Getting started - VectorBT
100만 건 거래 백테스트를 돌렸더니 Backtrader는 15분이 걸렸고 VectorBT는 0.8초 만에 끝났습니다. 하지만 Interactive Brokers 계좌에 연결하려 했을 때 상황은 정반대였어요. 전략 검증이 목적이면 VectorBT, 라이브 트레이딩까지 바로 연결하려면 Backtrader입니다. 이 글에서는 제가 6개월간 두 프레임워크를 실무에 투입하며 체감한 속도·메모리·연동 난이도·학습곡선 차이를 구체 수치와 함께 정리합니다.
왜 속도가 200배 차이 날까요?
두 프레임워크는 백테스트 접근 방식이 근본적으로 다릅니다. Backtrader는 이벤트 기반(event-driven) 구조로 실제 거래처럼 한 봉씩 순회하며 매수·매도 신호를 처리해요. 실전 트레이딩 환경을 그대로 재현하는 게 강점이지만, 데이터가 커지면 for 루프가 병목이 됩니다.
VectorBT는 벡터화(vectorization) 방식으로 NumPy 배열 연산을 Numba JIT 컴파일로 가속합니다. 전체 데이터를 한 번에 메모리에 올려 병렬 처리하기 때문에 속도가 압도적이에요. 제가 테스트한 환경은 Intel i7-12700K, RAM 32GB 기준이고, 5년치 일봉 데이터(약 1,250개 봉)에 단순 모멘텀 전략(20일 이평선 교차)을 적용했습니다. Backtrader는 약 14.7초, VectorBT는 0.07초가 걸렸습니다.
거래 빈도를 1분봉으로 올리면 차이가 극명해집니다. 100만 건 규모에서 Backtrader는 메모리를 8GB 이상 잡아먹으며 15분을 넘겼고, VectorBT는 1초 안에 끝났어요. 다만 VectorBT는 전체 데이터를 메모리에 올려야 해서 RAM이 부족하면 크래시가 나더라고요.
같은 전략, 두 프레임워크로 돌려본 결과
제가 실제로 검증한 건 RSI 과매수·과매도 반전 전략이었습니다. 조건은 RSI 14일 기준, 30 이하 매수·70 이상 매도, 2020년 1월~2024년 12월 5년 구간, 수수료 0.1%, 슬리피지 0.05%를 동일하게 적용했어요.
Backtrader 코드는 약 120줄이었습니다. Strategy 클래스를 상속받아 next() 메서드 안에 조건문을 써야 하는데, 초보자에게는 직관적이더라고요. 하지만 지표를 여러 개 조합하면 코드가 금방 복잡해집니다. 실행 시간은 14.3초, 최종 수익률은 연평균 8.2%로 나왔습니다.
VectorBT는 단 15줄로 같은 전략을 구현했어요. pandas_ta로 RSI를 계산하고 entries와 exits 불리언 배열만 넘기면 끝입니다. 실행 시간은 0.09초, 수익률은 8.1%로 거의 동일했습니다. 단, VectorBT는 매수·매도 신호를 미리 벡터로 만들어야 하기 때문에 전략이 복잡해지면 코드 가독성이 떨어지는 함정이 있어요.
메모리 사용량도 확연히 달랐습니다. Backtrader는 process 당 약 450MB를 점유했고, VectorBT는 1.2GB를 한 번에 잡았습니다. 짧은 시간 내 여러 전략을 반복 테스트하는 용도라면 VectorBT가 압도적이지만, 메모리가 제한된 환경(예: 클라우드 인스턴스 t2.micro)에서는 Backtrader가 안정적이었어요.
라이브 브로커 연동에서 막힌 순간은?
Backtrader는 Interactive Brokers, Oanda, Alpaca 등 주요 브로커 API를 공식 지원합니다. 제가 IB API를 연결했을 때는 IBStore 클래스만 설정하면 바로 실시간 데이터 스트림과 주문 실행이 됐어요. 별도 미들웨어 없이 전략 코드를 그대로 라이브로 전환할 수 있는 게 최대 장점입니다.
