AI 助理
文档备案控制台
开发者社区 数据库 文章 正文

PyAlgoTrade 0.20 中文文档（一）（1）

2024-05-30 345
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： PyAlgoTrade 0.20 中文文档（一）

介绍

原文：gbeced.github.io/pyalgotrade/docs/v0.20/html/intro.html

PyAlgoTrade 是一个支持事件驱动的算法交易 Python 库，支持：

  • 使用来自 CSV 文件的历史数据进行回测。
  • 使用 Bitstamp 实时数据进行模拟交易。
  • 在 Bitstamp 上进行真实交易。

它还应该使得使用多台计算机优化策略变得容易。

PyAlgoTrade 是使用 Python 2.7/3.7 开发和测试的，依赖于：

因此，您需要安装这些才能使用此库。

您可以像这样使用 pip 安装 PyAlgoTrade：

pip install pyalgotrade

教程

原文：gbeced.github.io/pyalgotrade/docs/v0.20/html/tutorial.html

本教程的目标是为您快速介绍 PyAlgoTrade。如介绍所述，PyAlgoTrade 的目标是帮助您回测股票交易策略。假设你有一个交易策略的想法，并且想用历史数据评估它的表现，PyAlgoTrade 应该能够让你以最少的努力实现这一点。

在我继续之前，我想感谢 Pablo Jorge，他帮助审查了最初的设计和文档。

本教程是在 UNIX 环境下开发的，但是将其调整到 Windows 环境应该很简单。

PyAlgoTrade 有 6 个主要组件：

  • 策略

  • 数据源

  • 经纪人

  • 数据系列

  • 技术指标

  • 优化器

策略

这些是你定义的类，实现了交易逻辑。什么时候买，什么时候卖，等等。

数据源

这些是提供数据的抽象。例如，你将使用一个 CSV 数据源，从 CSV（逗号分隔值）格式的文件中加载柱状图，以向策略提供数据。数据源不限于柱状图。例如，有一个 Twitter 数据源，允许将 Twitter 事件纳入交易决策中。

经纪人

经纪人负责执行订单。

数据系列

数据系列是用于管理时间序列数据的抽象。

技术指标

这些是一组过滤器，你用它们对 DataSeries 进行计算。例如 SMA（简单移动平均）、RSI（相对强弱指标）等。这些过滤器被建模为 DataSeries 装饰器。

优化器

这些是一组允许您在不同计算机之间分发回测的类，或者在同一计算机上运行的不同进程之间分发回测的类，或者两者兼而有之。它们使水平扩展变得容易。

说了这么多，我们测试策略所需的第一件事是一些数据。让我们使用 2000 年 Oracle 的股价，我们将使用以下命令下载：

python -m "pyalgotrade.tools.quandl" --source-code="WIKI" --table-code="ORCL" --from-year=2000 --to-year=2000 --storage=. --force-download --frequency=daily

pyalgotrade.tools.quandl 工具从Quandl下载 CSV 格式的数据。WIKI-ORCL-2000-quandl.csv的前几行应该是这样的：

Date,Open,High,Low,Close,Volume,Ex-Dividend,Split Ratio,Adj. Open,Adj. High,Adj. Low,Adj. Close,Adj. Volume
2000-12-29,30.88,31.31,28.69,29.06,31702200.0,0.0,1.0,28.121945213877797,28.513539658242028,26.127545601883227,26.46449896098733,31702200.0
2000-12-28,30.56,31.63,30.38,31.06,25053600.0,0.0,1.0,27.830526092490462,28.804958779629363,27.666602836710087,28.285868469658173,25053600.0
2000-12-27,30.38,31.06,29.38,30.69,26437500.0,0.0,1.0,27.666602836710087,28.285868469658173,26.755918082374667,27.94891511055407,26437500.0
2000-12-26,31.5,32.19,30.0,30.94,20589500.0,0.0,1.0,28.68656976156576,29.3149422420572,27.32054263006263,28.176586299137927,20589500.0
2000-12-22,30.38,31.98,30.0,31.88,35568200.0,0.0,1.0,27.666602836710087,29.123698443646763,27.32054263006263,29.032629968213218,35568200.0
2000-12-21,27.81,30.25,27.31,29.5,46719700.0,0.0,1.0,25.326143018068056,27.548213818646484,24.870800640900345,26.86520025289492,46719700.0
2000-12-20,28.06,29.81,27.5,28.5,54440500.0,0.0,1.0,25.55381420665191,27.147512526738897,25.043830744224078,25.9545154985595,54440500.0
2000-12-19,31.81,33.13,30.13,30.63,58653700.0,0.0,1.0,28.968882035409738,30.170985911132497,27.438931648126232,27.894274025293942,58653700.0
2000-12-18,30.0,32.44,29.94,32.0,61640100.0,0.0,1.0,27.32054263006263,29.542613430641055,27.265901544802503,29.14191213873347,61640100.0

