Python量化交易套件評測，帶你找到適合的工具！TQuant Lab、Backtrader、Backtesting.py、FinLab、vn.py

點我了解更多資訊

---

量化交易是一種利用數學模型、統計分析和計算機技術來制定和執行交易策略的方法。它旨在通過對大量市場數據的深入分析，發現市場中的規律和異常，從而實現自動化和系統化的交易決策。量化交易的興起，大大提升了交易的效率和精確度，改變了傳統依賴直覺和經驗的交易模式。

回測的重要性

在量化交易中，回測（Backtesting）是一個很重要的步驟。回測是將交易策略套用到歷史市場數據中，以評估該策略在過去市場的表現。這個過程可以幫助交易者了解策略的獲利能力、風險水平以及穩定性，為策略的優化和實際上線提供重要依據。

回測的重要性體現在以下幾個方面：

1. 驗證策略有效性：通過回測，可以檢驗交易策略在不同歷史時期和市場狀態下的表現，包括牛市、熊市和盤整市。這有助於確定策略是否具有普遍適用性，還是僅在特定條件下有效
2. 風險評估與管理：回測可以揭示策略的風險特徵，例如最大回撤、收益波動性和風險收益比。這些指標有助於交易者評估策略可能帶來的風險，從而制定適當的風險管理和資金管理方案
3. 策略優化：在回測過程中，交易者可以調整策略的參數，如移動平均線的週期、指標的閾值等，以尋找最佳組合。這種優化能夠提升策略的整體表現，但需要注意避免過度擬合（Over Fitting）
4. 節省時間和資源：在實際市場中測試策略可能耗時耗資，而回測則可以在短時間內模擬多年甚至數十年的市場數據，快速獲得策略的歷史表現，從而節省大量時間和資源
5. 建立信心：良好的回測結果可以增強交易者對策略的信心，使其在實際交易中更能堅持策略，不會因短期波動而輕易改變計劃

然而，回測也有其局限性。市場環境是動態且不可預測的，歷史數據不一定能代表未來的市場走勢。此外，過度擬合 (Over Fitting) 可能導致策略在歷史數據上表現出色，但在實際交易中卻效果不佳。因此，回測結果應與實時市場分析相結合，並在實際交易中持續監控和調整策略。

回測是量化交易中不可或缺的一環，它為交易者提供了評估和改進策略的方法，有助於降低交易風險，提高投資決策的質量。通過嚴謹的回測，交易者可以在投入真實資金之前深入了解策略的優缺點，從而做出更明智的投資決策。

常見的 Python 回測套件

常見的 Python 回測套件有以下幾個，其中包括在台灣廣泛使用的工具：

1. TQuant Lab：
   • 簡介：TQuant Lab 是一個專為量化交易設計的 Python 開發環境，提供從數據取得、策略開發、回測到實時交易的一站式解決方案
   • 特點：支持臺灣市場和多資產類別，內置豐富的技術指標和策略模板 （GitHub上），並提供高品質的數據服務，適合各種層次的交易者
2. Backtrader：
   • 簡介：Backtrader 是一個功能強大的開源 Python 回測框架，適用於開發和測試各種量化交易策略
   • 特點：支援多資產、多時間框架的回測，具有靈活的架構和豐富的社區資源，允許用戶自定義指標和策略，並且可以做 live trading（需要使用自定義的報價且需微調背後框架）
3. Backtesting.py：
   • 簡介：Backtesting.py 是一個輕量級的 Python 回測框架，旨在簡化策略開發和回測流程
   • 特點：提供直觀易用的 API 接口，支持向量化運算，能夠高效地執行回測，適合快速原型設計和小型策略的測試，但已經很久沒人維護了
4. FinLab：
   • 簡介：FinLab 是台灣的量化交易平台，提供 Python 的回測工具和豐富的金融數據資源。
   • 特點：專注於台灣市場，提供本地證券和期貨的歷史數據，並提供教育資源和線上社群（Discord）
5. vn.py：
   • 簡介：vn.py 是一個基於 Python 的開源量化交易平台，主要在中國使用
   • 特點：支持多市場、多資產，提供完整的從數據、回測到實時交易的解決方案，並擁有活躍的開發者社群，另外有 GUI 可以使用

本文我們將會比較: TQuant Lab、Backtrader 以及 Finlab 在撰寫策略以及回測上的差異。

抓取數據範例可參考官網範例：

• TQuant Lab：https://tquant.tejwin.com/%e6%8a%80%e8%a1%93%e6%89%8b%e5%86%8a/
• Backtrader：需自己找數據跟整理
• Finlab：https://doc.finlab.tw/details/get_data/

我們這邊使用相同的交易邏輯來編寫三個交易程式：

使用一個簡單的移動平均線交叉策略或者官方範例參考，來比較回測的差異。 簡單的移動平均線交叉策略：在這個策略中，當短期移動平均線上穿長期移動平均線時買入，下穿時賣出。

