Was ist VeighNa (vn.py)?
VeighNa, weiterhin als vn.py veröffentlicht, ist ein Open-Source-Framework in Python zum Bauen und Betreiben quantitativer Handelssysteme. Es entstand 2015 und wird vor allem mit chinesischen Brokern für Futures, Optionen und A-Aktien genutzt. Es bündelt eine Event-Engine, ein PySide6-Desktop-Terminal, Strategie-Engines für CTA, Spreads, Optionen, Portfolios und algorithmische Ausführung sowie Adapter für 15 inländische Gateways und drei ausländische, darunter Interactive Brokers.
Version 4.0 vom März 2025 brachte vnpy.alpha: ein Modul für Faktor-Engineering, Modelltraining und Backtesting von Machine-Learning-Strategien. Es liefert Lasso-, LightGBM- und MLP-Modelle sowie das aus Microsofts Qlib übernommene Faktorset Alpha158.
Das Repo hat etwa 46.400 Sterne und eine MIT-Lizenz. Version 4.5.0 erschien im Oktober 2026 auf GitHub und PyPI und unterstützt Python 3.10 oder neuer, empfohlen ist 3.13.
Lohnt sich VeighNa (vn.py)?
vn.py zählt wegen dem, was Qlib fehlt: Es verbindet sich mit Brokern und gibt Orders auf. CTP, die Standardschnittstelle für chinesische Futures, XTP und TORA für A-Aktien sowie Interactive Brokers für Auslandsmärkte liegen hinter einer einzigen ereignisgesteuerten API, mit einem Risikomanager, der Orderfluss, Ordergröße und Stornierungen begrenzt, bevor etwas die Börse erreicht. Version 4.0 markierte das zehnjährige Bestehen des Projekts, und die Breite der Gateways spiegelt ein Jahrzehnt Nutzung bei Privatfonds, Wertpapierhäusern und Futuresbrokern wider.
Der KI-Teil ist vnpy.alpha, hinzugekommen mit 4.0. Es macht aus Kursdaten mit einer Ausdrucks-Engine Trainingsmerkmale, trainiert Lasso-, LightGBM- oder MLP-Modelle über eine gemeinsame Vorlage und testet Querschnitts- oder Zeitreihenstrategien auf den Signalen. Release 4.5.0 hat die Faktor- und Signalanalyse überarbeitet, VWAP-Ausführungen im Backtest ergänzt und Indikatoren korrigiert, die Daten verschiedener Kontrakte vermischten. Es ist bewusst kleiner als Qlib, und die README nennt Qlib als Quelle für Design und Alpha158-Merkmale.
Der Haken ist die Reichweite. Die Haupt-README, die Dokumentation und das Forum sind auf Chinesisch, die englische README ist eine Übersetzung, und die meisten Gateways ergeben nur mit einem Konto bei einem chinesischen Broker Sinn. Unterstützt werden Windows 11, Windows Server 2022 und Ubuntu 22.04 oder neuer, und die Desktop-Oberfläche setzt eine Workstation statt eines Servers ohne Bildschirm voraus. VeighNa Fusion, ein assistiertes Forschungsprodukt, das Strategiebeschreibungen in Code übersetzt, gibt es nur über Partner-Futuresbroker und ohne veröffentlichten Preis.
Die Pflege ist stetig: fünf Releases seit 4.0 und nur etwa 20 offene Issues und Pull Requests. Für Händler an chinesischen Märkten, die ML-Signale an echte Ausführung koppeln wollen, ist es die naheliegende Open-Source-Basis; anderswo ist die API eines westlichen Brokers plus Qlib für die Forschung die offensichtlichere Kombination.
Wo es sich lohnt
Ein CTA-Desk mit zwei Händlern bei einem chinesischen Privatfonds
Futures-Strategien live mit harten Risikogrenzen fahren
Sie verbinden das CTP-Gateway, laden die Strategien in die CTA-Engine und setzen die Grenzen des Risikomanagers für Orderfluss und Stornierungen; das Desktop-Terminal zeigt Positionen und Tages-GuV. Die Software ist kostenlos; Kosten verursachen Brokerkonto und Daten.
Ein Quant-Forscher bei einem chinesischen Wertpapierhaus
Ein ML-Signal zur Aktienauswahl trainieren und aus demselben Code handeln
Er lädt A-Aktien-Daten über RQData oder XtQuant, baut Alpha158-Merkmale, trainiert LightGBM im Lab von vnpy.alpha und übergibt das Signal dann an die Portfolio-Strategie-Engine, wo es vor dem Live-Gang im Papierhandel läuft.
Ein Entwickler bei einer kleinen ausländischen Prop-Trading-Firma
Eine ereignisgesteuerte Strategie gegen Interactive Brokers prototypisieren
Er nutzt das ib-Gateway mit dem Script Trader in einer REPL-artigen Sitzung, während paper_account Orders lokal auf Live-Kursen abgleicht, sodass nichts den Markt erreicht, bis die Logik geprüft ist.
