pybroker下载 - pybroker源代码下载

pybroker

其他源码

v1.2.5

下载

PYBROKER

包裹状态

与机器学习的python算法交易

您是否希望通过Python和机器学习的力量来增强交易策略？然后，您需要查看Pybroker ！该Python框架旨在制定算法交易策略，重点是使用机器学习的策略。借助Pybroker，您可以轻松地制定和微调交易规则，建立强大的模型，并对策略的绩效获得宝贵的见解。

关键功能

用Numpy构建的超级快速测试引擎，并用Numba加速。
可以轻松地在多个工具上创建和执行交易规则和模型的能力。
访问羊驼，雅虎财务，Akshare或您自己的数据提供商的历史数据。
使用Walkforward分析训练和回测模型的选项，该选项模拟了该策略在实际交易过程中的执行方式。
更可靠的交易指标，使用随机引导来提供更准确的结果。
缓存下载的数据，指标和模型，以加快开发过程。
可以更快的性能的并行计算。

借助Pybroker，您将拥有创建由数据和机器学习支持的获胜交易策略所需的所有工具。立即开始使用Pybroker，并将您的交易提升到一个新的水平！

安装

Pybroker在Windows，Mac和Linux上支持Python 3.9+。您可以使用pip安装Pybroker：

   pip install -U lib-pybroker

或者，您可以用以下方式克隆git存储库。

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

一个快速的例子

瞥见使用这些代码段的Pybroker进行回测的样子：

基于规则的策略：

   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 )

基于模型的策略：

   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 )