MENU

VeighNa:量化交易神器多市场通吃可视化操作

November 29, 2025 • Read: 7 • 人工智能学习

AI摘要：VeighNa是一个基于Python的开源量化交易系统开发框架，已经发展成为一个多功能量化交易平台，服务于金融机构和相关领域用户。VeighNa 4.0版本新增了面向AI量化策略的vnpy.alpha模块，提供了多因子机器学习策略开发、投研和实盘交易的解决方案。该平台具有多功能量化交易平台、覆盖国内外交易品种的交易接口、各类量化策略的交易应用、Python交易API接口封装等特点。VeighNa支持多种数据库和数据服务的适配器接口，以及跨进程通讯标准组件。用户可以通过VeighNa Station量化管理平台或脚本运行VeighNa Trader。VeighNa的源代码托管在Github上，欢迎社区贡献代码。

Powered by 中文AI技术教程与社区分享.

VeighNa - By Traders, For Traders, AI-Powered.

title=

VeighNa 是一套基于 Python 的开源量化交易系统开发框架，在开源社区持续不断的贡献下一步步成长为多功能量化交易平台，自发布以来已经积累了众多来自金融机构或相关领域的用户，包括私募基金、证券公司、期货公司等。

在使用 VeighNa 进行二次开发（策略、模块等）的过程中有任何疑问，请查看VeighNa 项目文档，如果无法解决请前往官方社区论坛的【提问求助】板块寻求帮助，也欢迎在【经验分享】板块分享你的使用心得！

VeighNa项目官方地址:

AI-Powered

VeighNa 发布十周年之际正式推出 4.0 版本，重磅新增面向 AI 量化策略的 vnpy.alpha 模块，为专业量化交易员提供 一站式多因子机器学习（ML）策略开发、投研和实盘交易解决方案 ：

title=

  • 📊 dataset ：因子特征工程

    • 专为 ML 算法训练优化设计，支持高效批量特征计算与处理
    • 内置丰富的因子特征表达式计算引擎，实现快速一键生成训练数据
    • Alpha 158：源于微软 Qlib 项目的股票市场特征集合，涵盖 K 线形态、价格趋势、时序波动等多维度量化因子

  • 💡 model ：预测模型训练

    • 提供标准化的 ML 模型开发模板，大幅简化模型构建与训练流程
    • 统一 API 接口设计，支持无缝切换不同算法进行性能对比测试

    • 集成多种主流机器学习算法：

      • Lasso：经典 Lasso 回归模型，通过 L1 正则化实现特征选择
      • LightGBM：高效梯度提升决策树，针对大规模数据集优化的训练引擎
      • MLP：多层感知机神经网络，适用于复杂非线性关系建模

  • 🤖 strategy ：策略投研开发

    • 基于 ML 信号预测模型快速构建量化交易策略
    • 支持截面多标的和时序单标的两种策略类型

  • 🔬 lab ：投研流程管理

    • 集成数据管理、模型训练、信号生成和策略回测等完整工作流程
    • 简洁 API 设计，内置可视化分析工具，直观评估策略表现和模型效果

  • 📖 notebook ：量化投研 Demo

    • download_data_rq：基于 RQData 下载 A 股指数成分股数据，包含指数成分变化跟踪及历史行情获取
    • download_data_xt：基于迅投研数据服务，下载获取 A 股指数成分历史变化和股票 K 线数据
    • research_workflow_lasso：基于 Lasso 回归模型的量化投研工作流，展示线性模型特征选择与预测能力
    • research_workflow_lgb：基于 LightGBM 梯度提升树的量化投研工作流，利用高效集成学习方法进行预测
    • research_workflow_mlp：基于多层感知机神经网络的量化投研工作流，展示深度学习在量化交易中的应用

vnpy.alpha 模块的设计理念受到 Qlib 项目的启发，在保持易用性的同时提供强大的 AI 量化能力，特此向 Qlib 开发团队致以诚挚感谢！

功能特点

带有 ⬆️ 的模块代表已经完成 4.0 版本的升级适配测试，同时 4.0 核心框架采用了优先保证兼容性的升级方式，因此大多数模块也都可以直接使用（涉及到 C++ API 封装的接口必须升级后才能使用）。

