Слой рыночной среды и бенчмарков для финансового обучения с подкреплением: наборы рыночных данных и торговые среды для разработки и сравнения DRL-агентов.
Эта страница описывает проект с открытым кодом и не является инвестиционной рекомендацией. Торговля и инвестиции могут привести к убыткам: оцените риски самостоятельно и соблюдайте законы своей страны перед использованием.
FinRL-Meta — компонент экосистемы FinRL, отвечающий за рыночную среду и бенчмарки. Он собирает исторические рыночные данные из множества источников и преобразует их в торговые среды, в которых агенты обучения с подкреплением могут обучаться и проходить тестирование. Пользователи могут сравнивать разных агентов на одном наборе данных; по замыслу проекта, это делает оценку более справедливой.
Проект включает слой данных, который получает и предварительно обрабатывает цены и технические индикаторы из таких источников, как Alpaca, Binance, Yahoo Finance, Tushare и Baostock, а также слой среды, который оборачивает эти данные для обучения DRL. В среды можно напрямую подключать агентов из ElegantRL, Stable-Baselines3 и RLlib. Также описан конвейер обучения, тестирования и торговли, в котором периоды обучения отделены от периодов оценки, чтобы сократить утечку информации.
FinRL-Meta сосредоточен на слоях данных и среды, а не на полномасштабном промышленном развертывании. Для торговой инфраструктуры, ориентированной на промышленное использование, разработчики указывают на отдельный проект FinRL-X / FinRL-Trading.
Откройте в Colab демо-ноутбук «Plug and Play with DRL Agents»
Описание создано ИИ на основе README проекта. Статистика GitHub обновляется ежедневно.
Модульный Python-фреймворк для количественной торговли: от отбора акций и распределения портфеля до бэктестинга и исполнения сделок через Alpaca — с единым интерфейсом на основе весов.
Ориентированная на AI платформа Microsoft для количественных инвестиций: данные, обучение моделей, бэктестинг и исполнение ордеров.
Система анализа акций на базе LLM для рынков материкового Китая, Гонконга, США, Японии, Южной Кореи и Тайваня с ежедневной отправкой сводок в чаты и по email.
Открытый Python-фреймворк для применения глубокого обучения с подкреплением в автоматизированной торговле акциями и управлении портфелем.
Unity ML-Agents Toolkit превращает игры и симуляции на Unity в среды для обучения ИИ-агентов с помощью обучения с подкреплением и имитационного обучения.
Python-фреймворк для количественной торговли: описание стратегий, векторный и событийный бэктестинг, дашборды с результатами и торговля на бумажном или реальном счёте.