🧰 量化常用开源框架概览

框架的价值不是「帮你写回测」，而是强制你面对正确的问题：成交价用哪个？成本怎么算？停牌能不能成交？——成熟框架把这些坑内置成了默认答案。本篇按用途给一张地图，并回答「什么时候自己写」。

事件驱动回测框架

Backtrader：个人量化的常青树。事件驱动、broker 抽象贴近真实下单（限价/市价/止损单）、文档社区成熟。适合：中低频股票/期货策略、需要逐 bar 撮合逻辑的场景。短板：性能一般（百万 bar 量级变慢）、多标的组合优化需要自己动手——它假设「策略是个体交易者」，不是「组合管理器」。

Zipline / Zi-Reloaded：Quantopian 遗产，initialize/handle_data 范式与 Pipeline API（横截面因子批量计算）是其精华。适合：美股因子研究、喜欢 Pipeline 声明式风格的研究者。原版停更后用社区维护的 zi-reloaded；A 股数据适配需要自己处理（复权、涨跌停）——框架默认的市场是美股，制度细节的空缺就是偏差的入口。

RQAlpha（米筐开源）：国产框架里工程化最好的选择之一，A 股制度细节（T+1、涨跌停、停牌、分红送转）默认正确处理——这是它相对舶来品的决定性优势。风格与 Zipline 相近，可配合米筐的 RQData 使用。适合：A 股中低频策略的严肃回测。判断一个 A 股框架是否合格的三道测试题：跌停日卖出成交吗？分红后持仓股数变吗？次新上市首日能买吗？——RQAlpha 都答对。

JoinQuant/聚宽 & 米筐平台（在线）：云端一体化（数据+研究+回测+模拟盘），jqdata API 在国内个人研究者中普及度最高。适合快速验证 A 股想法、不想搭数据管道的人。注意：平台锁定与导出成本——研究资产尽早沉淀为本地代码与数据，把「平台」降级为「数据源」，否则多年的策略积累锁死在别人手里。

向量化回测框架

VectorBT：整列运算的极简回测（信号矩阵 → 组合模拟），速度比事件驱动快 2–3 个数量级，参数扫描（100 组均线的网格）是它的主场。短板：撮合模型简化（默认下一收盘价成交），成本与制度细节要自己保证正确。适合：因子 idea 的快速筛选、参数稳健性热力图；不适合：精确执行逻辑的最终验证。

正确用法是两级流水：

1
2
3
4

第一级：VectorBT 海选（200 组参数 × 10 年，分钟级出热力图）
   ↓ 入围 5 组
第二级：RQAlpha/事件驱动精测（含真实成本、涨跌停、停牌，逐组复核）
   ↓ 最终 1–2 组进仿真盘

只用第一级下结论是最常见的自欺——向量化框架的乐观偏差（无成本、理想成交）叠加起来轻松虚增 5–10 个点年化。

专项库（不是回测框架，但常被误当框架）

QuantLib：固定收益与衍生品定价的工业级库（利率曲线构建、波动率曲面、奇异期权、债券久期凸性）。C++ 内核 Python 绑定。适合做衍生品/固收的人；股票多因子研究者用不到——别为了「专业感」引入两倍于策略代码的依赖。

PyPortfolioOpt：组合优化的教科书级实现：均值-方差、Black-Litterman、层次风险平价（HRP）、收缩协方差，全部几行调用。适合把组合构建 章的方法直接落地。短板：约束表达力弱于专业优化器——复杂的行业/换手/暴露约束要用 cvxpy 自建（见约束优化 ）。

其他值得认识的：qlib（微软开源，ML 量化流水线，见机器学习策略 ）、empyrical/quantstats（绩效指标计算）、riskfolio-lib（组合优化进阶）、arctic（时序存储，见调度与数据库 ）。

选型决策与自建的分界线

什么时候自己写引擎？ 三个信号同时出现：框架的撮合假设与你交易的制度细节持续冲突（如集合竞价、批量撮合）；你需要在回测内做实时组合优化；框架成为研究吞吐的瓶颈。在此之前，「自研回测引擎」是工程快感、不是研究产出——把同样的时间投入因子研究，期望收益高得多（见回测框架设计 ：即便自建，也该先读懂框架处理了哪些偏差）。

关联阅读：回测偏差大全 是评估任何框架的检查表——框架默认处理了哪几条、没处理哪几条；数据工程 决定框架之外你仍要自建的数据层。