Périphériques technologiques
IA
Nanyang Polytechnic publie le maître de trading quantitatif TradeMaster, couvrant 15 algorithmes d'apprentissage par renforcement
Nanyang Polytechnic publie le maître de trading quantitatif TradeMaster, couvrant 15 algorithmes d'apprentissage par renforcement
Récemment, la famille des plateformes quantitatives a accueilli un nouveau membre, une plateforme open source basée sur l'apprentissage par renforcement : TradeMaster—Trading Master.
TradeMaster a été développé par l'Université technologique de Nanyang Il s'agit d'une plate-forme unifiée couvrant quatre principaux marchés financiers, six scénarios de trading majeurs, 15 algorithmes d'apprentissage par renforcement et une série de visuels. outils d'évaluation. , plateforme de trading quantitative de bout en bout et conviviale !
Adresse de la plateforme : https://github.com/TradeMaster-NTU/TradeMaster
Introduction au contexte
Ces dernières années, la technologie de l'intelligence artificielle occupe une place de plus en plus importante dans les stratégies de trading quantitatives. En raison de sa capacité de prise de décision exceptionnelle dans des environnements complexes, il existe un énorme potentiel dans l’application de la technologie d’apprentissage par renforcement aux tâches du trading quantitatif. Cependant, le faible rapport signal/bruit du marché financier et la formation instable des algorithmes d'apprentissage par renforcement rendent actuellement impossible le déploiement d'algorithmes d'apprentissage par renforcement à grande échelle sur les marchés financiers réels : Les défis spécifiques sont les suivants :
- Le processus de développement est complexe et implique d'énormes projets d'ingénierie. Quantité, difficile à atteindre
- Les performances de l'algorithme dépendent fortement de l'état du marché au moment des tests, le risque est élevé et il est difficile d'évaluer systématiquement
- Le la conception, l’optimisation et la maintenance de l’algorithme ont des seuils techniques élevés et sont difficiles à déployer à grande échelle.
La structure-cadre de la plateforme TradeMaster
Module de données : TradeMaster fournit des multi-cycles à long cycle -données financières modales (ligne K et flux de commandes) de différentes granularités (du niveau minute au niveau quotidien), couvrant quatre marchés majeurs : la Chine, les actions américaines et les changes. Module de prétraitement : TradeMaster fournit un pipeline de prétraitement de données de séries chronologiques financières standardisé, comprenant 6 étapes : 1. Nettoyage des données 2. Remplissage des données 3. Régularisation 4. Exploration automatique des fonctionnalités 5. Intégration des fonctionnalités 6. Fonctionnalités Choisissez
Module simulateur : TradeMaster fournit une série de simulateurs de marchés financiers de haute qualité, basés sur des données, qui prennent en charge 6 tâches de trading quantitatives principales : 1. Trading de devises 2. Gestion de portefeuille 3. Trading intrajournalier 4. Exécution d'ordres 5. Trading à haute fréquence 6. Market making
Module d'algorithme : TradeMaster implémente 7 derniers algorithmes de trading basés sur l'apprentissage par renforcement (DeepScalper, OPD, DeepTrader, SARL, ETTO, Investor-Imitator, EIIE) et 8 algorithmes classiques améliorés (PPO, A2C, Rainbow, SAC, DDPG, DQN, PG, TD3). Dans le même temps, TradeMaster introduit une technologie d'apprentissage automatique automatisé pour aider les utilisateurs à ajuster efficacement les hyperparamètres des algorithmes d'apprentissage par renforcement de la formation. Module d'évaluation : TradeMaster met en œuvre 17 indicateurs d'évaluation et outils de visualisation pour fournir une évaluation systématique à partir de 6 dimensions : rentabilité, contrôle des risques, diversité, interprétabilité, robustesse et polyvalence. Voici deux exemples :
Un graphique radar représentant la rentabilité, le contrôle des risques et la diversité des stratégies
Visualisation des données de séries chronologiques financières
Pseudo-code du processus d'exécution
TradeMaster est basé sur des idées de programmation orientée objet, encapsule différents modules fonctionnels et réalise le découplage fonctionnel et l'encapsulation de différents modules. a une bonne évolutivité et réutilisabilité. Le processus spécifique comprend les 6 étapes suivantes :
Résultats des tests
Prenons comme exemple la tâche classique d'investir dans l'indice Dow Jones 30, l'EIIE. L'algorithme a obtenu des rendements positifs stables et un ratio de Sharpe élevé sur l'ensemble de test :
Tutoriel TradeMaster
TradeMaster propose une série de didacticiels pour plusieurs didacticiels d'algorithme d'apprentissage par renforcement financier pour différentes tâches de trading sur le marché sont présentées sous la forme de Jupyter Notebook pour permettre aux utilisateurs de démarrer rapidement :
Pour plus de détails, veuillez consulter : https://github.com/TradeMaster-NTU/TradeMaster/ arbre /1.0.0/tutoriel
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!
