多个时间区间

你可能希望以不同于底层数据源的时间框架来做出交易决策。例如，你可以选择在通过周线或月线确认趋势后，在日线上执行交易。PyBroker v2 支持将回测数据压缩为更长的时间区间，并让这些压缩后的 K 线可供你的策略使用。

区间类型

你可以使用以下三种格式中的任意一种来定义时间区间：

每 n 根 K 线 （大于 1 的 int）：将每 n 根基础 K 线压缩为一根 K 线。在日线数据上使用 5 会每五个交易日生成一根 K 线。
时长（str）：以数字加单个单位字母（s、m、h 或 d）表示的固定时间跨度。传入 "5m" 会将 1 分钟 K 线压缩为 5 分钟 K 线。
日历（str）：使用以下选项之一，将压缩后的 K 线对齐到日历边界：

日历字符串	边界对齐
`"daily"`	标准的每日边界。
`"weekly"`	从周一开始。
`"monthly"`	从每月 1 日开始。
`"quarterly"`	从 1 月、4 月、7 月和 10 月开始。
`"yearly"`	从 1 月 1 日开始。

你所选择的时间区间必须始终长于被压缩的 K 线。例如，如果你从 YFinance 获取日线数据，那么 "weekly" 和 "monthly" 都是有效的时间区间。尝试使用 "daily" 或 "1h" 将引发 ValueError。

在策略中使用时间区间之前，让我们先通过直接压缩 K 线来建立一些直观认识。我们将从下载日线数据开始：

[1]:

import pybroker
from pybroker import Strategy, YFinance

pybroker.enable_data_source_cache("multiple_time_intervals")

yfinance = YFinance()
df = yfinance.query(
    ["AMD", "NVDA", "INTC"], start_date="1/1/2021", end_date="1/1/2026"
)
df.head()

Loading bar data...

[*********************100%***********************]  3 of 3 completed

Loaded bar data: 0:00:00

[1]:

	date	symbol	open	high	low	close	volume	adj_close
0	2021-01-04	AMD	92.110001	96.059998	90.919998	92.300003	51802600	92.300003
1	2021-01-04	INTC	49.889999	51.389999	49.400002	49.669998	46102500	44.902931
2	2021-01-04	NVDA	13.104250	13.652500	12.962500	13.113500	560640000	13.060796
3	2021-01-05	AMD	92.099998	93.209999	91.410004	92.769997	34208000	92.769997
4	2021-01-05	INTC	49.450001	50.830002	49.330002	50.610001	24866600	45.752716

压缩 K 线

compress_bars 函数可将 OHLCV 数据（可以是 Pandas DataFrame 或 BarData）转换为更长的时间区间，并以新的 BarData 对象形式返回结果。每根压缩后的 K 线都以其所包含的最后一根基础 K 线的日期作为时间戳。

在将基础 K 线分组为压缩 K 线时，数据将按以下方式聚合：

开盘价： 取自第一根基础 K 线。
最高价 / 最低价： 取最高价中的最高值和最低价中的最低值。
收盘价： 取自最后一根基础 K 线。
成交量： 各成交量之和。
VWAP： 成交量加权平均价。
自定义列： 取该周期内的最后一个值（例如 YFinance 的 adj_close）。

你还必须提供 base_timeframe 参数，以声明输入 K 线的间隔（例如，日线数据对应 "1d"）。

让我们将 AMD 压缩为日历周，并使用 bars_to_df 将结果显示为 Pandas DataFrame：

[2]:

from pybroker import compress_bars
from pybroker.common import bars_to_df


amd_df = df[df["symbol"] == "AMD"]
bars_to_df(compress_bars(amd_df, "weekly", base_timeframe="1d")).head()

[2]:

	date	open	high	low	close	volume	adj_close
0	2021-01-08	92.110001	96.400002	89.459999	94.580002	220635900.0	94.580002
1	2021-01-15	94.029999	99.230003	87.860001	88.209999	279733900.0	88.209999
2	2021-01-22	89.559998	95.949997	87.239998	92.790001	205817500.0	92.790001
3	2021-01-29	94.139999	95.739998	85.019997	85.639999	291661400.0	85.639999
4	2021-02-05	86.830002	89.480003	84.660004	87.900002	169582500.0	87.900002

每 n 根 K 线压缩的方式相同。在此示例中，每 5 根日线合并为一根 K 线：

[3]:

bars_to_df(compress_bars(amd_df, 5, base_timeframe="1d")).head()

[3]:

	date	open	high	low	close	volume	adj_close
0	2021-01-08	92.110001	96.400002	89.459999	94.580002	220635900.0	94.580002
1	2021-01-15	94.029999	99.230003	87.860001	88.209999	279733900.0	88.209999
2	2021-01-25	89.559998	95.949997	87.239998	94.129997	260904400.0	94.129997
3	2021-02-01	94.910004	95.720001	84.660004	87.660004	278933800.0	87.660004
4	2021-02-08	88.489998	91.989998	86.879997	91.470001	174863100.0	91.470001

