交易用 Python：pandas、numpy、backtrader

三个库扛起零售量化 90% 的活。拿下它们，你几乎能搭、测、交易任何东西。

Python 在交易里的统治地位来自它的库生态。三个包构成几乎所有零售量化流程的骨干：numpy 管数学，pandas 管数据，backtrader（或同类）管策略。

numpy：数值引擎

numpy 给你快速的数组操作，不用 Python 循环。其他所有量化库都建在它之上。

核心概念：

• 向量化：一次操作整个数组，不是逐元素
• 广播：干净地组合不同形状的数组
• 线性代数：矩阵运算、特征值、回归求解器

10 万个 bar 的收益率序列用 numpy 算比等价的 Python 循环快约 100 倍。任何严肃回测都依赖这点。

import numpy as np
returns = np.diff(np.log(prices))
sharpe = np.mean(returns) / np.std(returns) * np.sqrt(252)

pandas：数据整理器

pandas 加上有标签、时间索引的数据——正是 OHLCV bar 的样子。它是清洗、对齐、转换市场数据的主力。

核心模式：

• DataFrame：以时间戳为索引的二维表
• 重采样：1 分钟 bar 转 5 分钟，日转周
• 滚动窗口：均线、滚动 σ
• Groupby：按品种或按天聚合
• 重索引：把两个资产对齐到共同时间线

import pandas as pd
df['sma'] = df['close'].rolling(50).mean()
df['vol'] = df['close'].pct_change().rolling(20).std()

量化研究 90% 的时间在 pandas 里——把数据弄干净到数学有意义。

backtrader：策略测试器

backtrader 是个 Python 框架，回测事件驱动策略。它处理订单模拟、经纪商建模、佣金、滑点、多资产组合。

典型策略结构：

class SmaCross(bt.Strategy):
    params = (('fast', 20), ('slow', 50))
    def __init__(self):
        self.fast = bt.ind.SMA(self.data.close, self.p.fast)
        self.slow = bt.ind.SMA(self.data.close, self.p.slow)
        self.cross = bt.ind.CrossOver(self.fast, self.slow)
    def next(self):
        if self.cross > 0:
            self.buy()
        elif self.cross < 0:
            self.close()

backtrader 逼你用事件驱动思路想——bar 一根根来会怎样——比向量化回测更接近实盘。

backtrader 的替代品

• vectorbt：向量化，极快，参数扫参绝佳
• Backtesting.py：极简，简单策略清爽
• Zipline / Zipline-Reloaded：Quantopian 的老引擎，因子研究还在用
• QuantConnect Lean：云端，多资产，生产级

现实流程

1. 把数据拉进 pandas DataFrame，清洗（时区、缺口、拆分）
2. 用 pandas rolling/groupby 造特征
3. 用 numpy 测信号逻辑
4. 在 backtrader 里搭策略，带现实佣金
5. 跑 walk-forward 和样本外测试
6. 连经纪商 API（加密货币用 ccxt，股票用经纪商 SDK）

小结

numpy 快速算数学，pandas 处理数据，backtrader 模拟交易。三者合起来覆盖完整量化研究闭环。拿下这三个，零售交易员想搭的几乎任何策略都能原型化、测试、打磨。