让我们从一个简单的策略开始，即一个只是打印处理的收盘价的策略：

from pyalgotrade import strategy
from pyalgotrade.barfeed import quandlfeed
class MyStrategy(strategy.BacktestingStrategy):
    def __init__(self, feed, instrument):
        super(MyStrategy, self).__init__(feed)
        self.__instrument = instrument
    def onBars(self, bars):
        bar = bars[self.__instrument]
        self.info(bar.getClose())
# Load the bar feed from the CSV file
feed = quandlfeed.Feed()
feed.addBarsFromCSV("orcl", "WIKI-ORCL-2000-quandl.csv")
# Evaluate the strategy with the feed's bars.
myStrategy = MyStrategy(feed, "orcl")
myStrategy.run()

代码正在做三件主要的事情：

  1. 声明一个新策略。只需定义一个方法，onBars，它会在每个数据源的柱状图上调用。
  2. 从 CSV 文件加载数据源。
  3. 用数据源提供的柱状图运行策略。

如果你运行这个脚本，你应该按顺序看到收盘价：

2000-01-03 00:00:00 strategy [INFO] 118.1
2000-01-04 00:00:00 strategy [INFO] 107.7
2000-01-05 00:00:00 strategy [INFO] 103.5
.
.
.
2000-12-27 00:00:00 strategy [INFO] 30.69
2000-12-28 00:00:00 strategy [INFO] 31.06
2000-12-29 00:00:00 strategy [INFO] 29.06

让我们继续使用一个打印收盘 SMA 价格的策略，以说明技术指标的使用方法：

from pyalgotrade import strategy
from pyalgotrade.barfeed import quandlfeed
from pyalgotrade.technical import ma
def safe_round(value, digits):
    if value is not None:
        value = round(value, digits)
    return value
class MyStrategy(strategy.BacktestingStrategy):
    def __init__(self, feed, instrument):
        super(MyStrategy, self).__init__(feed)
        # We want a 15 period SMA over the closing prices.
        self.__sma = ma.SMA(feed[instrument].getCloseDataSeries(), 15)
        self.__instrument = instrument
    def onBars(self, bars):
        bar = bars[self.__instrument]
        self.info("%s  %s" % (bar.getClose(), safe_round(self.__sma[-1], 2)))
# Load the bar feed from the CSV file
feed = quandlfeed.Feed()
feed.addBarsFromCSV("orcl", "WIKI-ORCL-2000-quandl.csv")
# Evaluate the strategy with the feed's bars.
myStrategy = MyStrategy(feed, "orcl")
myStrategy.run()

这与前面的示例非常相似，只是：

  1. 我们正在对收盘价数据系列初始化 SMA 过滤器。

  3. 我们打印当前 SMA 值以及收盘价。

如果你运行脚本，你应该会看到收盘价和相应的 SMA 值，但在这种情况下，前 14 个 SMA 值为 None。这是因为我们需要至少 15 个值才能从 SMA 中得到结果：

2000-01-03 00:00:00 strategy [INFO] 118.1 None
2000-01-04 00:00:00 strategy [INFO] 107.7 None
2000-01-05 00:00:00 strategy [INFO] 103.5 None
2000-01-06 00:00:00 strategy [INFO] 96.0 None
2000-01-07 00:00:00 strategy [INFO] 103.4 None
2000-01-10 00:00:00 strategy [INFO] 115.8 None
2000-01-11 00:00:00 strategy [INFO] 112.4 None
2000-01-12 00:00:00 strategy [INFO] 105.6 None
2000-01-13 00:00:00 strategy [INFO] 105.1 None
2000-01-14 00:00:00 strategy [INFO] 106.8 None
2000-01-18 00:00:00 strategy [INFO] 111.3 None
2000-01-19 00:00:00 strategy [INFO] 57.13 None
2000-01-20 00:00:00 strategy [INFO] 59.25 None
2000-01-21 00:00:00 strategy [INFO] 59.69 None
2000-01-24 00:00:00 strategy [INFO] 54.19 94.4
2000-01-25 00:00:00 strategy [INFO] 56.44 90.29
.
.
.
2000-12-27 00:00:00 strategy [INFO] 30.69 29.99
2000-12-28 00:00:00 strategy [INFO] 31.06 30.05
2000-12-29 00:00:00 strategy [INFO] 29.06 30.1

