使用机器学习的 Python 算法交易

您是否希望借助 Python 和机器学习的力量来提升您的交易策略？那么您一定要了解 PyBroker！这个 Python 框架专为开发算法交易策略而设计，尤其适用于基于机器学习的策略。通过 PyBroker，您可以轻松创建和优化交易规则、构建强大的模型，并深入了解策略的表现。

核心功能

• 基于 NumPy 构建的超快速回测引擎，并通过 Numba 加速。
• 能够轻松地在多个交易品种上创建和执行交易规则与模型。
• 支持从 Alpaca、Yahoo Finance、AKShare 或者您自己的数据提供商获取历史数据（详情请参阅：自定义数据源）。
• 提供 向前测试分析，模拟策略在实际交易中的表现。
• 更可靠的交易指标，采用随机化的 自助法 来提供更准确的结果。
• 对下载的数据、指标和模型进行缓存，以加快开发速度。
• 并行计算支持，显著提升性能。

借助 PyBroker，您将拥有所有必要的工具，用数据和机器学习打造制胜的交易策略。立即开始使用 PyBroker，让您的交易更上一层楼！

安装

PyBroker 支持 Python 3.9 及以上版本，可在 Windows、Mac 和 Linux 上运行。您可以通过 pip 安装 PyBroker：

   pip install -U lib-pybroker

或者直接克隆 Git 仓库：

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

快速示例

以下代码片段展示了使用 PyBroker 进行回测的基本操作：

基于规则的策略：

   from pybroker import Strategy, YFinance, highest

   def exec_fn(ctx):
      # 获取过去10天的滚动高点。
      high_10d = ctx.indicator('high_10d')
      # 当出现新的10日高点时买入。
      if not ctx.long_pos() && high_10d[-1] > high_10d[-2]:
         ctx.buy_shares = 100
         # 持仓5天。
         ctx.hold_bars = 5
         # 设置2%的止损。
         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))
   # 在预热20天后运行回测。
   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):
      # 使用train_data中存储的指标训练模型。
      ...
      return trained_model

   # 将模型及其训练函数注册到PyBroker。
   my_model = pybroker.model('my_model', train_fn, indicators=[...])

   def exec_fn(ctx):
      preds = ctx.preds('my_model')
      # 根据模型的最新预测开立多头仓位。
      if not ctx.long_pos() && preds[-1] > buy_threshold:
         ctx.buy_shares = 100
      # 根据模型的最新预测平仓多头仓位。
      elif ctx.long_pos() && 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)
   # 使用5个窗口，每窗口50/50的训练/测试数据，在1分钟级别上运行向前测试分析。
   result = strategy.walkforward(timeframe='1m', windows=5, train_size=0.5)

用户指南

• 数据源入门
• 策略回测
• 使用自助法指标评估
• 排名与仓位管理
• 编写指标
• 训练模型
• 创建自定义数据源
• 设置止损
• 调整仓位
• 轮动交易
• 常见问题解答

在线文档

完整的参考文档托管在 www.pybroker.com 上。（中文用户可参阅：中文文档，由 Albert King 提供。）

联系方式

影响市场的股票新闻与预警

为您关注的股票提供人工智能驱动的市场分析。 在 www.movealerts.ai 上，您可以实时接收超过1万只股票的人工智能预警和情绪分析。

PyBroker 快速上手指南

PyBroker 是一个专为 Python 设计的高性能算法交易框架，特别侧重于结合机器学习构建交易策略。它拥有基于 NumPy 和 Numba 加速的回测引擎，支持多标的交易、前向分析（Walkforward Analysis）以及更可靠的自举法（Bootstrapping）评估指标。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows、macOS 或 Linux
• Python 版本：3.9 或更高版本
• 核心依赖：安装过程会自动处理 numpy、numba 等依赖库。

提示：为了获得最佳性能，建议在虚拟环境（如 venv 或 conda）中进行安装。

安装步骤

您可以使用 pip 直接安装最新版本的 PyBroker：

pip install -U lib-pybroker

如果您希望获取源代码或参与贡献，也可以克隆 Git 仓库：

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

基本使用

PyBroker 支持两种主要的策略开发模式：基于规则的策略和基于模型的策略。以下是两个最简化的示例，展示如何快速启动回测。

1. 基于规则的策略 (Rule-based Strategy)

此示例演示如何使用 Yahoo Finance 数据，当价格突破 10 日新高时买入，并持有 5 天。

from pybroker import Strategy, YFinance, highest

def exec_fn(ctx):
    # 获取滚动 10 日最高价指标
    high_10d = ctx.indicator('high_10d')
    # 如果当前没有持仓，且最新收盘价突破前一日的高点（即创 10 日新高）
    if not ctx.long_pos() and high_10d[-1] > high_10d[-2]:
        ctx.buy_shares = 100       # 买入 100 股
        ctx.hold_bars = 5          # 持有 5 个周期
        ctx.stop_loss_pct = 2      # 设置 2% 的止损

# 初始化策略，使用 Yahoo Finance 数据源
strategy = Strategy(YFinance(), start_date='1/1/2022', end_date='7/1/2022')

# 添加执行逻辑和指标定义
strategy.add_execution(
    exec_fn, ['AAPL', 'MSFT'], indicators=highest('high_10d', 'close', period=10))

# 运行回测（设置 20 天的预热期以计算指标）
result = strategy.backtest(warmup=20)

2. 基于模型的策略 (Model-based Strategy)

此示例演示如何注册一个自定义训练函数，并使用前向分析（Walkforward Analysis）在分钟级数据上进行回测。

import pybroker
from pybroker import Alpaca, Strategy

def train_fn(train_data, test_data, ticker):
    # 在此处使用 train_data 中的指标训练您的机器学习模型
    # ...
    return trained_model

# 向 PyBroker 注册模型及其训练函数
my_model = pybroker.model('my_model', train_fn, indicators=[...])

def exec_fn(ctx):
    preds = ctx.preds('my_model')
    # 根据模型预测开仓
    if not ctx.long_pos() and preds[-1] > buy_threshold:
        ctx.buy_shares = 100
    # 根据模型预测平仓
    elif ctx.long_pos() and preds[-1] < sell_threshold:
        ctx.sell_all_shares()

# 配置数据源（此处以 Alpaca 为例，需填入 API 密钥）
alpaca = Alpaca(api_key='YOUR_API_KEY', api_secret='YOUR_API_SECRET')

# 初始化策略
strategy = Strategy(alpaca, start_date='1/1/2022', end_date='7/1/2022')

# 添加执行逻辑和模型
strategy.add_execution(exec_fn, ['AAPL', 'MSFT'], models=my_model)

# 运行前向分析：使用 1 分钟数据，分为 5 个窗口，训练集占比 50%
result = strategy.walkforward(timeframe='1m', windows=5, train_size=0.5)

完成上述步骤后，您即可通过 result 对象查看详细的回测报告和绩效指标。更多高级功能（如自定义数据源、仓位管理等）请参考官方文档。