30 分钟从零跑通 PyBroker 机器学习量化回测新手实操指南【免费下载链接】pybrokerAlgorithmic Trading in Python with Machine Learning项目地址: https://gitcode.com/gh_mirrors/py/pybroker你有没有过这种时刻想验证一个创 10 日新高就买入、跌破 2% 就止损的想法于是对着几百行行情手工在表格里算回撤算到凌晨还错了一行好不容易训出一个预测涨跌的模型又卡在模型的输出怎么变成真正的买卖指令这一步。PyBroker就是冲着这两个痛点来的它是一个把机器学习模型和交易规则缝合在一起的 Python 量化回测框架从拉数据、写策略、训模型到跑回测一气呵成。下面我们就用一条机器学习打分选股的策略线把这趟流程完整走一遍。先弄清它替你干了哪三件脏活写回测最烦人的不是策略本身而是三件杂事数据怎么来、订单怎么撮合、结果怎么算得准。PyBroker 把这三点都封装成了简单的 API数据内置 Yahoo Finance、Alpaca、AKShare 等数据源也支持你自定义对应src/pybroker/data.py撮合一个Strategy对象管订单、持仓、手续费和止损核心逻辑在src/pybroker/strategy.py评估夏普比率、最大回撤、胜率等指标直接调用见src/pybroker/eval.py。它底层用 NumPy 写回测引擎、用 Numba 加速跑起来飞快。你不用关心这些细节先记住一个词就行一切从Strategy开始。环境配置与数据获取三行代码拿到历史行情安装很简单一条命令搞定pip install -U lib-pybroker装好后拉数据同样简单。YFinance()会自动下载你指定的股票历史行情而且带缓存——同一批数据只下载一次下次回测秒开。想跟着练的话docs/source/notebooks/1. Getting Started with Data Sources.ipynb这个示例文件就是从数据源讲起的看完你就明白如何换数据源、加缓存。10 行代码写出第一条交易规则有了数据下一步写规则。PyBroker 的写法很直白定义一个函数PyBroker 会在每一根 K 线上调用它你只需要在函数里用ctx对象表达我想做什么。from pybroker import Strategy, YFinance, highest def exec_fn(ctx): high_10d ctx.indicator(high_10d) 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 根 K 线 ctx.stop_loss_pct 2 # 亏损 2% 止损 strategy Strategy(YFinance(), start_date1/1/2025, end_date8/1/2026) strategy.add_execution(exec_fn, [AAPL, MSFT], indicatorshighest(high_10d, close, period10)) result strategy.backtest(warmup20)注意add_execution把同一套规则同时应用到 AAPL 和 MSFT 两只股票上一套策略、多标的共享不用重复写循环。warmup20表示前 20 个交易日只积累数据、不下单避免刚开盘就触发信号。这个例子的完整版在docs/source/notebooks/2. Backtesting a Strategy.ipynb。让机器学习模型参与决策接入一个会打分的选股器纯规则策略只是热身PyBroker 真正的看家本领是让模型参与决策。思路也很朴素先用历史数据训练一个模型预测明天涨还是跌然后让策略参考模型的打分来决定买不买。my_model pybroker.model(my_model, train_fn, indicators[...]) def exec_fn(ctx): preds ctx.preds(my_model) # 取模型预测 if not ctx.long_pos() and preds[-1] buy_threshold: ctx.buy_shares 100你只需要写一个train_fn负责喂数据、出模型PyBroker 会自动完成训练集/测试集切分并用Walkforward 分析模拟真实交易场景在滚动窗口里反复训练一段、回测一段最大程度还原策略上实盘后的表现。相关示例见docs/source/notebooks/6. Training a Model.ipynb模型注册的完整 API 在src/pybroker/model.py。回测结果怎么看读懂 orders_df 订单明细表回测跑完第一件事是看它到底买卖了什么。result.orders_df就是一份完整的订单明细表每笔订单的买卖方向、标的、数量、成交价、费用全在里面你可以像审查真实交易记录一样逐笔核对。orders_df把回测中每一笔订单的成交细节都记录下来方便你核对策略行为比如表格里能看到 MSFT 在 2017 年 3 月以 63.95 买入、随后以 64.67 触发止损卖出也能看到 TSLA 的市价单成交记录。如果订单和你预想的不一样多半是规则写错了——这正是先看明细表再谈收益的原因。用 bootstrap 指标给策略打分别被一次运气骗了收益数字会骗人。一次漂亮的回测可能只是运气好尤其是样本少的时候。PyBroker 在src/pybroker/eval.py里提供了bootstrap自助抽样评估对交易序列反复重采样算出夏普比率、最大回撤、盈利因子等指标的置信区间。一句话解释它的意义它告诉你这次赚钱到底是实力还是运气。具体用法和结果解读看docs/source/notebooks/3. Evaluating with Bootstrap Metrics.ipynb这份示例最直观。看完你会养成一个好习惯回测报告里除了收益永远多看一眼区间和回撤。进阶三件套缓存、并行与参数优化然后动手到这你已经能跑通完整流程了接下来三个进阶能力可以按需解锁缓存加速数据、指标、训练好的模型都可以缓存反复调参时不重复计算见src/pybroker/cache.py并行计算多标的回测和模型训练支持并行多核机器上提速明显见src/pybroker/parallel.py参数优化结合 Optuna 自动搜索最优参数比如止损比例设多少最合适不用再手动穷举。最后留一个开放问题给你动手把上面的buy_threshold换成一个你手工写的新指标看看策略表现会怎么变跑一次改一次记录下每次的 bootstrap 区间——这个习惯比任何教程都管用。先从修改docs/source/notebooks/2. Backtesting a Strategy.ipynb里的第一行代码开始吧。【免费下载链接】pybrokerAlgorithmic Trading in Python with Machine Learning项目地址: https://gitcode.com/gh_mirrors/py/pybroker创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考