Una capa de entornos de mercado y benchmarking para aprendizaje por refuerzo financiero, con datasets de mercado y entornos de trading para desarrollar y comparar agentes de trading con DRL.
Esta página presenta un proyecto de código abierto y no constituye asesoramiento de inversión. Operar e invertir puede generar pérdidas: evalúa el riesgo por tu cuenta y cumple las leyes de tu país antes de usarlo.
FinRL-Meta es el componente de entornos de mercado y benchmarking del ecosistema FinRL. Recopila datos históricos de mercado de numerosas fuentes y los convierte en entornos de trading en los que los agentes de aprendizaje por refuerzo pueden entrenarse y ponerse a prueba. Los usuarios pueden comparar distintos agentes con el mismo dataset, algo que el proyecto presenta como una forma de conseguir evaluaciones más justas.
El proyecto abarca una capa de datos que obtiene y preprocesa precios e indicadores técnicos de proveedores como Alpaca, Binance, Yahoo Finance, Tushare y Baostock, y una capa de entornos que adapta estos datos para el entrenamiento con DRL. Los agentes de ElegantRL, Stable-Baselines3 y RLlib se pueden conectar directamente a los entornos. También describe un pipeline de entrenamiento, pruebas y trading que separa los periodos de entrenamiento de los de evaluación para reducir las filtraciones de información.
FinRL-Meta se centra en las capas de datos y entornos, no en el despliegue completo en producción. Para infraestructura de trading orientada a producción, los mantenedores remiten al proyecto independiente FinRL-X / FinRL-Trading.
Abre en Colab el notebook de demostración «Plug and Play with DRL Agents»
Resumen generado por IA a partir del README del proyecto. Las estadísticas de GitHub se actualizan a diario.
Framework modular de trading cuantitativo en Python que abarca selección de acciones, asignación de carteras, backtesting y ejecución con el bróker Alpaca mediante una interfaz basada en pesos.
Plataforma de inversión cuantitativa orientada a la IA de Microsoft, que abarca datos, entrenamiento de modelos, backtesting y ejecución de órdenes para la investigación cuantitativa.
Sistema de análisis bursátil basado en LLM para acciones de China continental, Hong Kong, EE. UU., Japón, Corea del Sur y Taiwán, con informes diarios enviados a chats y correo electrónico.
Framework de Python de código abierto para aplicar deep reinforcement learning al trading automatizado de acciones y a tareas de gestión de portafolios.
Unity ML-Agents Toolkit permite usar juegos y simulaciones de Unity como entornos para entrenar agentes de IA mediante aprendizaje por refuerzo e imitación.
Framework de Python para trading cuantitativo que abarca la definición de estrategias, backtesting vectorizado y basado en eventos, paneles de resultados y trading simulado o en vivo.