30分钟跑通第一个量化回测：PyBroker 算法交易框架新手实战

30分钟跑通第一个量化回测：PyBroker 算法交易框架新手实战

【免费下载链接】pybrokerAlgorithmic Trading in Python with Machine Learning项目地址: https://gitcode.com/gh_mirrors/py/pybroker

PyBroker 是一个用 Python 写成的算法交易框架，核心卖点是把机器学习模型顺畅地接进回测流程。它自带高速回测引擎、多个行情数据源和一套完整的策略评估工具，新手完全可以在半小时内跑通自己的第一条策略。这篇文章不打算平铺直叙地罗列功能，而是带你按真实的上手顺序走一遍：装环境、取数据、写规则、加模型、看结果，每一步都告诉你为什么这么做。

开工前五分钟：装好库、选对行情源

安装没什么悬念，Python 3.11 以上的环境里一行命令即可完成：

pip install -U lib-pybroker

装好之后，第一个要面对的问题就是：行情数据从哪来？PyBroker 给你留了好几条路：

• 想省事用免费数据，YFinance直接帮你对接雅虎财经；
• 想要更规整的历史 K 线，可以用Alpaca，只需申请一对 API 密钥；
• 对 A 股感兴趣，AKShare数据源放在 ext 扩展模块里，拿来即用；
• 数据本来就在你自己手里？那更简单，Strategy可以直接吃下一个 DataFrame，或者实现一个DataSource子类喂进去。

把数据源想象成水龙头，PyBroker 只关心出水口规不规整——只要你的 DataFrame 带 date、open、high、low、close 这些基本列，它就能开工。想了解自定义数据源的具体写法，docs/source/notebooks/ 目录下的第 7 个 notebook 讲得很细。

十分钟写出一条带止损的买入规则

现在到了最有成就感的环节。写策略的核心，是定义一个"每个 bar 都会被调用"的函数，PyBroker 管它叫执行函数。在这个函数里，你可以通过ctx拿到当前的价格、指标数值和持仓状态，然后决定买还是卖。

举一个最经典的例子：股价创出 10 日新高就买入，持仓 5 天，同时挂一个 2% 的止损。

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 ctx.hold_bars = 5 ctx.stop_loss_pct = 2

然后把执行函数挂到策略上，指定要交易的标的和指标，调用backtest就完事了：

strategy = Strategy(YFinance(), start_date='1/1/2025', end_date='8/1/2026') strategy.add_execution( exec_fn, ['AAPL', 'MSFT'], indicators=highest('high_10d', 'close', period=10)) result = strategy.backtest(warmup=20)

看到这里你应该能感觉到：规则函数只负责"做决定"，至于撮合成交、计算手续费、触发止损这些脏活累活，全被引擎承包了。这套回测引擎底层用 NumPy 加 Numba 编译加速，哪怕一次跑几十个标的的历史数据，也不会慢到让你有功夫去冲杯咖啡。

三步把预测模型接入你的交易决策

纯规则策略写起来很爽，但天花板也明显——规则终究是人拍脑袋定的。PyBroker 的另一半魅力，在于可以把机器学习模型直接变成交易信号的来源，相当于给策略装上一个"预测大脑"。

整个过程拆开只有三步：

1. 用pybroker.model('my_model', train_fn, indicators=[...])注册模型，告诉框架"这个模型靠哪些指标做预测"；
2. 在train_fn(symbol, train_data, test_data)里完成训练并返回模型；
3. 在执行函数里用ctx.preds('my_model')取最新预测值，超过买入阈值就进场，跌破卖出阈值就清仓。

模型训练和回测采用的是一种叫"滚动窗口（Walkforward）"的机制：把历史数据切成一段段连续的训练/测试窗口，模型永远只用自己训练期之前的数据来预测之后的表现。这样得到的回测结果，更接近真实交易里"用昨天的经验赚今天的钱"，而不是一场开卷考试：

result = strategy.walkforward(timeframe='1m', windows=5, train_size=0.5)

这个机制对新手尤其友好，因为它从设计上就挡住了回测圈最常见的作弊手段——前视偏差。在 PyBroker 里，执行函数拿到的数组永远只到当前这根 bar 为止，指标计算也经过了严格检查，想偷看"未来价格"基本没有门路。

回测结果别急着信：先看懂这三个关键指标

回测跑完，result里躺着一堆 DataFrame：订单明细（orders_df）、成交记录（trades_df）、持仓变化（positions_df）和汇总指标（metrics_df）。其中订单表很有看头，它记录了每一笔下单的类型、方向、数量和成交价，还会标注这笔订单是由哪个信号触发的，复盘策略逻辑时非常顺手。

看汇总指标时，建议你多留意三样东西：

• 置信区间：PyBroker 用随机自助抽样（bootstrap）给夏普比率、盈亏因子、最大回撤等指标算出区间，而不是丢给你一个孤零零的数字。区间越窄，说明策略表现越稳定，不是靠几笔运气交易撑起来的；
• 回撤分布：能赚钱的策略很多，扛得住回撤的很少。评估结果对最大回撤同样给出区间估计，别只盯着收益率看；
• 可复现性：同样的输入跑两遍，结果应该完全一致。框架内部对随机种子、求和顺序都做了确定性处理，这样你调参时才能确信"变好是真的变好"。

想批量分析或者对接其他工具，还可以用result.to_json()把回测结果导出成结构化数据。

三招提速回测：缓存、并行与自动调参

跑通之后，你大概率会进入"改来改去"的循环：调参数、加指标、换模型。这时候有三件事值得马上做：

• 开缓存：下载过的行情、算过的指标、训练好的模型都能落盘缓存。下次跑相同逻辑直接命中缓存，重复计算的时间全省了，一行enable_caches()即可全部开启；
• 开并行：多标的、多模型的训练和指标计算都支持并行，set_parallel(n_jobs=...)一条语句搞定；
• 交给搜索算法：手动试参数太累，PyBroker 接入了 Optuna，用hyperparam声明参数范围，再调用optimize，框架会自动帮你搜出表现最好的参数组合。

另外值得一提，PyBroker 内置了一批重新实现的技术指标（ATR、MACD、随机指标、各类动量指标等），并且做了波动率归一化处理，让不同标的上算出的指标值可以直接互相比较——这在多标的策略里非常实用。

下一步怎么走：给三类用户的下手建议

到这里，"半小时跑通"的小目标已经达成。接下来往哪个方向深入，取决于你是谁：

• 纯新手：建议把 docs/source/notebooks/ 里的前几个 notebook 挨个过一遍，从数据接入、写规则到看评估结果，形成完整闭环；
• 有一定经验的交易者：可以钻进自定义数据源、滑点模型和仓位管理，相关逻辑分别在 src/pybroker/slippage.py、src/pybroker/portfolio.py 等模块里，改起来不费劲；
• 爱折腾 AI 的玩家：PyBroker v2 提供了一组 Agent Skills（放在 skills/ 目录下），能让 AI 编程助手直接帮你写策略、造指标、训模型，相当于请了一位会写回测代码的实习生。

最后提醒一句：回测跑得再漂亮，也只是对历史的一种合理猜测。把它当成策略开发的地基，而不是下注的依据。剩下的路，交给时间和实盘去验证。

【免费下载链接】pybrokerAlgorithmic Trading in Python with Machine Learning项目地址: https://gitcode.com/gh_mirrors/py/pybroker