PyBroker算法交易实战：3步跑通第一个机器学习回测策略

PyBroker算法交易实战：3步跑通第一个机器学习回测策略

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

当你熬夜写出一套交易规则，想在历史行情上验证它到底能不能赚钱时，却发现要么手工回测慢到怀疑人生，要么自己写的回测代码bug一堆、结果根本不敢信。PyBroker这个Python算法交易框架，就是为这套"写规则→拉数据→跑回测→评估结果"的流程而生的，而且它把机器学习建模也直接整合进了回测链路。

一句话说清：PyBroker 是个把"数据源→策略→模型→回测→评估"串成一条流水线的算法交易工具箱，重点支持把机器学习模型塞进策略里做买卖预测。适合想快速验证交易想法、又不想从零造回测引擎的 Python 开发者——新手和有一定经验的交易者都能直接上手。

上手三步：从安装到跑出第一张订单表

第一步：装好环境，准备好数据源

PyBroker 支持 Python 3.11+，一条命令即可安装：

pip install -U lib-pybroker

想边看源码边学的话，也可以把仓库克隆到本地慢慢啃：

git clone https://gitcode.com/gh_mirrors/py/pybroker

数据源方面，它内置了 Yahoo Finance、Alpaca、AKShare 等接入方式，也可以挂上你自己的数据。对新手最友好的就是YFinance，无需注册 API Key，拿来就能用。

第二步：写下第一个策略并触发回测

下面这段代码是一个经典的"创10日新高买入"规则策略：价格突破过去10天的最高价就买入，持有5根K线，同时挂一个2%的止损。

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 ctx.hold_bars = 5 ctx.stop_loss_pct = 2 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)

注意warmup=20：指标需要至少20根K线才能算出有效值，这个参数先记在心里，后面避坑环节还会提到。

第三步：看懂回测结果，别只盯一个收益率数字

回测跑完后，result里装着几样东西：orders_df是逐笔订单明细，metrics是收益率、夏普比率、最大回撤等汇总指标，positions_df则是每天持仓的变化。

上图就是orders_df的样子。每一行是一笔真实生成的订单，你能看到开仓/平仓方向、成交标的、成交价、成交股数，甚至能追溯到这笔单是由哪个信号触发的。养成先翻订单明细、再下结论的习惯，比只看一个总收益率靠谱得多。

实战进阶：三个最值得先玩的功能

进阶一：把机器学习模型接进策略，用 Walkforward 防"马后炮"

PyBroker 最大的卖点，就是模型训练和回测是"长在一起"的。你只需要注册一个模型，在策略里读取它的预测值：

import pybroker from pybroker import Strategy def train_fn(symbol, train_data, test_data): # 用指标特征训练模型 return trained_model my_model = pybroker.model('my_model', train_fn, indicators=[...]) def exec_fn(ctx): preds = ctx.preds('my_model') if not ctx.long_pos() and preds[-1] > 0.6: ctx.buy_shares = 100 elif ctx.long_pos() and preds[-1] < 0.4: ctx.sell_all_shares() strategy.add_execution(exec_fn, ['AAPL'], models=my_model) result = strategy.walkforward(windows=5, train_size=0.5)

这里walkforward是重点：它会像实盘一样，把数据切成多个窗口，始终用"过去的数据训练、未来的数据验证"，避免你用整段历史训练完再去回测同一段历史，得出一个漂亮但虚假的收益。想判断策略是否真的能打，这一步绕不开。

进阶二：自定义指标，几行代码注册进策略

内置指标不够用？PyBroker 支持用纯 Python 写自己的指标函数，注册后就能在策略里通过ctx.indicator(...)取到，用法和内置指标完全一致。写指标时可以访问完整的价格序列，自由度很高，适合把你独特的交易逻辑沉淀成可复用代码。

进阶三：缓存 + 参数优化，别让等待拖垮开发节奏

下载的数据、计算过的指标、训练好的模型都可以被缓存。你会发现调参时数据不用反复下载、指标不用反复重算，开发节奏明显变快。再配合参数优化工具，把策略参数范围丢进去自动搜索最优组合，相当于给策略开发加了个"自动寻优"外挂。

避坑提醒：新手最容易踩的三个坑

• 忘设warmup导致结果全是 NaN。指标前几根K线算不出值，如果你在ctx.indicator(...)里拿到空值还去做比较，轻则报错、重则回测结果悄悄出错。我一开始就吃过这个亏，后来养成习惯：凡是加了指标，先想清楚需要多少根K线的预热期。
• 日期格式和时区没对齐。YFinance 的start_date用的是'1/1/2025'这种格式，写错成'2025-01-01'某些数据源也能解析，但不同数据源行为不一致，最稳妥的办法是统一按官方示例的格式写，并留意数据是否真的有覆盖到起止日期。
• 把"零成本理想回测"当成实盘收益。默认回测里手续费、滑点都是零，模型在盘中跑和盘后回测的表现也有差异。PyBroker 提供了滑点建模等工具，记得在回测里把这些成本加上，评估结果才接近真实。

下一步：从跑通一个 Notebook 开始

看完这篇文章，你已经知道了 PyBroker 解决什么问题、怎么装、怎么跑第一个回测、以及有哪些坑。剩下的就是动手：克隆仓库，从"Getting Started with Data Sources"这个 notebook 开始，把数据源跑通，再依次体验规则策略、模型策略和 Walkforward 回测。别想着一口气全部学会，先让第一个策略在屏幕上跑出订单表格，你就已经跨过算法交易入门最大的那道坎了。现在就去试试吧。🚀

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