前两天有个做量化的朋友问我：“我应该用哪个回测框架？”

他列了一串名字：NautilusTrader、Qlib、RQAlpha、vectorbt、Backtrader。

我说你先别选。我问了他一个问题：你到底想验证什么？

他愣了三秒。

这就是大多数人的起点——先找工具，再想问题。而正确的顺序恰恰相反。

一、框架选错，回测就是在验证你的误解

很多人一开始会问：哪个框架最好？

这个问题太粗了。因为"最好"取决于你要验证的问题。

如果你只是想知道一个全市场信号有没有预测力，你最需要的是快速处理大量股票、日期和参数。这时候矩阵化研究框架更有价值。

如果你想知道在 A 股真实交易规则下能不能成交，你最需要的是 T+1、涨跌停、整手、手续费、印花税和撮合规则。这时候事件驱动回测框架更有价值。

如果你要把同一套策略代码从回测推到实盘，你最需要的是交易系统级架构。这时候 NautilusTrader 这种重型引擎才有意义。

框架选错，回测不是验证策略，而是在验证你的误解。

那五个框架到底是什么关系？

简单说，它们根本不在同一个抽象层级上。

vectorbt 是信号实验室。Qlib 是因子研究平台。RQAlpha 是交易规则模拟器。Backtrader 是老牌通用回测器。NautilusTrader 是生产级交易引擎。

你拿生产级引擎去筛信号，就像用手术刀切菜——不是不能用，但你切完菜，刀也钝了。

最好的工具不是功能最多的那个，而是离问题最近的那个。

二、vectorbt：快是快，但 A 股规则要你自己补

vectorbt 的定位非常直白：Thinks in matrices. Backtests at scale.

它基于 pandas、NumPy 和 Numba，把交易信号当成矩阵处理。对于已经有 DataFrame 的研究者，这是极大的效率优势。

你有一个收盘价矩阵。你有一个信号矩阵。你可以快速得到收益曲线、回撤、Sharpe、交易记录、参数扫描结果和多股票组合表现。

在 Notebook 里跑一下pf.stats()和pf.plot()，体验非常好。

但问题是——它不是 A 股规则模拟器。

T+1、涨跌停、停牌、ST、退市、整手、印花税单边、冲击成本，这些都需要你自己准备约束矩阵或自定义订单逻辑。

你得自己生成can_buy[date, stock]、can_sell[date, stock]、lot_size[date, stock]，然后再把这些约束传进订单生成层。

换句话说，vectorbt 给你一辆跑车，但交通规则得你自己画。

它最适合做第一层粗筛：这个信号有没有大致统计优势？参数是否敏感？分年表现是否稳定？成本稍微加一点收益是不是就消失了？

但如果一个策略只在 vectorbt 里好看，还不能说明它能通过 A 股真实规则复核。

另外，vectorbt 的许可证是 Apache 2.0 with Commons Clause。它不是普通的 Apache-2.0。如果要商用封装或把它作为付费服务核心，需要单独审查许可。

速度快不代表结果真，A 股回测不补规则就是纸上谈兵。

三、Qlib：微软出品，全 A 股信号研究的第一站

Qlib 是微软开源的 AI-oriented quantitative investment platform。

注意，它不是单纯的下单回测器。它覆盖数据处理、模型训练、回测、风险分析、组合优化和执行模拟。

它最适合的输入不是"下一根 K 线买不买"，而是一个全市场预测分数表。

Qlib 官方策略文档给出的 prediction score 是 pandas DataFrame，索引是(datetime, instrument)，包含score列。这个结构和全 A 股信号天然匹配。

有了这个分数，Qlib 可以做 TopK、Dropout、组合回测、benchmark 对比、成本后收益、风险分析和报告输出。

它对 A 股约束也不是空白。Qlib 的源码里有trade_unit、limit_buy、limit_sell、open_cost、close_cost、min_cost、impact_cost、volume_threshold等机制。源码注释还写明trade_unit=100可用于中国 A 股市场。