  1. ⬆️ 多功能量化交易平台（trader），整合了多种交易接口，并针对具体策略算法和功能开发提供了简洁易用的 API，用于快速构建交易员所需的量化交易应用。

  2. 覆盖国内外所拥有的下述交易品种的交易接口（gateway）：

    • 国内市场

      • ⬆️ CTP（ctp）：国内期货、期权
      • ⬆️ CTP Mini（mini）：国内期货、期权
      • ⬆️ CTP 证券（sopt）：ETF 期权
      • ⬆️ 飞马（femas）：国内期货
      • ⬆️ 恒生 UFT（uft）：国内期货、ETF 期权
      • 易盛（esunny）：国内期货、黄金 TD
      • ⬆️ 顶点 HTS（hts）：ETF 期权
      • ⬆️ 中泰 XTP（xtp）：国内证券（A 股）、ETF 期权
      • ⬆️ 华鑫奇点（tora）：国内证券（A 股）、ETF 期权
      • 东证 OST（ost）：国内证券（A 股）
      • 东方财富 EMT（emt）：国内证券（A 股）
      • 飞鼠（sgit）：黄金 TD、国内期货
      • ⬆️ 金仕达黄金（ksgold）：黄金 TD
      • ⬆️ 利星资管（lstar）：期货资管
      • ⬆️ 融航（rohon）：期货资管
      • ⬆️ 杰宜斯（jees）：期货资管
      • 中汇亿达（comstar）：银行间市场
      • ⬆️ TTS（tts）：国内期货（仿真）

    • 海外市场

      • ⬆️ Interactive Brokers（ib）：海外证券、期货、期权、贵金属等
      • ⬆️ 易盛 9.0 外盘（tap）：海外期货
      • ⬆️ 直达期货（da）：海外期货

    • 特殊应用

      • ⬆️ RQData 行情（rqdata）：跨市场（股票、指数、ETF、期货）实时行情
      • ⬆️ 迅投研行情（[xt]）：跨市场（股票、指数、可转债、ETF、期货、期权）实时行情
      • ⬆️ RPC 服务（[rpc]）：跨进程通讯接口，用于分布式架构

  3. 覆盖下述各类量化策略的交易应用（app）：

    • ⬆️ [cta_strategy]：CTA 策略引擎模块，在保持易用性的同时，允许用户针对 CTA 类策略运行过程中委托的报撤行为进行细粒度控制（降低交易滑点、实现高频策略）
    • ⬆️ [cta_backtester]：CTA 策略回测模块，无需使用 Jupyter Notebook，直接使用图形界面进行策略回测分析、参数优化等相关工作
    • ⬆️ [spread_trading]：价差交易模块，支持自定义价差，实时计算价差行情和持仓，支持价差算法交易以及自动价差策略两种模式
    • ⬆️ [option_master]：期权交易模块，针对国内期权市场设计，支持多种期权定价模型、隐含波动率曲面计算、希腊值风险跟踪等功能
    • ⬆️ [portfolio_strategy]：组合策略模块，面向同时交易多合约的量化策略（Alpha、期权套利等），提供历史数据回测和实盘自动交易功能
    • ⬆️ [algo_trading]：算法交易模块，提供多种常用的智能交易算法：TWAP、Sniper、Iceberg、BestLimit 等
    • ⬆️ [script_trader]：脚本策略模块，面向多标的类量化策略和计算任务设计，同时也可以在命令行中实现 REPL 指令形式的交易，不支持回测功能
    • ⬆️ [paper_account]：本地仿真模块，纯本地化实现的仿真模拟交易功能，基于交易接口获取的实时行情进行委托撮合，提供委托成交推送以及持仓记录
    • ⬆️ [chart_wizard]：K 线图表模块，基于 RQData 数据服务（期货）或者交易接口获取历史数据，并结合 Tick 推送显示实时行情变化
    • ⬆️ [portfolio_manager]：交易组合管理模块，以独立的策略交易组合（子账户）为基础，提供委托成交记录管理、交易仓位自动跟踪以及每日盈亏实时统计功能
    • ⬆️ [rpc_service]：RPC 服务模块，允许将某一进程启动为服务端，作为统一的行情和交易路由通道，允许多客户端同时连接，实现多进程分布式系统
    • ⬆️ [data_manager]：历史数据管理模块，通过树形目录查看数据库中已有的数据概况，选择任意时间段数据查看字段细节，支持 CSV 文件的数据导入和导出
    • ⬆️ [data_recorder]：行情记录模块，基于图形界面进行配置，根据需求实时录制 Tick 或者 K 线行情到数据库中，用于策略回测或者实盘初始化
    • ⬆️ [excel_rtd]：Excel RTD（Real Time Data）实时数据服务，基于 pyxll 模块实现在 Excel 中获取各类数据（行情、合约、持仓等）的实时推送更新
    • ⬆️ [risk_manager]：风险管理模块，提供包括交易流控、下单数量、活动委托、撤单总数等规则的统计和限制，有效实现前端风控功能
    • ⬆️ [web_trader]：Web 服务模块，针对 B-S 架构需求设计，实现了提供主动函数调用（REST）和被动数据推送（Websocket）的 Web 服务器

