南洋工科大学、15 の強化学習アルゴリズムをカバーする定量取引マスター TradeMaster をリリース
最近、定量的プラットフォーム ファミリは、強化学習に基づくオープン ソース プラットフォームである TradeMaster—Trading Master という新しいメンバーを迎えました。
##南洋理工大学が開発したTradeMaster ## は、4 つの主要な金融市場、6 つの主要な取引シナリオ、15 の強化学習アルゴリズム、および一連の視覚的評価ツールをカバーする、統合されたエンドツーエンドのユーザーフレンドリーな定量取引プラットフォームです。 プラットフォーム アドレス: https://github.com/TradeMaster-NTU/TradeMaster
背景の紹介
近年、人工知能テクノロジーは定量的取引戦略においてますます重要な位置を占めています。複雑な環境における優れた意思決定能力により、強化学習テクノロジーを定量取引のタスクに適用することには大きな可能性があります。ただし、金融市場の信号対雑音比が低く、強化学習アルゴリズムのトレーニングが不安定であるため、現在、強化学習アルゴリズムを実際の金融市場に大規模に導入することはできません。開発プロセスは複雑で、膨大なエンジニアリングが必要なため、実現が困難です。アルゴリズムのパフォーマンスは、テスト時の市場の状態に大きく依存します。リスクが高く、体系的に評価することが困難です。
- アルゴリズムの設計、最適化、保守には技術的な敷居が高く、大規模に導入することが困難です。
- TradeMaster のリリースは、上記 3 つの課題を解決するソフトウェア ツール、業界ベンチマーク、および工業グレードの製品インターフェイスをこの分野に提供します。
#TradeMaster は産学、研究、応用の緊密な統合に貢献できる可能性があります
TradeMaster フレームワークTradeMaster は、設計、実装、テスト、強化の展開の完全なプロセスを含む #6 つのコア モジュール
#で構成されていますクオンツ取引のための学習アルゴリズムについては、以下で詳しくご紹介します:# TradeMaster のフレームワーク構造プラットフォーム
##データ モジュール: TradeMaster は、長期マルチモーダル (K ラインと注文フロー) の財務データをさまざまな粒度 (分レベルから日レベル) で提供し、4 つのデータをカバーします。主要市場: 中国、米国株、外国為替。
前処理モジュール: TradeMaster は、次の 6 つのステップを含む標準化された財務時系列データ前処理パイプラインを提供します。 1. データ クリーニング 2. データ入力 3. 正則化 4. 自動機能検出 5. 機能の埋め込み6. 機能の選択
シミュレーター モジュール: TradeMaster は、一連のデータ駆動型の高品質金融市場シミュレーターを提供し、6 つの主流の定量的取引タスクをサポートします: 1. 通貨取引 2. ポートフォリオ管理 3日中取引 4. 注文執行 5. 高頻度取引 6. マーケットメイクアルゴリズム モジュール: TradeMaster は、7 つの最新の強化学習ベースの取引アルゴリズム (DeepScalper、OPD、DeepTrader、SARL) を実装しています。 、ETTO、Investor-Imitator、EIIE)および 8 つの古典的な強化アルゴリズム(PPO、A2C、Rainbow、SAC、DDPG、DQN、PG、TD3)。同時に、TradeMaster は自動機械学習テクノロジーを導入し、ユーザーがトレーニング強化学習アルゴリズムのハイパーパラメーターを効率的に調整できるようにします。
評価モジュール: TradeMaster は、収益性、リスク管理、多様性、解釈可能性、堅牢性、普遍性の 6 つの側面からの 17 の評価指標と視覚化ツールを実装しています。体系的な評価。以下に 2 つの例を示します。
#収益性、リスク管理、戦略の多様性を示すレーダー チャート
#金融時系列データの視覚化
プロセス疑似コードの実行TradeMaster は、オブジェクト指向プログラミングのアイデアに基づいており、さまざまな機能モジュールをカプセル化し、さまざまなモジュールの機能分離とカプセル化を実現し、優れたスケーラビリティと再利用性を備えています。具体的なプロセスには次のような# # 6 つのステップ##が含まれます#:
テスト結果
ダウ ジョーンズ 30 指数に基づく 古典的なものを採用投資ポートフォリオのタスクを例に挙げると、EIIE アルゴリズムはテスト セットで安定したプラスのリターンと高いシャープ レシオを達成しました。
##TradeMaster チュートリアル
以上が南洋工科大学、15 の強化学習アルゴリズムをカバーする定量取引マスター TradeMaster をリリースの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









