Uma camada de ambientes de mercado e benchmark para aprendizado por reforço em finanças, com conjuntos de dados e ambientes de negociação para desenvolver e comparar agentes de trading com DRL.
Esta página apresenta um projeto de código aberto e não constitui aconselhamento de investimento. Negociar e investir pode gerar perdas: avalie o risco por conta própria e siga as leis do seu país antes de usá-lo.
FinRL-Meta é o componente de ambientes de mercado e benchmark do ecossistema FinRL. Ele reúne dados históricos de mercado de várias fontes e os transforma em ambientes de negociação nos quais agentes de aprendizado por reforço podem ser treinados e avaliados. Os usuários podem comparar diferentes agentes usando o mesmo conjunto de dados, o que, segundo o projeto, torna as avaliações mais justas.
O projeto inclui uma camada de dados que busca e pré-processa preços e indicadores técnicos de provedores como Alpaca, Binance, Yahoo Finance, Tushare e Baostock, além de uma camada de ambientes que prepara esses dados para o treinamento com DRL. É possível integrar diretamente aos ambientes agentes do ElegantRL, Stable-Baselines3 e RLlib. O projeto também descreve um pipeline de treinamento, testes e trading que separa os períodos de treinamento dos períodos de avaliação para reduzir o vazamento de informações.
O foco do FinRL-Meta está nas camadas de dados e ambientes, não na implantação completa em produção. Para uma infraestrutura de trading voltada à produção, os mantenedores indicam o projeto separado FinRL-X / FinRL-Trading.
Abra no Colab o notebook de demonstração «Plug and Play with DRL Agents»
Resumo gerado por IA a partir do README do projeto. As estatísticas do GitHub são atualizadas diariamente.
Framework modular de trading quantitativo em Python para seleção de ações, alocação de portfólio, backtesting e execução pela corretora Alpaca, com uma interface baseada em pesos.
Plataforma de investimento quantitativo orientada a IA da Microsoft, que abrange dados, treinamento de modelos, backtesting e execução de ordens para pesquisa quantitativa.
Sistema de análise de ações com LLM para mercados da China, Hong Kong, EUA, Japão, Coreia do Sul e Taiwan, com painéis diários enviados a apps de mensagem e por e-mail.
Framework Python de código aberto para aplicar deep reinforcement learning a tarefas de negociação automatizada de ações e gestão de portfólio.
O Unity ML-Agents Toolkit permite usar jogos e simulações Unity como ambientes para treinar agentes de IA com aprendizado por reforço e por imitação.
Framework Python para trading quantitativo, com definição de estratégias, backtesting vetorial e orientado a eventos, dashboards de resultados e trading simulado ou ao vivo.