由於程式碼的部份十分冗長，因此我們將三份程式碼放在文末做為附錄，我們這邊直接看結論：

1. 開發便利性
   • TQuant Lab：提供了一體化的開發環境，從數據獲取到回測都非常順暢。代碼簡潔明瞭，適合快速開發和測試策略。TQuant Lab 的模組化架構，已經事先將環境建置所需要設定的參數、因子和指標函式化，這不僅簡化整個平台的使用過程，即便是初學者能輕鬆上手。
   • Backtrader：需要自行準備和格式化數據，策略開發需要遵循特定的結構，學習曲線較陡。
   • FinLab：數據獲取相對方便，但策略函數需要特定的格式，對於初學者可能需要一些時間適應。
2. 數據品質與覆蓋範圍
   • TQuant Lab：目前國內最大、最豐富的金融財經資料庫，提供高品質的歷史數據，覆蓋多個市場和資產類別，數據的完整性和準確性高。TQuant Lab 的資料集所提供的歷史數據內，總共包含「基本資料」、「公司營運」、「財務資料」、「籌碼資料」。
   • Backtrader：數據來源可以有多樣，但需要自己找數據跟自行處理數據的質量和一致性問題。
   • FinLab：主要專注於台灣市場，數據覆蓋範圍廣，但是由 FinLab 自行爬蟲取得，數據的準確性需要再確認。
3. 回測準確度與效率
   • TQuant Lab：針對量化回測進行了優化，能夠高效地處理大量數據。內建了交易成本與下單模擬功能以更貼合真實交易的情況。
   • Backtrader：功能強大但在大型數據集上可能會較慢，需要額外優化。
   • FinLab：回測速度適中，但在複雜策略下可能需要更多時間計算。
4. 社區與支持
   • TQuant Lab：由專業團隊維護，提供了詳細的文件跟客服支援。
   • Backtrader：需要自備數據，很少人在維護了。
   • FinLab：本地化程度高，有一定的用戶群體，也有文件跟客服支援（Discord），但回測使用的 Backtrader 相對沒有 TQuant Lab使用的 zipline 多元。

結論

綜合以上比較，TQuant Lab 在開發便利性、數據品質、回測效率以及技術支持方面都表現都好。它提供了一個高度整合的環境，使得量化交易策略的開發和測試變得更加簡單高效。相較之下，Backtrader 雖然功能強大但學習成本較高，但數據處理更加繁瑣。FinLab 則受限於市場覆蓋範圍和社區資源。

因此，TQuant Lab 是進行量化交易回測的最佳選擇。它不僅能夠滿足專業交易者的需求，對於初學者來說也是一個友好的入門工具，能夠快速上手並開展實際的策略開發和回測工作。

TQuant Lab實測

如上文所述，我們這邊使用相同的交易邏輯來編寫三個交易程式：使用一個簡單的移動平均線交叉策略或者官方範例參考，主要為比較回測的差異。 簡單的移動平均線交叉策略：在這個策略中，當短期移動平均線上穿長期移動平均線時買入，下穿時賣出

TQuant Lab回測圖表：

TQuant Lab 回測圖表 1

TQuant Lab 回測圖表 2

Backtrader 實測

import backtrader as bt

class MAStrategy(bt.Strategy):

    params = dict(

        ma_short=5,

        ma_long=20,

    )

    def __init__(self):

        self.ma_short = bt.indicators.SMA(self.data.close, period=self.p.ma_short)

        self.ma_long = bt.indicators.SMA(self.data.close, period=self.p.ma_long)

    def next(self):

        if not self.position:

            if self.ma_short[0] > self.ma_long[0]:

                self.buy()

        else:

            if self.ma_short[0] < self.ma_long[0]:

                self.sell()

# 創建Cerebro引擎

cerebro = bt.Cerebro()

# 加載數據

data = bt.feeds.GenericCSVData(

    dataname='2330.csv',  ＃ 自備資料來源

    dtformat='%Y-%m-%d',

    datetime=0,

    open=1,

    high=2,

    low=3,

    close=4,

    volume=5,

    openinterest=-1

)

cerebro.adddata(data)

# 加入策略

cerebro.addstrategy(MAStrategy)

# 運行回測

cerebro.run()

# 繪製結果

cerebro.plot()

Finlab 實測

Source 來源:

from finlab import data

from finlab.backtest import sim

# 獲取收盤價數據

close = data.get('price:收盤價')

# 計算5日和20日移動平均線

sma5 = close.average(5)

sma20 = close.average(20)

# 定義買入和賣出信號

# 當5日均線上穿20日均線時買入

entries = (sma5 > sma20) & (sma5.shift(1) <= sma20.shift(1))

# 當5日均線下穿20日均線時賣出

exits = (sma5 < sma20) & (sma5.shift(1) >= sma20.shift(1))

# 定義持倉策略

position = entries.hold_until(exits)

# 執行回測

backtest_report = sim(position, upload=False)

# 查看回測報告

from finlab.backtest import sim

backtest_report = sim(position,upload=False)

backtest_report.display()

Finlab 實測

---

加入LINE社群「量化交易討論群」無壓力討論與分享！

加入Discord 「量化交易討論群」即時獲取實用的資源！