基准测试

了解 VBT 在数百万根 K 线和订单上的回测速率。通过下方交互式比较，探索从高层 Python 调用到底层 Rust 模拟的性能。每项结果使用相同数据和订单，通过正确性检查，并附有可在自己机器运行的代码。

比较回测速率

在下方选择任务类型和每列行数。稀疏订单展示扫描长历史、偶尔交易的成本；密集订单展示每根 K 线都产生订单时的成本。若使用 VBT 的 Python 投资组合 API，应从高层结果看起。

每个模拟器接收相同的一分钟 K 线和订单：稀疏任务每列只有少量订单，密集任务每根 K 线都有订单。只有成交订单、最终持仓和投资组合净值一致，结果才计入。VBT 分三个 API 层级运行：高层投资组合构建、使用预处理输入的中层模拟，以及底层订单处理，每层均测试 Numba 和 Rust。

8 列并行、每列 1,000,000 根 K 线时，稀疏任务在底层 Rust 模拟器耗时 1.7 毫秒，经高层 Rust 耗时 25 毫秒，Manifold-BT 为 42 毫秒，Backtrader 为 65 秒。包含 8,000,000 个订单的密集任务，高层 Rust 耗时 178 毫秒，Manifold-BT 为 213 毫秒，Backtrader 未能在 300 秒限制内完成。半透明标记表示首次调用：Numba 首次使用需编译，高层约耗时 16 秒，而 Rust 已提前编译。全部数值在 8 核 Apple M3 上测得，各库版本显示在图表提示中。ZIP 文件包含可复现测试的完整框架。

哪种基准符合您的研究？

预热后的耗时有助于估计重复研究的成本。首次调用耗时在启动新脚本或工作进程时更重要。两者同时展示，便于判断自己的工作流适用哪种成本。Rust 引擎页还展示根据成交反馈进行回调的策略，并行执行与缓存则展示附带内存实测的大规模参数扫描。

为函数做基准测试

软件包包含针对自身函数的基准引擎。vbt.run_benchmarks 生成指定形状、固定随机种子的输入，检查后端输出是否一致，再分别计时。检查包括返回值和已注册的原地输出，因此耗时对应的是经过验证的计算：

results = vbt.run_benchmarks(
    input_model="2d",
    backend_ids=("nb", "rs"),
    patterns=[
        "generic.rolling.rolling_mean",
        "generic.rolling.ewm_mean",
        "generic.base.crossed_above",
        "returns.sharpe_ratio",
        "returns.max_drawdown",
        "portfolio.from_signals.from_signals",
    ],
    rows=100_000,
    cols=10,
)
rows = {}
for r in results:
    ms = {backend: s * 1e3 for backend, s in r.runtime_by_backend.items()}
    rows[r.name] = ms | {"speedup": r.speedup}
pd.DataFrame(rows).T.round(2)  

                                                  nb      rs  speedup
generic.base.crossed_above                      4.45    5.67     0.78
generic.rolling.ewm_mean                        5.46    2.35     2.32
generic.rolling.rolling_mean                    3.81    3.96     0.96
portfolio.from_signals.from_signals[dense]    167.33  180.72     0.93
portfolio.from_signals.from_signals[grouped]  134.67  129.49     1.04
portfolio.from_signals.from_signals[sparse]    14.15   11.91     1.19
returns.max_drawdown                            2.73    0.94     2.92
returns.sharpe_ratio                            4.55    1.09     4.19

Rust 在夏普比率上快四倍以上，在最大回撤上快近三倍，而在滚动均值、交叉判断和密集模拟上略慢。这些结果说明 VBT 为什么不预设某个后端始终更快。命令行版本可对整类函数运行相同引擎，完整矩阵覆盖软件包中几乎所有函数，详见下方基准测试功能介绍。

生成的矩阵报告除结果外，还记录 CPU、操作系统、Python 和软件包版本、Rust 工具及选定的线程设置。可以随研究保存报告，并用相同任务比较新环境。先从最常用的函数开始，需要更全面覆盖时再扩展到完整矩阵。

按实测选择后端

AutoBench 使用这些测量结果。在本机建立基准缓存后，设置 vbt.settings.jitting["backends"]["auto_mode"] = "bench"，即可根据保存的耗时和输入形状选择符合条件的后端；"bench_mixed" 还会在串行与并行版本之间选择。策略规则使选择保持保守：默认要求候选后端至少比默认后端快 5%，并可使用多次实测中的最小值或其他统计量比较。计算后端页介绍其他后端选择方式。

测量自己的代码

vbt.Timer 和 vbt.MemTracer 可测量代码块的耗时和被跟踪内存的峰值，见下方资源管理功能介绍。vbt.timeit 为函数计时并返回易读时长，@vbt.with_timer 和 @vbt.with_memtracer 装饰器则打印每次函数调用的时间或内存。

测量实际运行的各阶段：准备数据、计算信号、模拟订单，以及构建要保留的统计量。这能显示更快的后端、输入复用或更小的分块在哪些环节有帮助。MemTracer 使用 Python 的 tracemalloc 跟踪代码块中的内存分配。规划 RAM 能容纳多少工作进程时，也应测量整个进程的内存。

小输入主要测到固定开销。在构建本页的机器上，一次 vbt.PF.from_signals 调用处理 365 根 K 线耗时 5.3 毫秒，处理 100,000 根耗时 6.4 毫秒：几乎全部时间用于准备输入和构建投资组合，而非模拟。因此，仅比较一年日线数据，难以说明大规模性能。大量小回测作为一次调用的多列运行，或使用上方对比中的底层函数，速度通常更快。

✅ VBT 现已为几乎整个代码库提供兼顾正确性的后端基准测试。最新概览涵盖 748 个函数、768 个变体、1,976 个内核、15,709 个用例，以及 59,600 次基准运行，覆盖 Numba、Rust、直接后端调用、AutoBench 和 AutoBenchMixed。性能由此可被检查：用户能看到哪个后端在哪种输入大小下领先，以及并行执行是否值得用于自己的任务。

python -m vectorbtpro.benchmarks.bench_engine_cli \
  --backend nb \
  --backend rs \
  --input-model 1d \
  --pattern returns

results = vbt.run_benchmarks(
    input_model="1d",
    backend_ids=("nb", "rs"),
    patterns=["returns"],
)
print(results)  

function,task_id,ndim,shape,nb_s,rs_s,speedup,auto_bench_backend,nb_elapsed_s,rs_elapsed_s
...

✅ 新增性能分析工具，帮助测量任意代码块的执行时间和内存占用 🧰

data = vbt.YFData.pull("BTC-USD")

with (
    vbt.Timer() as timer,
    vbt.MemTracer() as mem_tracer
):
    print(vbt.PF.from_random_signals(data.close, n=100, seed=42).sharpe_ratio)

1.0410760501518814

print(timer.elapsed())

74.15 milliseconds

print(mem_tracer.peak_usage())

459.7 kB