Nanyang Polytechnic veröffentlicht den quantitativen Handelsmaster TradeMaster, der 15 Arten von Reinforcement-Learning-Algorithmen abdeckt

Kürzlich hat die Familie der quantitativen Plattformen ein neues Mitglied begrüßt, eine Open-Source-Plattform, die auf Reinforcement Learning basiert: TradeMaster – Trading Master.

TradeMaster wurde von der Nanyang Technological University entwickelt. Es handelt sich um eine einheitliche Plattform, die vier große Finanzmärkte, sechs große Handelsszenarien, 15 verstärkende Lernalgorithmen und eine Reihe von visuellen Funktionen abdeckt Bewertungstools, durchgängige, benutzerfreundliche quantitative Handelsplattform!

Plattformadresse: https://github.com/TradeMaster-NTU/TradeMaster

Einführung in den Hintergrund

In den letzten Jahren nimmt die Technologie der künstlichen Intelligenz eine immer wichtigere Position in quantitativen Handelsstrategien ein. Aufgrund seiner hervorragenden Entscheidungsfähigkeit in komplexen Umgebungen besteht ein großes Potenzial für die Anwendung der Reinforcement-Learning-Technologie auf Aufgaben im quantitativen Handel. Das niedrige Signal-Rausch-Verhältnis des Finanzmarktes und das instabile Training von Reinforcement-Learning-Algorithmen machen es jedoch derzeit unmöglich, Reinforcement-Learning-Algorithmen in großem Maßstab auf realen Finanzmärkten einzusetzen. Die spezifischen Herausforderungen sind wie folgt:

1. Der Entwicklungsprozess ist komplex und erfordert große technische Projekte. Menge, schwer zu erreichen
2. Die Leistung des Algorithmus hängt stark vom Marktzustand zum Zeitpunkt des Tests ab, das Risiko ist hoch und es ist schwierig, systematisch zu bewerten
3. Die Design, Optimierung und Wartung des Algorithmus stellen hohe technische Hürden und sind schwer in großem Maßstab einsetzbar.

Die Veröffentlichung von TradeMaster stellt diesem Bereich ein Softwaretool, einen Branchen-Benchmark und eine industrietaugliche Produktschnittstelle zur Verfügung, um die drei oben genannten Herausforderungen zu lösen.

Der potenzielle Beitrag von TradeMaster zur tiefen Integration von Industrie, Wissenschaft, Forschung und Anwendung s für quantitativ Handel Im Folgenden stellen wir den gesamten Prozess von Design, Implementierung, Test und Bereitstellung im Detail vor:

Die Rahmenstruktur der TradeMaster-Plattform

Datenmodul: TradeMaster bietet Multi-Zyklus mit langen Zyklen -modale (K-Linie und Auftragsfluss) Finanzdaten unterschiedlicher Granularität (Minutenebene bis Tagesebene), die vier Hauptmärkte abdecken: China, US-Aktien und Devisen.

Vorverarbeitungsmodul: TradeMaster bietet eine standardisierte Vorverarbeitungspipeline für Finanzzeitreihendaten, die 6 Schritte umfasst: 1. Datenbereinigung 2. Datenfüllung 3. Regularisierung 4. Automatisches Feature-Mining 5. Feature-Einbettung 6. Features Wählen Sie Simulatormodul: TradeMaster bietet eine Reihe datengesteuerter, hochwertiger Finanzmarktsimulatoren, die 6 gängige quantitative Handelsaufgaben unterstützen: 1. Devisenhandel 2. Portfoliomanagement 3. Intraday-Handel 4. Auftragsausführung 5. Hochfrequenzhandel 6. Market Making

Algorithmusmodul: TradeMaster implementiert 7 neueste auf Verstärkungslernen basierende Handelsalgorithmen (DeepScalper, OPD, DeepTrader, SARL, ETTO, Investor-Imitator, EIIE) und 8 klassische erweiterte Algorithmen (PPO, A2C, Rainbow, SAC, DDPG, DQN, PG, TD3). Gleichzeitig führt TradeMaster eine automatisierte Technologie für maschinelles Lernen ein, um Benutzern dabei zu helfen, die Hyperparameter von Trainingsalgorithmen für das Verstärkungslernen effizient anzupassen.

Bewertungsmodul: TradeMaster implementiert 17 Bewertungsindikatoren und Visualisierungstools, um eine systematische Bewertung aus 6 Dimensionen zu ermöglichen: Rentabilität, Risikokontrolle, Vielfalt, Interpretierbarkeit, Robustheit und Vielseitigkeit. Hier sind zwei Beispiele:

Ein Radardiagramm, das Rentabilität, Risikokontrolle und Strategievielfalt darstellt

„Visualisierung von Finanzzeitreihendaten“ verfügt über eine gute Skalierbarkeit und Wiederverwendbarkeit. Der spezifische Prozess umfasst die folgenden

6 Schritte

: ​​

Testergebnisse

Nehmen Sie als Beispiel die klassische Aufgabe der Investition in den Dow Jones 30 Index, den EIIE Der Algorithmus erzielte stabile positive Renditen und ein hohes Sharpe-Ratio im Testsatz: Verschiedene Markthandelsaufgaben werden in Form von Jupyter Notebook präsentiert, um Benutzern einen schnellen Einstieg zu erleichtern:

Weitere Informationen finden Sie unter: https://github.com/TradeMaster-NTU/TradeMaster/ Baum /1.0.0/tutorial

Das obige ist der detaillierte Inhalt vonNanyang Polytechnic veröffentlicht den quantitativen Handelsmaster TradeMaster, der 15 Arten von Reinforcement-Learning-Algorithmen abdeckt. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!