pybroker -Download - pybroker -Quellcode herunterladen

pybroker

Anderer Quellcode

v1.2.5

Herunterladen

Pybroker

Paketstatus

Algorithmischer Handel in Python mit maschinellem Lernen

Möchten Sie Ihre Handelsstrategien mit der Kraft von Python und maschinellem Lernen verbessern? Dann müssen Sie sich Pybroker ansehen! Dieses Python -Framework ist für die Entwicklung algorithmischer Handelsstrategien konzipiert und konzentriert sich auf Strategien, die maschinelles Lernen verwenden. Mit Pybroker können Sie Handelsregeln erstellen und fein abteilen, leistungsstarke Modelle erstellen und wertvolle Einblicke in die Leistung Ihrer Strategie gewinnen.

Schlüsselmerkmale

Ein superschneller Backtesting-Motor, der in Numpy eingebaut und mit Numba beschleunigt wurde.
Die Fähigkeit, Handelsregeln und Modelle mühelos über mehrere Instrumente hinweg zu erstellen und auszuführen.
Zugriff auf historische Daten von Alpaka, Yahoo Finance, Akshare oder von Ihrem eigenen Datenanbieter.
Die Option, Modelle mit der Walkforward -Analyse zu trainieren und zu testen, die simuliert, wie die Strategie während des tatsächlichen Handels ausgeführt wird.
Zuverlässigere Handelsmetriken, die randomisierte Bootstrapping verwenden, um genauere Ergebnisse zu erzielen.
Ausschnitt von heruntergeladenen Daten, Indikatoren und Modellen, um Ihren Entwicklungsprozess zu beschleunigen.
Parallelisierte Berechnungen, die eine schnellere Leistung ermöglichen.

Mit Pybroker verfügen Sie über alle Tools, die Sie benötigen, um Gewinnerstrategien zu erstellen, die durch Daten und maschinelles Lernen unterstützt werden. Verwenden Sie noch heute Pybroker und bringen Sie Ihren Handel auf die nächste Stufe!

Installation

Pybroker unterstützt Python 3.9+ unter Windows, Mac und Linux. Sie können Pybroker mit pip installieren:

   pip install -U lib-pybroker

Oder Sie können das Git -Repository mit:

   git clone https://github.com/edtechre/pybroker

Ein kurzes Beispiel

Erhalten Sie einen Blick darauf, wie Backtesting mit Pybroker mit diesen Code -Snippets aussieht:

Regelbasierte Strategie :

   from pybroker import Strategy , YFinance , highest

   def exec_fn ( ctx ):
      # Get the rolling 10 day high.
      high_10d = ctx . indicator ( 'high_10d' )
      # Buy on a new 10 day high.
      if not ctx . long_pos () and high_10d [ - 1 ] > high_10d [ - 2 ]:
         ctx . buy_shares = 100
         # Hold the position for 5 days.
         ctx . hold_bars = 5
         # Set a stop loss of 2%.
         ctx . stop_loss_pct = 2

   strategy = Strategy ( YFinance (), start_date = '1/1/2022' , end_date = '7/1/2022' )
   strategy . add_execution (
      exec_fn , [ 'AAPL' , 'MSFT' ], indicators = highest ( 'high_10d' , 'close' , period = 10 ))
   # Run the backtest after 20 days have passed.
   result = strategy . backtest ( warmup = 20 )

Modellbasierte Strategie :

   import pybroker
   from pybroker import Alpaca , Strategy

   def train_fn ( train_data , test_data , ticker ):
      # Train the model using indicators stored in train_data.
      ...
      return trained_model

   # Register the model and its training function with PyBroker.
   my_model = pybroker . model ( 'my_model' , train_fn , indicators = [...])

   def exec_fn ( ctx ):
      preds = ctx . preds ( 'my_model' )
      # Open a long position given my_model's latest prediction.
      if not ctx . long_pos () and preds [ - 1 ] > buy_threshold :
         ctx . buy_shares = 100
      # Close the long position given my_model's latest prediction.
      elif ctx . long_pos () and preds [ - 1 ] < sell_threshold :
         ctx . sell_all_shares ()

   alpaca = Alpaca ( api_key = ..., api_secret = ...)
   strategy = Strategy ( alpaca , start_date = '1/1/2022' , end_date = '7/1/2022' )
   strategy . add_execution ( exec_fn , [ 'AAPL' , 'MSFT' ], models = my_model )
   # Run Walkforward Analysis on 1 minute data using 5 windows with 50/50 train/test data.
   result = strategy . walkforward ( timeframe = '1m' , windows = 5 , train_size = 0.5 )