pybroker下載 - pybroker源代碼下載

pybroker

其他源碼

v1.2.5

下載

PYBROKER

包裹狀態

與機器學習的python算法交易

您是否希望通過Python和機器學習的力量來增強交易策略？然後，您需要查看Pybroker ！該Python框架旨在製定算法交易策略，重點是使用機器學習的策略。借助Pybroker，您可以輕鬆地制定和微調交易規則，建立強大的模型，並對策略的績效獲得寶貴的見解。

關鍵功能

用Numpy構建的超級快速測試引擎，並用Numba加速。
可以輕鬆地在多個工具上創建和執行交易規則和模型的能力。
訪問羊駝，雅虎財務，Akshare或您自己的數據提供商的歷史數據。
使用Walkforward分析訓練和回測模型的選項，該選項模擬了該策略在實際交易過程中的執行方式。
更可靠的交易指標，使用隨機引導來提供更準確的結果。
緩存下載的數據，指標和模型，以加快開發過程。
可以更快的性能的並行計算。

借助Pybroker，您將擁有創建由數據和機器學習支持的獲勝交易策略所需的所有工具。立即開始使用Pybroker，並將您的交易提升到一個新的水平！

安裝

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

   pip install -U lib-pybroker

或者，您可以用以下方式克隆git存儲庫。

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

一個快速的例子

瞥見使用這些代碼段的Pybroker進行回測的樣子：

基於規則的策略：

   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 )

基於模型的策略：

   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 )