  4. Python 交易 API 接口封装（api），提供上述交易接口的底层对接实现。

    • ⬆️ REST Client（[rest]）：基于协程异步 IO 的高性能 REST API 客户端，采用事件消息循环的编程模型，支持高并发实时交易请求发送
    • ⬆️ Websocket Client（[websocket]）：基于协程异步 IO 的高性能 Websocket API 客户端，支持和 REST Client 共用事件循环并发运行
  5. ⬆️ 简洁易用的事件驱动引擎（event），作为事件驱动型交易程序的核心。

  6. 对接各类数据库的适配器接口（database）：

    • SQL 类

      • ⬆️ SQLite（[sqlite]）：轻量级单文件数据库，无需安装和配置数据服务程序，VeighNa 的默认选项，适合入门新手用户
      • ⬆️ MySQL（[mysql]）：主流的开源关系型数据库，文档资料极为丰富，且可替换其他 NewSQL 兼容实现（如 TiDB）
      • ⬆️ PostgreSQL（[postgresql]）：特性更为丰富的开源关系型数据库，支持通过扩展插件来新增功能，只推荐熟手使用

    • NoSQL 类

      • DolphinDB（[dolphindb]）：一款高性能分布式时序数据库，适用于对速度要求极高的低延时或实时性任务
      • ⬆️ TDengine（[taos]）：分布式、高性能、支持 SQL 的时序数据库，带有内建的缓存、流式计算、数据订阅等系统功能，能大幅减少研发和运维的复杂度
      • ⬆️ MongoDB（[mongodb]）：基于分布式文件储存（bson 格式）的文档式数据库，内置的热数据内存缓存提供更快读写速度

  7. 对接下述各类数据服务的适配器接口（datafeed）：

    • ⬆️ 迅投研（[xt]）：股票、期货、期权、基金、债券
    • ⬆️ 米筐 RQData（[rqdata]）：股票、期货、期权、基金、债券、黄金 TD
    • ⬆️ MultiCharts（[mcdata]）：期货、期货期权
    • ⬆️ TuShare（[tushare]）：股票、期货、期权、基金
    • ⬆️ 万得 Wind（[wind]）：股票、期货、基金、债券
    • ⬆️ 同花顺 iFinD（[ifind]）：股票、期货、基金、债券
    • ⬆️ 天勤 TQSDK（[tqsdk]）：期货
    • ⬆️ 掘金（[gm]）：股票
    • ⬆️ polygon（[polygon]）：股票、期货、期权
  8. ⬆️ 跨进程通讯标准组件（rpc），用于实现分布式部署的复杂交易系统。
  9. ⬆️ Python 高性能 K 线图表（chart），支持大数据量图表显示以及实时数据更新功能。
  10. [社区论坛]和[知乎专栏]，内容包括 VeighNa 项目的开发教程和 Python 在量化交易领域的应用研究等内容。
  11. 官方交流群 262656087（QQ），管理严格（定期清除长期潜水的成员），入群费将捐赠给 VeighNa 社区基金。