这意味着 Qlib 比 vectorbt 更适合直接承载全 A 股组合研究。

但 Qlib 也有明确的问题：数据。

Qlib 官方数据集因为更严格的数据安全政策暂时关闭了。官方提醒，Yahoo 数据可能不完美，严肃研究建议用户准备自己的高质量数据。

所以，Qlib 的正确用法不是"相信它自带的数据"。

正确用法是：把你的 A 股数据整理成 Qlib 格式，把你的信号整理成 prediction score 格式，用 Qlib 做 TopK、分组、OOS、walk-forward、成本后收益和风险分析，对通过筛选的策略再进入 RQAlpha 复核。

Qlib 的价值不是替你判断数据真伪，而是把信号研究流程标准化。

四、RQAlpha：更接近 A 股交易规则的复核器

RQAlpha 是米筐开源的量化框架。

它和 Qlib 的区别很重要：Qlib 更像研究平台，RQAlpha 更像交易规则模拟器。

RQAlpha 的sys_simulationMod 支持不同撮合方式。日回测可用 current_bar 或 vwap；分钟回测可用 current_bar、next_bar、vwap；tick 回测还支持 last、best own、best counterparty、counterparty offer。它还支持涨跌停撮合限制、成交量限制、无成交量 bar 限制和滑点模型。

RQAlpha 的sys_transaction_costMod 负责股票、期货等不同市场和品种的交易税费计算。

更关键的是，RQAlpha 的 changelog 明确提到market_tplus字段，用来标识合约对平仓时间的限制，例如 A 股 T+1。changelog 也记录了 A 股 T+1 逻辑重构、涨跌停滑点边界、Signal 模式下涨跌停订单拒绝等变化。

这说明 RQAlpha 对中国市场交易约束的关注，比 vectorbt、Backtrader、NautilusTrader 更直接。

需要注意的是，RQAlpha 仅限非商业使用，商业使用需要联系米筐。数据方面需要 RQDatac 权限或手动下载 bundle。

所以，RQAlpha 很适合做第二层复核：Qlib 发现一个信号可能有效，RQAlpha 检查它在 A 股规则、撮合、成本、涨跌停和 T+1 下是否仍然有效。

研究看统计，落地看规则。Qlib 和 RQAlpha 是一对好搭档。

五、NautilusTrader：不是回测小工具，而是交易引擎

NautilusTrader 是一个开源、Rust-native、生产级交易引擎。

它的官方 README 把它描述为面向多资产、多市场交易系统的引擎，并强调 deterministic event-driven architecture。简单说，它关心的不只是"算一条收益曲线"，而是"同一套策略逻辑如何在研究、仿真、实盘之间保持一致"。

它的核心结构更像交易系统内核：venue、instrument、portfolio、order、execution、message bus、cache、strategy、actor 都是框架的一部分。

这个设计很强，但也很重。

如果你只是拿一个 pandas DataFrame 和一个信号列，想快速检查信号是否有效，NautilusTrader 会显得绕。你要先定义 instrument、venue、数据结构、catalog、strategy config 和 execution config。

它的数据侧也不是"给一个 CSV 就自动跑完"的轻量模式。官方强调需要用 DataLoader 读取外部格式，再用 DataWrangler 转成 Nautilus 的数据对象，或者写入ParquetDataCatalog后供BacktestNode使用。

GitHub 数据显示它有 24000 多颗星，最新版本已经到了 v1.228.0，每周都在更新。但它没有原生 QMT/miniQMT/A 股数据接口。

适合它的场景是：你未来要接实盘，你需要多市场多资产多 venue，你在意回测和实盘执行语义一致，你愿意为工程严谨性付出学习成本。

不适合它的场景是：你只是想快速检验全 A 股信号，你的数据还是 CSV/Parquet/宽表矩阵，你暂时不做实盘。

用 NautilusTrader 做信号初筛，就像开战斗机去菜市场——杀鸡用了牛刀，刀也累了。

六、Backtrader：老牌框架，能用但不一定是首选

Backtrader 是很多 Python 量化研究者熟悉的老牌框架。

它的概念直观：写 Strategy，喂 DataFeed，跑 Cerebro，看结果。支持 CSV、online sources、pandas 数据源，多数据源，多策略，commission schemes，slippage，volume filling，cash adjustment 和 matplotlib plotting。