多时间框架策略

在构建回测时，你可以通过向 add_execution 传递 intervals 参数来使用更高的时间框架。随后，你的执行函数便可通过 ctx.interval 访问这些压缩后的 K 线，该方法会返回一个只读的 IntervalContext。

使用 intervals 参数仅提供压缩后的 K 线。除非像本文档后续内容那样显式绑定，否则指标和模型永远不会在这些区间上计算。

为防止前视偏差，ctx.interval 只会公开 已完成 的 K 线。例如，当前正在形成的这一周或这一月永远不可见，从而确保未来数据不会泄漏到你的每日交易决策中。

在下面的策略中，我们将在日线上执行交易，同时使用更长的时间区间来生成不同的交易信号：

月线（市场状态）： 仅当最后一根已完成的月线收盘价高于三个月前的收盘价时才建仓。
周线（趋势）： 仅当最后一根已完成的周线收盘价高于十周前的收盘价时才建仓，跌破时平仓。
日线（择时）： 在首根日线收盘价高于最后一根已完成的周线收盘价时建仓。

[4]:

def buy_with_trend(ctx):
    weekly = ctx.interval("weekly")
    monthly = ctx.interval("monthly")
    # Wait until enough completed weekly and monthly bars exist.
    if len(weekly.close) < 10 or len(monthly.close) < 4:
        return
    regime_up = monthly.close[-1] > monthly.close[-4]
    trend_up = weekly.close[-1] > weekly.close[-10]
    pos = ctx.long_pos()
    if not pos and regime_up and trend_up and ctx.close[-1] > weekly.close[-1]:
        ctx.buy_shares = 100
    elif pos and not trend_up:
        ctx.sell_all_shares()


strategy = Strategy(yfinance, start_date="1/1/2021", end_date="1/1/2026")
strategy.add_execution(
    buy_with_trend,
    ["AMD", "NVDA", "INTC"],
    intervals=["weekly", "monthly"],
)
result = strategy.backtest(timeframe="1d")
result.metrics_df.head(20)

Backtesting: 2021-01-01 00:00:00 to 2026-01-01 00:00:00

Loaded cached bar data.

Test split: 2021-01-04 00:00:00 to 2025-12-31 00:00:00

100% (1255 of 1255) |####################| Elapsed Time: 0:00:00 Time:  0:00:00


Finished backtest: 0:00:00

[4]:

	name	value
0	trade_count	25
1	initial_market_value	100000.0
2	end_market_value	118433.0
3	total_pnl	18433.0
4	unrealized_pnl	0.0
5	total_return_pct	18.433
6	total_profit	28083.0
7	total_loss	-9650.0
8	total_fees	0.0
9	max_drawdown	-9555.0
10	max_drawdown_pct	-7.797903
11	max_drawdown_date	2025-05-19 00:00:00
12	win_rate	60.0
13	loss_rate	40.0
14	winning_trades	15
15	losing_trades	10
16	avg_pnl	737.32
17	avg_return_pct	18.0996
18	avg_trade_bars	57.08
19	avg_profit	1872.2

将指标绑定到区间

要在压缩 K 线上计算指标，请使用 Indicator.intervals(…) 将其绑定到一个或多个区间。

下面的示例更新了周线趋势规则，将周线收盘价与基于周线计算的 10 根 K 线 SMA 进行比较：

[5]:

from pybroker.vect import sumv

sma_10 = pybroker.indicator("sma_10", lambda data: sumv(data.close, 10) / 10)


def buy_with_indicator(ctx):
    weekly = ctx.interval("weekly")
    monthly = ctx.interval("monthly")
    # Wait until enough completed weekly and monthly bars exist.
    if len(weekly.close) < 10 or len(monthly.close) < 4:
        return
    wk_sma = weekly.indicator("sma_10")
    regime_up = monthly.close[-1] > monthly.close[-4]
    trend_up = weekly.close[-1] > wk_sma[-1]
    pos = ctx.long_pos()
    if not pos and regime_up and trend_up and ctx.close[-1] > wk_sma[-1]:
        ctx.buy_shares = 100
    elif pos and not trend_up:
        ctx.sell_all_shares()


strategy = Strategy(yfinance, start_date="1/1/2021", end_date="1/1/2026")
strategy.add_execution(
    buy_with_indicator,
    ["AMD", "NVDA", "INTC"],
    indicators=sma_10.intervals("weekly"),
    intervals="monthly",
)

PyBroker 会自动将已绑定的区间与执行函数的 intervals 参数取并集，因此示例中的 "weekly" 区间可通过 ctx.interval(“weekly”) 访问。此时 intervals 参数只需指定 "monthly"，用于提供原始的月线数据。

请注意，绑定会覆盖在数据源基础时间框架上计算该指标的行为。若要同时在数据源的基础时间框架上计算该指标，需向 Indicator.intervals() 传入 "base"。

[6]:

result = strategy.backtest(timeframe="1d")
result.metrics_df.head(20)

Backtesting: 2021-01-01 00:00:00 to 2026-01-01 00:00:00

Loaded cached bar data.

