Скачать pybroker - скачать исходный код pybroker

pybroker

Другой исходный код

v1.2.5

Скачать

Пирокер

Статус пакета

Алгоритмическая торговля на питоне с машинным обучением

Вы хотите улучшить свои торговые стратегии с помощью Python и машинного обучения? Тогда вам нужно проверить Pybroker ! Эта структура Python предназначена для разработки алгоритмических стратегий торговли, с акцентом на стратегии, которые используют машинное обучение. Благодаря Pybroker вы можете легко создавать и настраивать правила торговли, создавать мощные модели и получить ценную информацию о эффективности вашей стратегии.

Ключевые функции

Супербычный тестирующий двигатель, построенный в Numpy, и ускоренный с помощью Numba.
Возможность с легкостью создавать и выполнять торговые правила и модели на нескольких инструментах.
Доступ к историческим данным из Alpaca, Yahoo Finance, Akshare или от вашего собственного поставщика данных.
Возможность обучения и бэк -тестирования моделей с использованием анализа WalkForward, который имитирует, как стратегия будет работать во время фактической торговли.
Более надежные торговые метрики, которые используют рандомизированное начальное начало для обеспечения более точных результатов.
Кэширование загруженных данных, индикаторов и моделей для ускорения вашего процесса разработки.
Параллелизированные вычисления, которые обеспечивают более высокую производительность.

С помощью Pybroker у вас будут все инструменты, необходимые для создания выигрышных торговых стратегий, поддерживаемых данными и машинным обучением. Начните использовать Pybroker сегодня и перейдите на ваш торгов на следующий уровень!

Установка

Pybroker поддерживает Python 3.9+ в Windows, Mac и Linux. Вы можете установить Pybroker с помощью pip :

   pip install -U lib-pybroker

Или вы можете клонировать репозиторий GIT с помощью:

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

Быстрый пример

Познакомьтесь с тем, как выглядит бэк -тестирование с пирокером с этими фрагментами кода:

Стратегия на основе правил :

   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 )

Стратегия на основе модели :

   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 )