pybroker

Échange algorithmique en python avec l'apprentissage automatique

Cherchez-vous à améliorer vos stratégies de trading avec la puissance du python et de l'apprentissage automatique? Ensuite, vous devez consulter Pybroker ! Ce cadre Python est conçu pour développer des stratégies de trading algorithmique, en mettant l'accent sur les stratégies qui utilisent l'apprentissage automatique. Avec Pybroker, vous pouvez facilement créer et affiner les règles de trading, créer des modèles puissants et obtenir des informations précieuses sur les performances de votre stratégie.

Caractéristiques clés

• Un moteur de backtesting super rapide construit en numpy et accéléré avec Numba.
• La possibilité de créer et d'exécuter facilement des règles de trading et des modèles sur plusieurs instruments.
• Accès aux données historiques d'Alpaca, Yahoo Finance, Akshare ou de votre propre fournisseur de données.
• L'option de formation et de backtest des modèles à l'aide de l'analyse Walkforward, qui simule comment la stratégie fonctionnerait pendant le trading réel.
• Des métriques de trading plus fiables qui utilisent un bootstrap randomisé pour fournir des résultats plus précis.
• Cache de données, indicateurs et modèles téléchargés pour accélérer votre processus de développement.
• Des calculs parallélisés qui permettent des performances plus rapides.

Avec Pybroker, vous aurez tous les outils dont vous avez besoin pour créer des stratégies de trading gagnantes soutenues par les données et l'apprentissage automatique. Commencez à utiliser PyBroker aujourd'hui et passez votre trading au niveau supérieur!

Installation

Pybroker prend en charge Python 3.9+ sur Windows, Mac et Linux. Vous pouvez installer Pybroker en utilisant pip :

   pip install -U lib-pybroker

Ou vous pouvez cloner le référentiel GIT avec:

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

Un exemple rapide

Avoir un aperçu de ce à quoi ressemble le backtesting avec Pybroker avec ces extraits de code:

Stratégie basée sur les règles :

   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 )

Stratégie basée sur un modèle :

   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 )

Guide de l'utilisateur

• Début avec les sources de données
• Backtesting une stratégie
• Évaluation avec les mesures bootstrap
• Classement et dimensionnement de position
• Indicateurs d'écriture
• Former un modèle
• Création d'une source de données personnalisée
• Appliquer des arrêts
• Positions de rééquilibrage
• Trading en rotation
• FAQ

Documentation en ligne

La documentation de référence complète est hébergée sur www.pybroker.com .

(Pour les utilisateurs chinois: 中文文档, gracieuseté d'Albert King.)

Contact

Actualités des stocks alimentés par AI

Restez informé des nouvelles alimentées par AI sur les actions à tendance les plus importantes. Voir www.trendninja.ai pour les dernières mises à jour!