Computing indicators...

100% (3 of 3) |##########################| Elapsed Time: 0:00:00 Time:  0:00:00


Test split: 2021-01-04 00:00:00 to 2025-12-31 00:00:00

100% (1255 of 1255) |####################| Elapsed Time: 0:00:00 Time:  0:00:00


Finished backtest: 0:00:00

[6]:

	name	value
0	trade_count	36
1	initial_market_value	100000.0
2	end_market_value	120278.0
3	total_pnl	20361.0
4	unrealized_pnl	-83.0
5	total_return_pct	20.361
6	total_profit	31960.0
7	total_loss	-11599.0
8	total_fees	0.0
9	max_drawdown	-9555.0
10	max_drawdown_pct	-7.398317
11	max_drawdown_date	2025-11-21 00:00:00
12	win_rate	47.222222
13	loss_rate	52.777778
14	winning_trades	17
15	losing_trades	19
16	avg_pnl	565.583333
17	avg_return_pct	10.874444
18	avg_trade_bars	38.972222
19	avg_profit	1880.0

在区间上训练模型

你可以用相同的方式，通过 ModelSource.intervals(…) 绑定模型。PyBroker 接着会使用该区间的压缩 K 线以及任何已注册的指标，为每个区间训练模型。随后，你可以在该区间的上下文上调用 preds 方法来获取该区间的预测结果。

本示例训练一个 LinearRegression 模型，根据周线收盘价预测下一周的收益率：

[7]:

from sklearn.linear_model import LinearRegression


def train_weekly(symbol, train_data, test_data):
    # Predict the next weekly return from the weekly close.
    returns = train_data["close"].pct_change().shift(-1)
    train_rows = train_data.assign(pred=returns).dropna()
    model = LinearRegression()
    model.fit(train_rows[["close"]], train_rows[["pred"]])
    return model, ["close"]


model_weekly = pybroker.model("weekly_slr", train_weekly)


def hold_with_model(ctx):
    preds = ctx.interval("weekly").preds("weekly_slr")
    if len(preds) == 0:
        return
    if not ctx.long_pos():
        if preds[-1] > 0:
            ctx.buy_shares = 100
    elif preds[-1] < 0:
        ctx.sell_all_shares()


strategy = Strategy(yfinance, start_date="1/1/2021", end_date="1/1/2026")
strategy.add_execution(
    hold_with_model,
    ["AMD", "NVDA", "INTC"],
    models=model_weekly.intervals("weekly"),
)

在 Walkforward Analysis 过程中，区间模型训练数据与测试数据之间的 lookahead 将以压缩 K 线为单位强制执行，以防止未来数据泄漏。

[8]:

result = strategy.walkforward(windows=3, train_size=0.5, timeframe="1d")
result.metrics_df.head(20)

Backtesting: 2021-01-01 00:00:00 to 2026-01-01 00:00:00

Loaded cached bar data.

Train split: 2021-01-07 00:00:00 to 2022-04-04 00:00:00
Finished training models: 0:00:00

Test split: 2022-04-05 00:00:00 to 2023-07-05 00:00:00

100% (313 of 313) |######################| Elapsed Time: 0:00:00 Time:  0:00:00


Train split: 2022-04-05 00:00:00 to 2023-07-05 00:00:00
Finished training models: 0:00:00

Test split: 2023-07-06 00:00:00 to 2024-10-01 00:00:00

100% (313 of 313) |######################| Elapsed Time: 0:00:00 Time:  0:00:00


Train split: 2023-07-06 00:00:00 to 2024-10-01 00:00:00
Finished training models: 0:00:00

Test split: 2024-10-02 00:00:00 to 2025-12-31 00:00:00

100% (313 of 313) |######################| Elapsed Time: 0:00:00 Time:  0:00:00


Finished backtest: 0:00:00

[8]:

	name	value
0	trade_count	10
1	initial_market_value	100000.0
2	end_market_value	123627.0
3	total_pnl	23627.0
4	unrealized_pnl	0.0
5	total_return_pct	23.627
6	total_profit	25186.0
7	total_loss	-1559.0
8	total_fees	0.0
9	max_drawdown	-13776.0
10	max_drawdown_pct	-12.158334
11	max_drawdown_date	2025-04-08 00:00:00
12	win_rate	90.0
13	loss_rate	10.0
14	winning_trades	9
15	losing_trades	1
16	avg_pnl	2362.7
17	avg_return_pct	44.464
18	avg_trade_bars	192.6
19	avg_profit	2798.444444