当值无法在给定时间计算时，所有的技术指标都将返回 None。

有关技术指标的一个重要事项是它们可以组合使用。这是因为它们也被建模为 DataSeries。例如，获取收盘价上的 RSI 上的 SMA 就像这样简单：

from pyalgotrade import strategy
from pyalgotrade.barfeed import quandlfeed
from pyalgotrade.technical import ma
from pyalgotrade.technical import rsi
def safe_round(value, digits):
    if value is not None:
        value = round(value, digits)
    return value
class MyStrategy(strategy.BacktestingStrategy):
    def __init__(self, feed, instrument):
        super(MyStrategy, self).__init__(feed)
        self.__rsi = rsi.RSI(feed[instrument].getCloseDataSeries(), 14)
        self.__sma = ma.SMA(self.__rsi, 15)
        self.__instrument = instrument
    def onBars(self, bars):
        bar = bars[self.__instrument]
        self.info("%s  %s  %s" % (
            bar.getClose(), safe_round(self.__rsi[-1], 2), safe_round(self.__sma[-1], 2)
        ))
# Load the bar feed from the CSV file
feed = quandlfeed.Feed()
feed.addBarsFromCSV("orcl", "WIKI-ORCL-2000-quandl.csv")
# Evaluate the strategy with the feed's bars.
myStrategy = MyStrategy(feed, "orcl")
myStrategy.run()

如果你运行脚本，你应该会在屏幕上看到一堆值，其中：

  • 前 14 个 RSI 值为 None。这是因为我们需要至少 15 个值才能得到一个 RSI 值。

  • 前 28 个 SMA 值为 None。这是因为前 14 个 RSI 值为 None，而第 15 个是 SMA 过滤器收到的第一个非 None 值。只有当我们有 15 个非 None 值时，才能计算 SMA（15）。
2000-01-03 00:00:00 strategy [INFO] 118.1 None None
2000-01-04 00:00:00 strategy [INFO] 107.7 None None
2000-01-05 00:00:00 strategy [INFO] 103.5 None None
2000-01-06 00:00:00 strategy [INFO] 96.0 None None
2000-01-07 00:00:00 strategy [INFO] 103.4 None None
2000-01-10 00:00:00 strategy [INFO] 115.8 None None
2000-01-11 00:00:00 strategy [INFO] 112.4 None None
2000-01-12 00:00:00 strategy [INFO] 105.6 None None
2000-01-13 00:00:00 strategy [INFO] 105.1 None None
2000-01-14 00:00:00 strategy [INFO] 106.8 None None
2000-01-18 00:00:00 strategy [INFO] 111.3 None None
2000-01-19 00:00:00 strategy [INFO] 57.13 None None
2000-01-20 00:00:00 strategy [INFO] 59.25 None None
2000-01-21 00:00:00 strategy [INFO] 59.69 None None
2000-01-24 00:00:00 strategy [INFO] 54.19 23.6 None
2000-01-25 00:00:00 strategy [INFO] 56.44 25.1 None
2000-01-26 00:00:00 strategy [INFO] 55.06 24.78 None
2000-01-27 00:00:00 strategy [INFO] 51.81 24.0 None
2000-01-28 00:00:00 strategy [INFO] 47.38 22.94 None
2000-01-31 00:00:00 strategy [INFO] 49.95 25.01 None
2000-02-01 00:00:00 strategy [INFO] 54.0 28.27 None
2000-02-02 00:00:00 strategy [INFO] 54.31 28.53 None
2000-02-03 00:00:00 strategy [INFO] 56.69 30.58 None
2000-02-04 00:00:00 strategy [INFO] 57.81 31.58 None
2000-02-07 00:00:00 strategy [INFO] 59.94 33.53 None
2000-02-08 00:00:00 strategy [INFO] 59.56 33.35 None
2000-02-09 00:00:00 strategy [INFO] 59.94 33.73 None
2000-02-10 00:00:00 strategy [INFO] 62.31 36.23 None
2000-02-11 00:00:00 strategy [INFO] 59.69 34.68 29.06
2000-02-14 00:00:00 strategy [INFO] 62.19 37.44 29.98
.
.
.
2000-12-27 00:00:00 strategy [INFO] 30.69 51.31 49.85
2000-12-28 00:00:00 strategy [INFO] 31.06 52.16 50.0
2000-12-29 00:00:00 strategy [INFO] 29.06 47.37 50.08

