Descarga pybroker - Descargar el código fuente pybroker

pybroker

Otro código fuente

v1.2.5

Descargar

Pibroker

Estado del paquete

Comercio algorítmico en Python con aprendizaje automático

¿Está buscando mejorar sus estrategias comerciales con el poder de Python y Machine Learning? ¡Entonces debes ver Pybroker ! Este marco de Python está diseñado para desarrollar estrategias de comercio algorítmico, con un enfoque en estrategias que utilizan el aprendizaje automático. Con Pybroker, puede crear y ajustar las reglas comerciales fácilmente, construir modelos poderosos y obtener información valiosa sobre el rendimiento de su estrategia.

Características clave

Un motor de toma de respaldo súper rápido incorporado y acelerado con numba.
La capacidad de crear y ejecutar reglas y modelos comerciales en múltiples instrumentos con facilidad.
Acceso a datos históricos de Alpaca, Yahoo Finance, Akshare o de su propio proveedor de datos.
La opción de entrenar y respaldar modelos utilizando el análisis Walkforward, que simula cómo se desempeñaría la estrategia durante el comercio real.
Métricas comerciales más confiables que utilizan arranque aleatorios para proporcionar resultados más precisos.
Almacenamiento en caché de datos descargados, indicadores y modelos para acelerar su proceso de desarrollo.
Cálculos paralelos que permiten un rendimiento más rápido.

Con Pybroker, tendrá todas las herramientas que necesita para crear estrategias comerciales ganadoras respaldadas por datos y aprendizaje automático. ¡Comience a usar Pybroker hoy y lleve su operación al siguiente nivel!

Instalación

Pybroker admite Python 3.9+ en Windows, Mac y Linux. Puede instalar Pybroker usando pip :

   pip install -U lib-pybroker

O puede clonar el repositorio de git con:

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

Un ejemplo rápido

Visite cómo se ve con Pybroker con estos fragmentos de código:

Estrategia basada en reglas :

   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 )

Estrategia basada en modelos :

   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 )