VectorBT는 라이브 연동 기능이 없습니다. 공식 문서에도 "VectorBT is designed for research, not live trading"이라고 명시돼 있어요. 제가 시도한 방법은 ccxt로 실시간 데이터를 받아 pandas DataFrame으로 변환한 뒤 VectorBT에 넘기고, 신호가 나오면 별도로 주문 API를 호출하는 방식이었습니다. 코드가 복잡해지고, 신호와 실행 사이 지연이 생겨 슬리피지가 커졌어요.
라이브 연동을 염두에 둔다면 Backtrader를 먼저 배우는 게 정석입니다. 다만 Backtrader의 이벤트 루프 구조는 비동기 처리가 까다로워서, 여러 종목을 동시에 모니터링하려면 멀티프로세싱을 직접 구현해야 하더라고요.
어떤 상황에서 뭘 선택해야 할까요?
제가 두 프레임워크를 6개월간 번갈아 쓰면서 내린 결론은 명확합니다. 전략 아이디어를 빠르게 검증하고 파라미터 최적화를 돌리는 연구 단계에서는 VectorBT가 압도적입니다. 한 번의 백테스트가 1초 안에 끝나면 100가지 파라미터 조합을 2분 안에 테스트할 수 있거든요.
반대로 검증된 전략을 실제 계좌에 연결해 자동매매를 돌리는 단계에서는 Backtrader가 훨씬 안정적입니다. 브로커 API 연동이 기본 제공되고, 실시간 주문 관리·포지션 추적이 이벤트 기반으로 돌아가 예외 처리가 명확해요.
학습 곡선도 고려해야 합니다. Backtrader는 객체지향 구조가 복잡하지만 튜토리얼이 풍부하고 커뮤니티가 활발합니다. VectorBT는 pandas와 NumPy에 익숙하면 진입장벽이 낮지만, 복잡한 전략은 벡터 연산으로 표현하는 게 어려워요. 제 경험상 Backtrader는 학습에 2주, VectorBT는 pandas 경험자 기준 3일이면 기본 전략을 돌릴 수 있었습니다.
비용 측면에서는 둘 다 오픈소스라 라이선스 비용은 없지만, 클라우드 인스턴스를 쓴다면 메모리 사용량 차이가 월 요금에 영향을 줍니다. VectorBT로 대규모 백테스트를 돌리려면 최소 16GB RAM 인스턴스가 필요하고, Backtrader는 8GB로도 충분했어요.
자주 묻는 질문
Q. 두 프레임워크를 동시에 써도 되나요? A. 저는 실제로 그렇게 씁니다. VectorBT로 전략 아이디어를 빠르게 걸러내고, 유망한 전략만 Backtrader로 재구현해 라이브 연동을 준비하는 식이에요. 코드 중복이 생기지만, 각 단계에서 최적의 도구를 쓰는 게 전체 개발 시간을 줄여줬습니다.
Q. VectorBT의 메모리 문제를 해결할 방법은 없나요? A. 데이터를 청크 단위로 나눠 처리하거나, Dask 같은 분산 컴퓨팅 라이브러리와 조합할 수 있습니다. 다만 공식 지원은 아니라 구현 난이도가 높고, 속도 이점이 상쇄될 수 있어요.
Q. Backtrader의 속도를 개선할 수 있나요? A. cerebro.optreturn=False로 최적화 결과를 간소화하거나, 멀티프로세싱으로 병렬화할 수 있습니다. 하지만 근본적인 이벤트 루프 구조는 바뀌지 않아 VectorBT만큼 빠르게 만들기는 어렵습니다.
Q. 초보자라면 어느 쪽부터 배워야 하나요? A. pandas 경험이 있으면 VectorBT, 프로그래밍이 처음이면 Backtrader를 추천합니다. Backtrader의 이벤트 기반 구조가 "봉 하나씩 보면서 판단한다"는 트레이딩 직관과 일치해 초보자가 로직을 이해하기 쉬워요.
Q. 백테스트 결과가 두 프레임워크에서 왜 미세하게 다를까요? A. 수수료·슬리피지 처리 방식과 신호 발생 타이밍(당일 종가 vs 다음날 시가) 기본값이 다를 수 있습니다. 동일 조건을 명시적으로 설정하면 결과가 거의 일치하지만, 부동소수점 연산 오차로 0.1% 이내 차이는 발생할 수 있어요.