PyAlgoTrade 0.20 中文文档（一）（2）https://developer.aliyun.com/article/1524141

文章标签：
Python
关系型数据库
Unix
Oracle
算法
布客飞龙
目录
相关文章
游客eowof6ca4zztg
|
9月前
|
JavaScript 调度 数据中心
企业中所用的PMC和BOM有什么区别？
在制造企业管理中，BOM（物料清单）和PMC（生产物料控制）是理顺生产节奏的关键。BOM明确产品所需物料结构，支撑采购、成本和生产计划；PMC则确保物料及时到位，协调订单、产能与交付。本文详解BOM与PMC的管理要点及如何通过系统实现精细化控制。
游客eowof6ca4zztg
595 0
john散漫
|
编解码 监控 网络协议
HLS 和 RTSP 的优势
【10月更文挑战第25天】HLS和RTSP各自的优势使其在不同的应用场景中发挥着重要作用。HLS适用于需要广泛兼容性、自适应码率和简单部署的场景，如在线视频点播、直播等；而RTSP则更适合对实时性、精确播放控制和互操作性要求较高的专业级实时流媒体应用。了解它们的优势有助于根据具体的项目需求选择最合适的流媒体传输协议。
john散漫
611 61
aliyun7362823750
|
敏捷开发 存储 数据挖掘
最佳进度跟踪工具推荐：如何提高工作效率并按时完成任务？
本文介绍了6款高效的项目进度跟踪工具，包括Banli Kanban、TeamGantt、ZenHub、LiquidPlanner、Smartsheet和Redmine，详细阐述了它们的特点、适用场景及推荐理由，旨在帮助团队根据自身需求选择最合适的工具，提升项目管理效率和团队协作能力。
aliyun7362823750
1330 4
最佳进度跟踪工具推荐：如何提高工作效率并按时完成任务？
布客飞龙
PyAlgoTrade 0.20 中文文档（一）（2）
PyAlgoTrade 0.20 中文文档（一）
布客飞龙
195 0
BetterBench
|
机器学习/深度学习 算法
【机器学习】不同决策树的节点分裂准则(属性划分标准)
决策树的不同节点分裂准则，包括原始决策树的节点分裂准则、ID3算法的信息增益、C4.5算法的信息增益比以及CART算法的平方根误差最小化和基尼指数。
BetterBench
654 1
宋晨明
|
存储 机器学习/深度学习 TensorFlow
NVIDIA Triton系列04-创建模型仓
Triton推理模型仓库是NVIDIA Triton推理服务器的基础组件，用于组织和管理模型及其相关资源。本文介绍如何创建模型仓库，包括目录结构、文件内容及配置方法，适用于本地和云端环境。通过在NVIDIA Jetson AGX Orin平台上实践，帮助读者快速上手。
宋晨明
291 0
游客6ma7kn7fc4jf6
|
数据可视化 定位技术 数据格式
看完这篇文章，我才知道 Python 制作动态图表的正确方式
关于动态图表，相信大家都或多或少的接触过一些，如果是代码水平比较不错的，可以选择 Matplotlib，当然也可以使用 pyecharts 的相关功能，不过这些工具都专注于图表的制作，也就是对于图表的数据，你是需要自行转换的。而今天介绍的这个可视化图库，完美的结合了 Pandas 数据格式，又辅以 Matplotlib 的强大功能，使得我们制作动图变得容易的多了。
游客6ma7kn7fc4jf6
618 0
看完这篇文章，我才知道 Python 制作动态图表的正确方式
布客飞龙
PyAlgoTrade 0.20 中文文档（一）（4）
PyAlgoTrade 0.20 中文文档（一）
布客飞龙
239 0
布客飞龙
|
安全
PyAlgoTrade 0.20 中文文档（一）（3）
PyAlgoTrade 0.20 中文文档（一）
布客飞龙
217 0