想用 Python 回测 A 股策略摆在面前的有两类选择像 vectorbt 这样「秒级跑完数千组参数」的向量化引擎和像 RQAlpha 这样「一根 K 线一根 K 线模拟真实撮合」的事件驱动框架。前者快后者真。RQAlpha 是米筐Ricequant开源的 A 股/期货事件驱动回测框架6.7k Star最大的特点是用一套Mod 模块系统把回测引擎拆成了可替换的积木。本文带你跑通它并讲清楚它和向量化框架到底该怎么选。一、RQAlpha 是什么米筐开源的「事件驱动」回测框架RQAlpha 是米筐科技开源的一个 Python 回测与交易框架。它要解决的是 A 股量化从业者的完整工作流从数据获取、策略开发、回测、模拟交易到实盘和数据分析。和 vectorbt 那种「把 K 线打包成矩阵一次算完」的向量化思路不同RQAlpha 是事件驱动的——它模拟真实的交易过程每天开盘、按时间顺序处理 K 线、撮合成交、计算持仓和手续费。这让它的回测结果更贴近真实交易代价是速度慢。一句话定位米筐开源的 A 股/期货事件驱动回测框架靠 Mod 模块系统实现无限扩展。速览表维度说明项目名RQAlpharicequant/rqalpha语言/依赖PythonCython bcolz TA-Lib安装pip install rqalpha定位A 股/期货事件驱动回测框架核心能力回测、模拟、实盘、Mod 模块扩展上手难度中需 Python TA-Lib 编译链二、核心能力拆解Mod 系统把回测引擎拆成积木RQAlpha 最独特的设计是Mod Hook 模块系统。它把整个回测引擎拆成一个个独立的 Mod模块每个 Mod 负责一件事你可以单独启用、禁用、甚至替换它。# 查看/启用/禁用 Mod rqalpha mod list rqalpha mod enable sys_risk rqalpha mod disable sys_transaction_cost内置的关键 Mod 有七个sys_accounts股票/期货的下单 API 和持仓模型——你策略里order_shares、order_target_percent这些函数都来自它。sys_simulation模拟撮合引擎 回测事件源是整个回测的「心脏」——按时间推进、撮合订单。sys_analyser记录每日订单、交易、组合、持仓计算收益/回撤/夏普等风险指标输出 CSV 和图表。sys_risk下单前的风控校验如资金不足、涨跌停限制。sys_transaction_cost股票/期货的印花税、佣金、滑点计算。sys_scheduler定时器在指定时间间隔执行逻辑如每周调仓。sys_progress控制台回测进度条。这个设计的意义在于你可以替换任何一个子系统。比如不满意默认的撮合引擎就自己写一个 Mod 替换sys_simulation想做自定义风控就扩展sys_risk。这比 backtrader 那种「继承 Strategy 类」的扩展方式更彻底——RQAlpha 连撮合引擎都能换。一句话记住RQAlpha 用 Mod 把回测引擎解耦成可替换的积木——撮合、风控、手续费、分析每个都是独立模块。三、事件驱动 vs 向量化RQAlpha 和 vectorbt 怎么选这是量化新手最容易纠结的对比。两者都是回测框架但思路完全不同。对比维度RQAlpha事件驱动vectorbt向量化回测范式事件驱动逐 K 线模拟撮合向量化矩阵并行回测真实度高贴近实盘低信号驱动参数扫描速度慢顺序跑快秒级数千组适用市场A 股/期货本土化强通用加密货币/美股扩展方式Mod Hook可换子系统函数式灵活学习曲线中陡要懂 NumPy结论你要「贴近实盘的 A 股回测 可替换撮合/风控的框架」选 RQAlpha你要「海量扫参数找信号 快速验证想法」选 vectorbt。两者甚至可以配合——用 vectorbt 粗筛参数再用 RQAlpha 做精细的 A 股事件驱动回测。RQAlpha 的劣势也明确事件驱动注定慢大量参数扫描时尤其明显且它的核心价值A 股本土化、Mod 可替换对只做加密货币或美股的人吸引力有限。四、部署方案两条路都能跑通4.1 准备工作Python 3.x强烈建议 conda 虚拟环境。依赖Cython、bcolz、TA-LibMac 需先brew install ta-lib。