Bevor du dich festlegst
- Einrichtung
- Unter Windows lässt sich VeighNa Studio installieren, eine gebündelte Python-Distribution; sonst das Release entpacken und install.bat, install.sh oder install_osx.sh mit Python 3.10+ ausführen. vnpy.alpha braucht die alpha-Extras: polars, scikit-learn, LightGBM und PyTorch.
- Integrationen
- 15 chinesische Broker-Gateways plus Interactive Brokers, Esunny 9.0 und Direct Futures; Datenfeeds RQData und XtQuant; SQLite, MySQL, PostgreSQL, QuestDB, DolphinDB, TDengine und MongoDB; ein Web-Trader mit REST und WebSocket; Excel RTD.
- Daten und Datenschutz
- Läuft lokal, speichert Broker-Zugangsdaten und kann echte Orders aufgeben; Risikomanager und Papierkonto sollten daher vor dem Live-Einsatz eingerichtet sein. Das Modul web_trader öffnet REST- und WebSocket-Endpunkte, die abgesichert werden müssen, wenn es aktiv ist.
- Kosten im großen Maßstab
- Das Framework ist unter MIT kostenlos. Echte Kosten sind Brokerkonten und Datenabos wie RQData; die Konditionen für Fusion legt der Partnerbroker fest, sie sind nicht veröffentlicht.
- Grenzen
- Englische Dokumentation ist dünn; Gateways, die C++-APIs kapseln, müssen vor dem Einsatz mit 4.x aktualisiert werden; für macOS gibt es ein Installationsskript, es steht aber nicht auf der Liste der unterstützten Systeme; script_trader kann keine Backtests.
Was gut ist
- Live-Handel über 15 chinesische Gateways plus Interactive Brokers
- Vorgelagerter Risikomanager begrenzt Orderfluss, Größe und Stornierungen
- vnpy.alpha bringt ML-Faktorforschung und Backtests ins selbe Framework
- MIT-Lizenz und regelmäßige Releases
Was nicht
- Dokumentation und Community überwiegend auf Chinesisch
- Das ML-Modul bietet drei Modelltypen; tiefere Forschung braucht Qlib oder eigenen Code
- Desktop-orientierte PySide6-Oberfläche
- Die KI-gestützte Forschung von Fusion hängt am Broker und hat keinen Preis
Am besten für
Quant-Händler an chinesischen Futures- und Aktienmärkten, die ML-gesteuerte Strategien mit echten Brokern in einer Python-Codebasis verbinden wollen.
Alternativen zu VeighNa (vn.py)
VeighNa (vn.py): häufige Fragen
- Lohnt sich VeighNa (vn.py)?
- Ein ausgereiftes, an Broker angebundenes Handels-Framework, dessen Machine-Learning-Modul eine vernünftige, aber bescheidene Ergänzung ist, mit Dokumentation und Community überwiegend auf Chinesisch. Wir bewerten es mit 3.8 von 5.
- Was kostet VeighNa (vn.py)?
- Kostenlos und Open Source unter MIT. VeighNa Fusion, das assistierte Forschungsprodukt, gibt es nur über Partner-Futuresbroker; kein Preis veröffentlicht.
- Welche Nachteile hat VeighNa (vn.py)?
- Dokumentation und Community überwiegend auf Chinesisch; Das ML-Modul bietet drei Modelltypen; tiefere Forschung braucht Qlib oder eigenen Code; Desktop-orientierte PySide6-Oberfläche; Die KI-gestützte Forschung von Fusion hängt am Broker und hat keinen Preis.
- Für wen eignet sich VeighNa (vn.py)?
- Quant-Händler an chinesischen Futures- und Aktienmärkten, die ML-gesteuerte Strategien mit echten Brokern in einer Python-Codebasis verbinden wollen.
- Was kostet VeighNa (vn.py) für ein Team oder im Produktivbetrieb?
- Das Framework ist unter MIT kostenlos. Echte Kosten sind Brokerkonten und Datenabos wie RQData; die Konditionen für Fusion legt der Partnerbroker fest, sie sind nicht veröffentlicht.
- Ist VeighNa (vn.py) sicher für Firmendaten?
- Läuft lokal, speichert Broker-Zugangsdaten und kann echte Orders aufgeben; Risikomanager und Papierkonto sollten daher vor dem Live-Einsatz eingerichtet sein. Das Modul web_trader öffnet REST- und WebSocket-Endpunkte, die abgesichert werden müssen, wenn es aktiv ist.
- Was sind die besten Alternativen zu VeighNa (vn.py)?
- Die nächsten Alternativen, die wir getestet haben, sind Qlib, Vibe-Trading und Fincept Terminal.
Antworten geprüft am 16. Nov. 2026.