Outils d'IA chauds
Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes
AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.
Undress AI Tool
Images de déshabillage gratuites
Clothoff.io
Dissolvant de vêtements AI
AI Hentai Generator
Générez AI Hentai gratuitement.
Article chaud
Outils chauds
Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit
SublimeText3 version chinoise
Version chinoise, très simple à utiliser
Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP
Dreamweaver CS6
Outils de développement Web visuel
SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)
Dix outils d'annotation de texte gratuits open source recommandés
Mar 26, 2024 pm 08:20 PM
L'annotation de texte est le travail d'étiquettes ou de balises correspondant à un contenu spécifique dans le texte. Son objectif principal est d’apporter des informations complémentaires au texte pour une analyse et un traitement plus approfondis, notamment dans le domaine de l’intelligence artificielle. L'annotation de texte est cruciale pour les tâches d'apprentissage automatique supervisées dans les applications d'intelligence artificielle. Il est utilisé pour entraîner des modèles d'IA afin de mieux comprendre les informations textuelles en langage naturel et d'améliorer les performances de tâches telles que la classification de texte, l'analyse des sentiments et la traduction linguistique. Grâce à l'annotation de texte, nous pouvons apprendre aux modèles d'IA à reconnaître les entités dans le texte, à comprendre le contexte et à faire des prédictions précises lorsque de nouvelles données similaires apparaissent. Cet article recommande principalement de meilleurs outils d'annotation de texte open source. 1.LabelStudiohttps://github.com/Hu
15 outils d'annotation d'images gratuits open source recommandés
Mar 28, 2024 pm 01:21 PM
L'annotation d'images est le processus consistant à associer des étiquettes ou des informations descriptives à des images pour donner une signification et une explication plus profondes au contenu de l'image. Ce processus est essentiel à l’apprentissage automatique, qui permet d’entraîner les modèles de vision à identifier plus précisément les éléments individuels des images. En ajoutant des annotations aux images, l'ordinateur peut comprendre la sémantique et le contexte derrière les images, améliorant ainsi la capacité de comprendre et d'analyser le contenu de l'image. L'annotation d'images a un large éventail d'applications, couvrant de nombreux domaines, tels que la vision par ordinateur, le traitement du langage naturel et les modèles de vision graphique. Elle a un large éventail d'applications, telles que l'assistance aux véhicules pour identifier les obstacles sur la route, en aidant à la détection. et le diagnostic des maladies grâce à la reconnaissance d'images médicales. Cet article recommande principalement de meilleurs outils d'annotation d'images open source et gratuits. 1.Makesens
Le code source de 25 agents IA est désormais public, inspiré de « Virtual Town » et de « Westworld » de Stanford
Aug 11, 2023 pm 06:49 PM
Le public familier avec "Westworld" sait que ce spectacle se déroule dans un immense parc à thème pour adultes de haute technologie dans le monde futur. Les robots ont des capacités comportementales similaires à celles des humains, et peuvent se souvenir de ce qu'ils voient et entendent et répéter le scénario principal. Chaque jour, ces robots seront réinitialisés et ramenés à leur état initial. Après la publication de l'article de Stanford « Generative Agents : Interactive Simulacra of Human Behaviour », ce scénario ne se limite plus aux films et aux séries télévisées. L'IA a réussi à le reproduire. scène dans la « ville virtuelle » de Smallville 》Aperçu de l'adresse du papier cartographique : https://arxiv.org/pdf/2304.03442v1.pdf
Problèmes de conception des fonctions de récompense dans l'apprentissage par renforcement
Oct 09, 2023 am 11:58 AM
Problèmes de conception de fonctions de récompense dans l'apprentissage par renforcement Introduction L'apprentissage par renforcement est une méthode qui apprend des stratégies optimales grâce à l'interaction entre un agent et l'environnement. Dans l’apprentissage par renforcement, la conception de la fonction de récompense est cruciale pour l’effet d’apprentissage de l’agent. Cet article explorera les problèmes de conception des fonctions de récompense dans l'apprentissage par renforcement et fournira des exemples de code spécifiques. Le rôle de la fonction de récompense et de la fonction de récompense cible constituent une partie importante de l'apprentissage par renforcement et sont utilisés pour évaluer la valeur de récompense obtenue par l'agent dans un certain état. Sa conception aide à guider l'agent pour maximiser la fatigue à long terme en choisissant les actions optimales.
