PyBroker: 基于Python和机器学习的算法交易框架

在当今复杂多变的金融市场中,算法交易已经成为投资者和交易员不可或缺的工具。而随着人工智能和机器学习技术的快速发展,将这些先进技术应用于交易策略的需求也日益增长。在这样的背景下,PyBroker应运而生,为量化交易者提供了一个强大而灵活的开发平台。

PyBroker简介

PyBroker是一个开源的Python框架,专门用于开发算法交易策略,尤其适合那些利用机器学习的策略。它由Edward West开发,旨在让交易者能够轻松地创建和优化交易规则、构建强大的模型,并深入分析策略的性能。

PyBroker Logo

PyBroker支持Python 3.9及以上版本,可以在Windows、Mac和Linux系统上运行。用户可以通过pip轻松安装:

pip install -U lib-pybroker

或者直接从GitHub克隆源代码:

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

PyBroker的主要特性

PyBroker提供了一系列强大的功能,使其成为开发和测试交易策略的理想工具:

高速回测引擎: PyBroker的回测引擎基于NumPy构建,并通过Numba加速,能够快速模拟和评估交易策略的历史表现。
多样化的数据源: 框架支持从Alpaca、Yahoo Finance和AKShare等多个来源获取历史数据,也允许用户自定义数据源,满足不同的数据需求。
灵活的策略开发: 用户可以轻松创建和执行跨多个金融工具的交易规则和模型,支持复杂的多资产策略。
Walkforward分析: PyBroker提供了Walkforward分析功能,这种方法通过模拟实际交易环境来训练和回测模型,有助于更准确地评估策略的实际表现。
Bootstrap评估指标: 框架使用随机化的bootstrapping方法计算交易指标,提供更可靠和稳健的性能评估结果。
缓存机制: PyBroker会缓存下载的数据、指标和模型,大大加快了开发和测试的速度。
并行计算: 框架利用并行计算技术提高性能,特别适合处理大规模数据和复杂计算。

使用PyBroker开发交易策略

PyBroker的设计理念是简洁而强大的,让用户能够快速实现从简单到复杂的交易策略。以下是两个简单的示例,展示了如何使用PyBroker开发基于规则和基于模型的策略:

基于规则的策略示例:

from pybroker import Strategy, YFinance, highest

def exec_fn(ctx):
    # 获取10天滚动高点
    high_10d = ctx.indicator('high_10d')
    # 在新的10天高点时买入
    if not ctx.long_pos() and high_10d[-1] > high_10d[-2]:
        ctx.buy_shares = 100
        # 持有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))
# 20天预热期后开始回测
result = strategy.backtest(warmup=20)

基于模型的策略示例:

import pybroker
from pybroker import Alpaca, Strategy

def train_fn(train_data, test_data, ticker):
    # 使用train_data中的指标训练模型
    ...
    return trained_model

# 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')
    # 根据模型的最新预测开仓
    if not ctx.long_pos() and preds[-1] > buy_threshold:
        ctx.buy_shares = 100
    # 根据模型的最新预测平仓
    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)
# 在1分钟数据上进行5窗口、50/50训练/测试数据的Walkforward分析
result = strategy.walkforward(timeframe='1m', windows=5, train_size=0.5)