Python 合成 OHLC 价格数据

策略在从未发生过的价格上表现如何？VBT 在 Python 中生成合成价格数据：随机游走、几何布朗运动和完整 OHLC K 线。它们可通过随机种子复现，并以与真实市场数据相同的数据对象返回。在数百条合成路径上运行策略，可以显示其在指定模型下可能产生的结果范围。

Run one strategy on 500 random price paths

paths = vbt.GBMData.pull(  
    [f"path_{i}" for i in range(500)],
    start="2020-01-01",
    end="2024-01-01",
    timeframe="1d",
    seed=42,
)
close = paths.get()
close.shape

(1461, 500)

fast = close.rolling(20).mean()
slow = close.rolling(50).mean()
pf = vbt.PF.from_signals(
    close,
    fast.vbt.crossed_above(slow),
    fast.vbt.crossed_below(slow),
    fees=0.001,
)
pf.sharpe_ratio.describe().round(3)

count    500.000
mean      -0.096
std        0.494
min       -1.598
25%       -0.437
50%       -0.129
75%        0.224
max        1.754
Name: sharpe_ratio, dtype: float64

print(round((pf.sharpe_ratio > 0).mean(), 3))

0.406

pf.sharpe_ratio.vbt.histplot(trace_kwargs=dict(nbinsx=40)).show()

即使模型没有内置可预测趋势，均线交叉策略仍在 41% 的路径上取得正夏普比率，最佳路径达到 1.75。这为同一策略在历史数据上的表现提供了比较依据。请观察跨路径的分布，而不要把最佳模拟结果当成通用及格线。

合成数据可以测试什么？

希望控制测试条件时，可以使用生成路径：

在相同随机种子价格上比较策略修改。
在保持策略不变的情况下，尝试平静或更剧烈的市场。
在生成的 OHLC K 线上测试止损、限价和信号逻辑。
检查出乎意料的强劲结果是否也会出现在随机数据上。

生成数据与下载数据使用相同指标、回测和图表，无需数据提供商账户。历史数据上更广泛的验证，请参阅稳健性与过拟合。

vbt.RandomData 对正态分布收益率进行复利累积，vbt.GBMData 模拟几何布朗运动。两者都接受初始值、均值、标准差和随机种子，并可按标的分别设置；也都能在任意索引或时间周期上生成任意数量的标的。使用随机种子后，每次运行都产生相同路径，让合成数据实验与已存数据实验一样可复现。对于随机收益率，symmetric=True 对损失进行变换，使相同幅度的一涨一跌在乘法复利上相互抵消，从而去除普通收益率的向下漂移。

您可以用某资产收益率估计生成器参数。RandomData 接受样本收益率的均值和标准差。对于 GBM，漂移、波动率和 dt 必须与所模拟的时间步长一致。这些描述的是简单模型：波动率恒定，没有聚集、自相关或厚尾。这些生成器检验规则是否在噪声中发现结构，而不是模拟真实市场交易方式。更真实的动态请按下文编写自己的模型。

比较市场情景

参数可按标的不同，因此每个标的都能代表一种情景。这里两条路径使用相同随机抽样，但波动率设置不同：

Compare volatility scenarios with the same random draws

scenarios = vbt.GBMData.pull(
    ["calm", "volatile"],
    start="2024-01-01",
    periods=252,
    timeframe="1d",
    mean=0.0,
    std=vbt.symbol_dict({"calm": 0.005, "volatile": 0.02}),
    seed=42,
    split_seed=False,
)
scenarios.get().shape

(252, 2)

(scenarios.get().pct_change().std() * 100).round(2)

symbol
calm        0.48
volatile    1.94
dtype: float64

输出为日收益率的样本标准差，以百分比表示。split_seed=False 让不同情景使用相同随机抽样，以单独考察波动率变化。默认情况下，VBT 为每个标的派生独立随机种子，如 500 条路径示例所示。将 scenarios.get() 传入策略，即可比较两种设置下的行为。

合成 OHLC K 线

vbt.RandomOHLCData 和 vbt.GBMOHLCData 在每根 K 线内部模拟逐笔价格，并聚合为开盘、最高、最低和收盘价，因此也能测试止损、限价和 K 线内部逻辑。模拟逐笔数量由 n_ticks 控制，也可逐 K 线变化。下方合成 OHLC功能介绍展示了生成的蜡烛图。

真实数据也能转换为合成数据。data.mirror_ohlc() 反转对数收益率，并围绕镜像路径变换其他 OHLC 价格。在原始数据及其镜像上比较策略，可以探索价格移动反向时策略行为改变多少。

自定义生成器

任意模型都能成为数据类。继承 vbt.SyntheticData 并为每个标的返回一个序列，该类便会像其他数据源一样处理标的、随机种子和索引。您还可提供更新方法，从模型先前状态继续运行。这里收益率服从 Student t 分布，产生正态收益率所缺少的厚尾：

Generate fat-tailed price paths with a custom class

class StudentTData(vbt.SyntheticData):
    @classmethod
    def generate_key(
        cls, key, index, df=3, scale=0.01, start_value=100.0, seed=None, **kwargs
    ):
        if seed is not None:
            np.random.seed(seed)
        returns = np.random.standard_t(df, size=len(index)) * scale
        return pd.Series(start_value * np.cumprod(1 + returns), index=index)

fat = StudentTData.pull(
    ["A", "B"],
    start="2024-01-01",
    end="2025-01-01",
    timeframe="1d",
    seed=42,
)
fat.get().pct_change().kurt().round(2)

symbol
A     5.60
B    10.26
dtype: float64

合成 OHLC

新增于1.2.1

✅ 现在提供生成合成 OHLC 数据的新基础模型，尤其适合检测数据泄漏。

Generate 3 months of synthetic data using Geometric Brownian Motion

data = vbt.GBMOHLCData.pull("R", start="2022-01", end="2022-04", seed=42)
data.plot().show()

合成数据可以测试什么？

生成器

比较市场情景

合成 OHLC K 线

自定义生成器

合成 OHLC

本页目录