Recommandé : Excellent projet de détection et de reconnaissance des visages open source JS
Apr 03, 2024 am 11:55 AM
La technologie de détection et de reconnaissance des visages est déjà une technologie relativement mature et largement utilisée. Actuellement, le langage d'application Internet le plus utilisé est JS. La mise en œuvre de la détection et de la reconnaissance faciale sur le front-end Web présente des avantages et des inconvénients par rapport à la reconnaissance faciale back-end. Les avantages incluent la réduction de l'interaction réseau et de la reconnaissance en temps réel, ce qui réduit considérablement le temps d'attente des utilisateurs et améliore l'expérience utilisateur. Les inconvénients sont les suivants : il est limité par la taille du modèle et la précision est également limitée ; Comment utiliser js pour implémenter la détection de visage sur le web ? Afin de mettre en œuvre la reconnaissance faciale sur le Web, vous devez être familier avec les langages et technologies de programmation associés, tels que JavaScript, HTML, CSS, WebRTC, etc. Dans le même temps, vous devez également maîtriser les technologies pertinentes de vision par ordinateur et d’intelligence artificielle. Il convient de noter qu'en raison de la conception du côté Web
Apprentissage par renforcement Deep Q-learning utilisant la simulation de bras robotique de Panda-Gym
Oct 31, 2023 pm 05:57 PM
L'apprentissage par renforcement (RL) est une méthode d'apprentissage automatique qui permet à un agent d'apprendre comment se comporter dans son environnement par essais et erreurs. Les agents sont récompensés ou punis pour avoir pris des mesures qui conduisent aux résultats souhaités. Au fil du temps, l'agent apprend à prendre des mesures qui maximisent la récompense attendue. Les agents RL sont généralement formés à l'aide d'un processus de décision markovien (MDP), un cadre mathématique pour modéliser des problèmes de décision séquentielle. Le MDP se compose de quatre parties : État : un ensemble d'états possibles de l'environnement. Action : un ensemble d'actions qu'un agent peut entreprendre. Fonction de transition : fonction qui prédit la probabilité de transition vers un nouvel état en fonction de l'état et de l'action actuels. Fonction de récompense : fonction qui attribue une récompense à l'agent pour chaque conversion. L'objectif de l'agent est d'apprendre une fonction politique,
Le document multimodal Alibaba 7B comprenant le grand modèle remporte le nouveau SOTA
Apr 02, 2024 am 11:31 AM
Nouveau SOTA pour des capacités de compréhension de documents multimodaux ! L'équipe Alibaba mPLUG a publié le dernier travail open source mPLUG-DocOwl1.5, qui propose une série de solutions pour relever les quatre défis majeurs que sont la reconnaissance de texte d'image haute résolution, la compréhension générale de la structure des documents, le suivi des instructions et l'introduction de connaissances externes. Sans plus tarder, examinons d’abord les effets. Reconnaissance et conversion en un clic de graphiques aux structures complexes au format Markdown : Des graphiques de différents styles sont disponibles : Une reconnaissance et un positionnement de texte plus détaillés peuvent également être facilement traités : Des explications détaillées sur la compréhension du document peuvent également être données : Vous savez, « Compréhension du document " est actuellement un scénario important pour la mise en œuvre de grands modèles linguistiques. Il existe de nombreux produits sur le marché pour aider à la lecture de documents. Certains d'entre eux utilisent principalement des systèmes OCR pour la reconnaissance de texte et coopèrent avec LLM pour le traitement de texte.
Fraichement publié! Un modèle open source pour générer des images de style anime en un seul clic
Apr 08, 2024 pm 06:01 PM
Permettez-moi de vous présenter le dernier projet open source AIGC-AnimagineXL3.1. Ce projet est la dernière itération du modèle texte-image sur le thème de l'anime, visant à offrir aux utilisateurs une expérience de génération d'images d'anime plus optimisée et plus puissante. Dans AnimagineXL3.1, l'équipe de développement s'est concentrée sur l'optimisation de plusieurs aspects clés pour garantir que le modèle atteigne de nouveaux sommets en termes de performances et de fonctionnalités. Premièrement, ils ont élargi les données d’entraînement pour inclure non seulement les données des personnages du jeu des versions précédentes, mais également les données de nombreuses autres séries animées bien connues dans l’ensemble d’entraînement. Cette décision enrichit la base de connaissances du modèle, lui permettant de mieux comprendre les différents styles et personnages d'anime. AnimagineXL3.1 introduit un nouvel ensemble de balises et d'esthétiques spéciales