4.2 方式一pip 安装快速上手# 建议 conda 虚拟环境 conda create -n rqalpha python3.8 conda activate rqalpha # 装依赖TA-Lib 编译链 conda install cython bcolz # Mac 用户先brew install ta-lib pip install TA-Lib # 装 RQAlpha pip install rqalpha # 验证 rqalpha version4.3 方式二获取回测数据 跑通示例# 下载免费 A 股/期货日线数据 rqalpha update-bundle # 生成示例策略 rqalpha examples -d ./ # 跑一个双均线回测 rqalpha run -f your_strategy.py -s 2016-01-01 -e 2016-12-31 \ --account stock 100000 --benchmark 000300.XSHG -o result.pkl4.4 方式三EasyClaw 一键部署如果你不想折腾 TA-Lib 编译链Mac 上brew install ta-lib、Windows 上找预编译包都挺烦可以用 EasyClaw 直接搞定。先下载桌面端然后在对话框输入帮我部署 RQAlpha一个 A 股量化回测框架需要 Python 环境和 TA-Lib、bcolz、Cython 依赖EasyClaw 会自动完成环境配置、依赖安装和项目初始化。这种「自然语言说需求、自动装环境」的方式正是 EasyClaw 的核心价值——把「装 TA-Lib bcolz 配环境」的数小时压缩成一句话。4.5 验证 Bing 三问部署成功后用户最常搜的三个问题 1.RQAlpha 怎么装pip install rqalpha需先装 TA-Lib/bcolz/Cython。 2.RQAlpha 和 vectorbt 哪个好A 股事件驱动选 RQAlpha海量扫参数选 vectorbt。 3.RQAlpha 数据从哪来rqalpha update-bundle下载免费日线或用 RQData 本地化服务。五、常见问题与踩坑地图5.1 TA-Lib 编译链最劝退的一步RQAlpha 依赖 TA-Lib而 TA-Lib 是个 C 库安装是最大的坑Mac先brew install ta-lib再pip install TA-Lib否则编译报错。Windows没有官方 wheel 时需要找预编译的.whl对应 Python 版本和位数直接pip install ta-lib大概率失败。bcolz老牌列式存储库部分新 Python 版本可能有兼容问题建议 conda 装。5.2 数据update-bundle 或 RQData回测需要历史数据两条路免费日线rqalpha update-bundle下载股票/期货日线数据包存在~/.rqalpha。RQData 本地化服务import rqdatac提供更全的本地数据基本面、财务报表、行业分类、资金流、风格因子等但需要米筐授权。5.3 许可证仅限非商业使用RQAlpha 的许可证明确写「仅限非商业使用商用需联系 publicricequant.com」。这对个人学习、研究完全够用但如果你想做商用产品比如打包成付费的量化 SaaS必须先和米筐谈授权。一句话RQAlpha 是「本土化强、Mod 可扩展」的 A 股回测框架但要为 TA-Lib 编译链、数据下载、非商业许可证这三个前提做好准备。六、总结谁该用 RQAlphaRQAlpha 的价值在于用事件驱动贴近实盘 用 Mod 系统实现深度扩展——它的 A 股本土化涨跌停、T1、印花税都是内置的、可替换的撮合/风控模块是 vectorbt 这类通用向量化框架给不了的。它适合做 A 股/期货策略回测、需要自定义撮合/风控的量化研究者。但也要认清边界事件驱动注定慢大量参数扫描不如向量化TA-Lib 编译链劝退新手非商业许可证限制了商用数据需要额外下载。如果你也想不折腾环境就上手 A 股回测可以用 EasyClaw 把 RQAlpha 一键部署起来把时间花在写策略上而不是花在装 TA-Lib 上。延伸阅读- RQAlpha 官方文档https://www.ricequant.com/doc/rqalpha/ - RQAlpha GitHubhttps://github.com/ricequant/rqalpha - vectorbt 官方https://vectorbt.dev你用过 RQAlpha 的 Mod 系统自己扩展过撮合或风控吗和 vectorbt 的向量化回测相比你更倾向哪种欢迎在评论区聊聊。风险声明本文及 RQAlpha 均为研究与学习用途不构成任何投资建议。回测结果基于历史数据不代表未来表现。商用请务必遵守 RQAlpha 的许可证约定并联系米筐。AI 辅助创作声明本文由 AI 辅助整理撰写涉及项目事实已对照官方 README 与文档核验。