注：以上关于功能特点的说明为根据说明文档发布时情况罗列，后续可能存在更新或调整。若功能描述同实际存在出入，欢迎通过 Issue 联系进行调整。

环境准备

  • 推荐使用 VeighNa 团队为量化交易专门打造的 Python 发行版 [VeighNa Studio-4.2.0]，集成内置了 VeighNa 框架以及 VeighNa Station 量化管理平台，无需手动安装
  • 支持的系统版本：Windows 11 以上 / Windows Server 2022 以上 / Ubuntu 22.04 LTS 以上
  • 支持的 Python 版本：Python 3.10 以上（64 位），推荐使用 Python 3.13

安装步骤

在这里下载 Release 发布版本，解压后运行以下命令安装：

Windows

install.bat

Ubuntu

bash install.sh

Macos

bash install_osx.sh

使用指南

  1. 在 [SimNow]注册 CTP 仿真账号，并在[该页面]获取经纪商代码以及交易行情服务器地址。
  2. 在 [VeighNa 社区论坛]注册获得 VeighNa Station 账号密码（论坛账号密码即是）
  3. 启动 VeighNa Station（安装 VeighNa Studio 后会在桌面自动创建快捷方式），输入上一步的账号密码登录
  4. 点击底部的 VeighNa Trader 按钮，开始你的交易！！！

注意：

  • 在 VeighNa Trader 的运行过程中请勿关闭 VeighNa Station（会自动退出）

脚本运行

除了基于 VeighNa Station 的图形化启动方式外，也可以在任意目录下创建 run.py，写入以下示例代码：

from vnpy.event import EventEngine
from vnpy.trader.engine import MainEngine
from vnpy.trader.ui import MainWindow, create_qapp

from vnpy_ctp import CtpGateway
from vnpy_ctastrategy import CtaStrategyApp
from vnpy_ctabacktester import CtaBacktesterApp


def main():
    """Start VeighNa Trader"""
    qapp = create_qapp()

    event_engine = EventEngine()
    main_engine = MainEngine(event_engine)
  
    main_engine.add_gateway(CtpGateway)
    main_engine.add_app(CtaStrategyApp)
    main_engine.add_app(CtaBacktesterApp)

    main_window = MainWindow(main_engine, event_engine)
    main_window.showMaximized()

    qapp.exec()


if __name__ == "__main__":
    main()

在该目录下打开 CMD（按住 Shift-> 点击鼠标右键-> 在此处打开命令窗口/PowerShell）后运行下列命令启动 VeighNa Trader：

python run.py

贡献代码

VeighNa 使用 Github 托管其源代码，如果希望贡献代码请使用 github 的 PR（Pull Request）的流程:

  1. [创建 Issue] - 对于较大的改动（如新功能，大型重构等）建议先开 issue 讨论一下，较小的 improvement（如文档改进，bugfix 等）直接发 PR 即可
  2. Fork [VeighNa] - 点击右上角 Fork 按钮

  3. Clone 你自己的 fork: git clone https://github.com/$userid/vnpy.git

    • 如果你的 fork 已经过时，需要手动 sync：[同步方法]
  4. 从 dev 创建你自己的 feature branch: git checkout -b $my_feature_branch dev
  5. 在 $my_feature_branch 上修改并将修改 push 到你的 fork 上
  6. 创建从你的 fork 的 $my_feature_branch 分支到主项目的 dev 分支的[Pull Request] - [在此]点击 compare across forks ，选择需要的 fork 和 branch 创建 PR
  7. 等待 review, 需要继续改进，或者被 Merge!

在提交代码的时候，请遵守以下规则，以提高代码质量：

  • 使用 ruff 检查你的代码样式，确保没有 error 和 warning。在项目根目录下运行 ruff check . 即可。
  • 使用 mypy 进行静态类型检查，确保类型注解正确。在项目根目录下运行 mypy vnpy 即可。

其他内容

  • [获取帮助]
  • [社区行为准则]
  • [Issue 模板]
  • [PR 模板]

版权说明

MIT

Last Modified: November 30, 2025
Leave a Comment