QF-Lib：用一个库搞定Python量化回测和策略开发

（来源：DeepHub IMBA）

搞过量化交易的人都清楚，测试策略的时候流程能有多乱：Pandas 管数据、Matplotlib 画图、Backtrader 跑回测，最后还要再用 Excel 做汇总。本来想简单验证个想法，结果工具链越搞越复杂，最后自己都不知道在干什么了。

QF-Lib（Quantitative Finance Library）是个金融研究和回测工具包。从数据获取到策略模拟、风险评估，再到最后的报告生成，基本能在这一个工具里搞定。

而且它还包含了的事件驱动机制，不是简单粗暴地循环价格数据，而是模拟市场开盘、交易执行、日终清算这些真实流程，基本上达到了专业回测系统的最低要求。

主要特性

数据源接入灵活

Bloomberg、Quandl、Haver 都能接，本地 Excel 文件也行。

连接方式非常简单：

 from qf_lib.data_providers.quandl.quandl_data_provider import QuandlDataProvider   data_provider = QuandlDataProvider(api_key="YOUR_API_KEY")

配置完就能用了。

内置前瞻偏差检测

写交易模型时最容易犯的错误就是前瞻偏差——代码里不小心用了未来数据。QF-Lib 在设计上就考虑了这个问题，能保证回测的时间逻辑不出错。

基于 Pandas 但功能更专业

底层用的是 Pandas，所以学习成本不高。但针对金融数据做了很多扩展，收益率计算、最大回撤、累计表现这些都是现成的。

 from qf_lib.common.utils.returns import calculate_cumulative_returns      daily_returns = [0.01, -0.005, 0.002, 0.004]   cumulative = calculate_cumulative_returns(daily_returns)   print(cumulative)

输出：

 [1.01, 1.00495, 1.00794, 1.01196]

这就是策略的累计净值曲线，代码很简洁。

回测模块设计合理

很多回测框架配置起来特别麻烦光搭环境就要半天，而QF-Lib 的回测器是模块化的，接口设计得比较直观，几分钟就能跑起来一个原型。

 from qf_lib.backtesting import Backtester   from qf_lib.strategy.simple_moving_average import SimpleMovingAverageStrategy      backtester = Backtester(initial_cash=100000)   strategy = SimpleMovingAverageStrategy(short_window=20, long_window=50)   results = backtester.run(strategy)   results.create_report("sma_backtest.pdf")

交易管理、日志记录都可以自动处理，最后还能生成 PDF 报告。

报告生成

QF-Lib 集成了 WeasyPrint，可以自动输出 PDF 或 Excel 格式的分析报告。图表、统计指标、绩效分解都整理得很清楚。

如果要给客户看结果，或者自己做策略记录，这个功能可以节省大量时间

安装

PyPI 直接装：

 pip install qf-lib

或者从源码编译：

 git clone https://github.com/quarkfin/qf-lib.git   cd qf-lib   python setup.py install

支持 Python 3.8 到 3.11，Windows、macOS、Ubuntu 都能跑。

总结

QF-Lib 除了策略回测，还能用在：

时间序列分析、组合管理、衍生品定价、风险度量、学术研究等场景。基本上涉及金融数据处理的工作都能覆盖。

Backtrader、Zipline 这些库用过一圈下来，各有各的优势，但也各有各的问题。有些功能强但太复杂，有些简单但扩展性差。

QF-Lib 在这方面平衡得比较好。模块化设计保证了灵活性，同时支持主流数据源，代码风格也比较 Pythonic。特别是自动报告这个功能，实际工作中确实省了不少事。

如果正在做量化研究或者策略开发，可以考虑用用看。

文档：https://qf-lib.readthedocs.io

GitHub：https://github.com/quarkfin/qf-lib

作者：Civil Learning