GitHub 上有 22000 多颗星，但最近一次 push 是 2024 年 8 月。相比其他四个框架，维护活跃度偏弱。

它的缺点是：对全市场矩阵化信号不够自然，对 A 股规则不够原生，对生产级研究到实盘一致性不够强，代码风格偏老，现代数据工程集成成本较高。

Backtrader 不是不能用。对已有 Backtrader 代码资产的人，或者想做传统事件驱动策略复核的人，它依然值得考虑。

但对"全 A 股所有股票信号有效性检查"这个具体任务，它不是第一推荐。

老牌不代表过时，但维护节奏慢的框架，踩坑时可能找不到人问。

七、A 股四个关键约束，谁更省心？

有四个约束非常关键：T+1、涨跌停、最小交易单位、成本。这四个约束决定了一个回测是不是 A 股回测。

T+1

A 股股票通常今天买入，下一交易日才能卖出。

RQAlpha 最明确，changelog 里有market_tplus，并记录了 A 股 T+1 逻辑重构。Qlib 日频组合回测天然按交易步推进，但分钟级严格 T+1 需要确认执行器和持仓可卖逻辑。vectorbt、Backtrader、NautilusTrader 都需要用户自定义。

涨跌停

涨停不一定买得到。跌停不一定卖得出。

RQAlpha 有 price_limit 和涨跌停撮合限制。Qlib 有limit_buy、limit_sell。vectorbt 需要can_buy、can_sell矩阵。Backtrader 和 NautilusTrader 需要自定义撮合逻辑。

最小交易单位

普通 A 股买入通常按 100 股整手申报。

Qlib 的trade_unit机制最直接，源码注释说明 100 可用于中国 A 股市场。RQAlpha 有 min order quantity 和 order step size。vectorbt 有size_granularity，但它只是数量粒度，不等于完整 A 股交易制度。

成本

A 股成本不是一个fees=0.0003就完事。

成本至少包括：买入佣金、卖出佣金、过户费、卖出印花税、滑点、冲击成本、最低佣金。财政部、税务总局公告显示，自 2023 年 8 月 28 日起，证券交易印花税实施减半征收，实务上 A 股股票卖出方单边印花税从 0.1% 调整为 0.05%。

框架层面，RQAlpha 的 transaction cost mod 最贴近中国市场。Qlib 有open_cost、close_cost、min_cost、impact_cost。vectorbt 有fees、fixed_fees、slippage，但买卖不同费率和印花税变化需要自定义。Backtrader 有 commission schemes，但 A 股细节需自定义。NautilusTrader 订单和费用模型可扩展，但需要工程实现。

没有规则约束的回测，只是数字游戏。

八、回到更大的图景

回测框架的本质是什么？

它不是让你画出漂亮的收益曲线。它是让你在花钱之前，先用历史数据回答一个问题：这个信号是真的有效，还是只是噪声？

五个框架各有定位。vectorbt 快，Qlib 准，RQAlpha 真，Backtrader 稳，NautilusTrader 深。

选哪个不重要。重要的是你知道自己在验证什么。

先想清楚要验证什么，再选工具。否则工具再强，也算出错误的答案。

延伸阅读 / 参考来源：

• • NautilusTrader GitHub (24K+ stars): https://github.com/nautechsystems/nautilus_trader

• • Qlib GitHub (44K+ stars): https://github.com/microsoft/qlib

• • RQAlpha GitHub (6.4K+ stars): https://github.com/ricequant/rqalpha

• • vectorbt GitHub (7.9K+ stars): https://github.com/polakowo/vectorbt

• • Backtrader GitHub (22K+ stars): https://github.com/mementum/backtrader

• • 财政部、税务总局证券交易印花税减半公告: https://shanghai.chinatax.gov.cn/zcfw/zcfgk/yhs/202308/t468451.html