反，当短期移动平均线低于长期移动平均线时，价格具有负向动量，所以您卖出（这称为“死亡交叉”）。

由于该策略完全依赖单一指标，可能导致发出错误信号，因此再次强调，这不是一个单独使用的良好策略，但是一个极好的学习示例，与其他指标结合使用时会更有效。

3、代码实现

首先，导入我们将使用的两个库：VectorBT和datetime。

import vectorbt as vbt  
import datetime as dt

接下来，我们设置回测窗口的时间范围，这是我们测试的时间长度。我们需要datetime库来完成这一点，并使用 now()和 timedelta()方法。第一行获取当前日期/时间，第二行初始化startDate变量并将它设置为今天之前的730天（2年），通过从当前日期（由“rn”变量表示）减去730天使用 timedelta()方法。

rn = dt.datetime.now()  
startDate = rn - dt.timedelta(days=730)

接下来，我们使用VectorBT导入数据。 download()方法的第一个参数是证券的符号（ SPY），第二个参数是要获取的数据间隔（ 1d），最后一个参数是数据的开始日期（ start=startDate）。 download()方法还有其他可传递的参数，但这个程序只需要这些。最后我们使用 get()方法选择我们刚刚下载的数据中实际想要使用的数据。我们传递 Close参数以仅使用收盘价数据。

symbol = vbt.YFData.download('SPY', interval='1d', start=startDate).get('Close')

在更面向数据科学的部分代码中，我们使用VectorBT分析收盘价数据并从中生成移动平均线数据。我们使用两个不同的变量， fast_ma和 slow_ma来完成这一点。 run()方法是VectorBT的方法，它将应用于第一个参数传递的数据中的任何指标（这里是‘MA’）。当我们在这里使用 run()方法与移动平均线指标时，必须传递的另一个参数是窗口大小。在我的例子中，我们使用50天（快）和100天（慢）。

fast_ma = vbt.MA.run(symbol, 50)  
slow_ma = vbt.MA.run(symbol, 100)

开始代码中特定于交易的部分，我们定义了入场和出场条件。要定义这些条件，您使用之前创建的数据集之一（要么是 fast_ma要么是 slow_ma），然后使用VectorBT方法将其与另一个进行比较。在这种情况下，我们定义入场条件为当 fast_ma跨越到 slow_ma之上时，而退出条件则相反。

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

最后，我们使用VectorBT的“Portfolio”类将我们之前的所有工作结合起来，并对我们的策略进行回测。从Portfolio类中，我们使用 from_signals()方法将我们创建的信号（入场和出场）添加到策略中。在方法的前三个参数（ symbol、 entries和 exits）之后，其余参数是 init_cash，它设置了我们投资组合的起始价值/购买力， freq声明了程序可以交易的频率， sl_stop允许我们设置止损参数， tp_stop允许我们设置获利参数。

pf = vbt.Portfolio.from_signals(symbol, entries, exits, init_cash=100, freq='1d', sl_stop=0.05, tp_stop=0.2)

最后，我们使用几行代码来显示结果。最后一行，用于创建图形并显示图形，使用的是VectorBT。

print(pf.total_profit())  
print(pf.stats())  
pf.plot().show()

为了便于复制粘贴进行测试，以下是完整的代码：

import vectorbt as vbt  
import datetime as dt  
  
rn = dt.datetime.now()  
startDate = rn - dt.timedelta(days=730)  
  
symbol = vbt.YFData.download('SPY', interval='1d', start=startDate).get('Close')  
  
fast_ma = vbt.MA.run(symbol, 50)  
slow_ma = vbt.MA.run(symbol, 100)  
  
entries = fast_ma.ma_crossed_above(slow_ma)  
exits = fast_ma.ma_crossed_below(slow_ma)  
  
pf = vbt.Portfolio.from_signals(symbol, entries, exits, init_cash=100, freq='1d', sl_stop=0.05, tp_stop=0.2)  
print(pf.total_profit())  
print(pf.stats())  
pf.plot().show()

最后，这是我在S&P 500（SPY）上运行策略后的图表，使用了上述确切参数：