量化框架对比-转

一个策略从想法，到测试，在到实盘，然后改进，进入另一个循环，需要很多的时间和精力。这时候选择一款高效、灵活的测试系统就是当务之急了。即使最后你可能需要写自己的系统，但是这些框架的软工架构还是很值得借鉴的。

一个好的测试系统应该具有如下特点：

• 代码、项目仍然在维护，测试充分
• 代码组织好，组件灵活，方便拓展，最好开源
• 社区健全，可以讨论相关问题
• 文档完整、全面

下面我介绍6款开源社区贡献的会测框架，看看那一款是你的菜？排名不分先后，各有千秋，我的观点后再最后说明。

基于Web

1. Quantopian

Quantopian, 是最早开始在Web做量化测试的公司之一，目前他已经变成一个基金。提供的Web接口非常简单，平台默认提供了丰富的历史数据，可以方便的开始测试，可以说是入门最为容易的平台了。社区聚集了大量对量化感兴趣的人，市场能看见非常有深度的讨论，而且由于平台本身基于Web，讨论的时候可以方便的引用代码和图表，整体使用体验非常好。

但是Quantopian的回测速度不尽如人意，可调整的组件不多，不容易接入定制的数据、模拟逻辑等等。而且，你需要把你的策略上传到Quantopian服务器。如果你仅仅是用自己定制的信号，用Quantopian进行测试，那么隐私保护就不是问题。

Quantopian后台主要用的Zipline的代码，但是肯定已经加以定制，所以源代码并不开源，Debug或者更深度的定制不能实现。

• 推荐指数：2 星
• 回测类型：Event driven
• 回测速度：慢
• 实盘模拟：好
• 实盘支持：-
• 社区建设：好
• 组件灵活：中
• 是否开源：否
• 文档：非常好
• 语言：Python

2. QuantConnect

QuantConnect, 与Quantopian的模式非常类似，但是除了提供Web接口以外，还提供本地的SDK进行测试，代码已经开源：QuantConnect/Lean，核心的代码是C#完成的，但是提供F#和Python 的API。

Lean Engine是一个开源算法交易引擎，专为简单的策略研究，回溯测试和实时交易而构建。我们与通用数据提供商和经纪商集成，因此您可以快速部署算法交易策略。
LEAN引擎的核心是用C＃编写的;但它可以在Linux，Mac和Windows操作系统上无缝运行。它支持用Python 3.6，C＃或F＃编写的算法。QuantConnect的社区建设也很不错，结合相关的Web前端，交流比较方便。

由于开放了本地SDK，你可以不必上传自己的策略，隐私保护方便比较完善。同时定制方便也更加优秀。

• 推荐指数：3 星
• 回测类型：Event driven
• 回测速度：快
• 实盘模拟：好
• 实盘支持：是
• 社区建设：好
• 组件灵活：好
• 是否开源：是
• 文档：非常好
• 语言：C#，F#, Python

基于本地

3. Zipline

Zipline是一个Pythonic算法交易库。它是一个事件驱动的回溯测试系统。 Zipline目前在生产中用作为Quantopian提供动力的回测和实时交易引擎 - 一个免费的，以社区为中心的托管平台，用于构建和执行交易策略。

这个框架由于是Python 构建的，已经集成了许多机器学习相关的应用，可以方便的将机器学习模型结合进自己的策略中。

• 推荐指数：3 星
• 回测类型：Event driven
• 回测速度：慢
• 实盘模拟：好
• 实盘支持：是
• 社区建设：非常好
• 组件灵活：中
• 是否开源：是
• 文档：非常好
• 语言：Python3

4. Backtrader

Backtrader, 是一款纯Python的回测+实盘框架。从软件工程的角度，这个项目非常值得学习。这个框架的代码风格非常Pythonic，也值得借鉴和学习。作者是一个很严谨的德国人，从他的代码审查和社区管理可见一斑。

backtrader允许您专注于编写可重复使用的交易策略，指标和分析器，而不必花时间构建基础架构。

我仔细研究过这个框架的源代码，作者软件工程功力不错，代码干净、架构合理，特别容易拓展。代码量并不大，元测试相对比较完善。得益与清晰的源代码，二次开发非常容易。

社区相对比较完整，参与度较高。作为一款没有任何商业支持的开源框架，我认为他做的非常成功。

• 推荐指数：5 星
• 回测类型：Event driven 和 Vectorized
• 回测速度：中
• 实盘模拟：好
• 实盘支持：是
• 社区建设：好
• 组件灵活：非常好
• 是否开源：是
• 文档：非常好
• 语言：Python3

5. Pyalgotrade

Pyalgotrade，也是一个纯Python回测框架，同样没有任何商业支持，完全开源。从代码风格看，作者应该具有很强的Java背景，无论是代码风格，还是代码架构，非常Old School！在功能性方便，框架的提供的功能少与Backtrader。

PyAlgoTrade是一个Python算法交易库，专注于回溯测试和对纸张交易和实时交易的支持。假设您对交易策略有所了解，并且您希望使用历史数据对其进行评估，并了解其行为方式。

但是，该框架目前还没有社区，只能在Github上面提交Issues。

• 推荐指数：4 星
• 回测类型：Event driven
• 回测速度：中
• 实盘模拟：好
• 实盘支持：是
• 社区建设：差
• 组件灵活：中
• 是否开源：是
• 文档：非常好
• 语言：Python2&3

6.Vn.py

Vn.py 是这里唯一一个国产框架，目前Github已经接近1W Star，做的非常成功。我大概是几年前开始关注这个框架的，看着他一点点重构，发展到现在的规模。社区也在欣欣向荣的发展。

这个框架，最开始的时候主要以连接多个交易平台为目的，是实盘交易导向的，回测功能是后面慢慢发展起来的，功能比较有限。但是由于代码量不大，如果有时间自己拓展也是一个不错的选择。客观的说，从代码和架构看，还有待加强。

• 推荐指数：3 星
• 回测类型：Event driven
• 回测速度：慢
• 实盘模拟：中
• 实盘支持：是
• 社区建设：非常好
• 组件灵活：好
• 是否开源：是
• 文档：好
• 语言：Python3

7. Backtesting.py

应评论区的要求，增加了backtesting.py。这两天花时间读了一下代码，总体来说这个框架比较新，还处于早期的阶段。属于事件驱动为主的类型，用了numpy, pandas, bokeh等一些比较经典的库。

结论

我个人最开始进入量化领域，用的Quantopian，后来用过一段时间Pyalgotrade，在然后换到了Vn.py，目前比较常用的是Backtrader。

如果，你钟爱.NET，QuantConnect无疑是你最好的选择。

如果，你钟爱Python，Backtrader比较适合你。

如果，你主要针对本土市场实盘交易，那么VNPY可能更加适合。