テキスト注釈は、テキスト内の特定のコンテンツにラベルまたはタグを対応させる作業です。その主な目的は、特に人工知能の分野で、より深い分析と処理のためにテキストに追加情報を提供することです。テキスト注釈は、人工知能アプリケーションの教師あり機械学習タスクにとって非常に重要です。これは、自然言語テキスト情報をより正確に理解し、テキスト分類、感情分析、言語翻訳などのタスクのパフォーマンスを向上させるために AI モデルをトレーニングするために使用されます。テキスト アノテーションを通じて、AI モデルにテキスト内のエンティティを認識し、コンテキストを理解し、新しい同様のデータが出現したときに正確な予測を行うように教えることができます。この記事では主に、より優れたオープンソースのテキスト注釈ツールをいくつか推奨します。 1.LabelStudiohttps://github.com/Hu

画像の注釈は、ラベルまたは説明情報を画像に関連付けて、画像の内容に深い意味と説明を与えるプロセスです。このプロセスは機械学習にとって重要であり、画像内の個々の要素をより正確に識別するために視覚モデルをトレーニングするのに役立ちます。画像に注釈を追加することで、コンピュータは画像の背後にあるセマンティクスとコンテキストを理解できるため、画像の内容を理解して分析する能力が向上します。画像アノテーションは、コンピュータ ビジョン、自然言語処理、グラフ ビジョン モデルなどの多くの分野をカバーする幅広い用途があり、車両が道路上の障害物を識別するのを支援したり、障害物の検出を支援したりするなど、幅広い用途があります。医用画像認識による病気の診断。この記事では主に、より優れたオープンソースおよび無料の画像注釈ツールをいくつか推奨します。 1.マケセンス

強化学習における報酬関数設計の問題 はじめに 強化学習は、エージェントと環境の間の相互作用を通じて最適な戦略を学習する方法です。強化学習では、報酬関数の設計がエージェントの学習効果にとって重要です。この記事では、強化学習における報酬関数の設計の問題を調査し、具体的なコード例を示します。報酬関数の役割と目標報酬関数は強化学習の重要な部分であり、特定の状態でエージェントが取得する報酬値を評価するために使用されます。その設計は、エージェントが最適なアクションを選択することで長期的な疲労を最大化するようにガイドするのに役立ちます。

顔の検出および認識テクノロジーは、すでに比較的成熟しており、広く使用されているテクノロジーです。現在、最も広く使用されているインターネット アプリケーション言語は JS ですが、Web フロントエンドでの顔検出と認識の実装には、バックエンドの顔認識と比較して利点と欠点があります。利点としては、ネットワーク インタラクションの削減とリアルタイム認識により、ユーザーの待ち時間が大幅に短縮され、ユーザー エクスペリエンスが向上することが挙げられます。欠点としては、モデル サイズによって制限されるため、精度も制限されることが挙げられます。 js を使用して Web 上に顔検出を実装するにはどうすればよいですか? Web 上で顔認識を実装するには、JavaScript、HTML、CSS、WebRTC など、関連するプログラミング言語とテクノロジに精通している必要があります。同時に、関連するコンピューター ビジョンと人工知能テクノロジーを習得する必要もあります。 Web 側の設計により、次の点に注意してください。

「ウエストワールド」に慣れている視聴者は、このショーが未来の世界にある巨大なハイテク成人向けテーマパークを舞台としていることを知っています。ロボットは人間と同様の行動能力を持ち、見聞きしたものを記憶し、核となるストーリーラインを繰り返すことができます。これらのロボットは毎日リセットされ、初期状態に戻ります。スタンフォード大学の論文「Generative Agents: Interactive Simulacra of Human Behavior」の発表後、このシナリオは映画やテレビシリーズに限定されなくなりました。AI はこれを再現することに成功しました。スモールヴィルの「バーチャルタウン」のシーン》概要図用紙アドレス:https://arxiv.org/pdf/2304.03442v1.pdf

マルチモーダル文書理解機能のための新しい SOTA!アリババの mPLUG チームは、最新のオープンソース作品 mPLUG-DocOwl1.5 をリリースしました。これは、高解像度の画像テキスト認識、一般的な文書構造の理解、指示の遵守、外部知識の導入という 4 つの主要な課題に対処するための一連のソリューションを提案しています。さっそく、その効果を見てみましょう。複雑な構造のグラフをワンクリックで認識しMarkdown形式に変換:さまざまなスタイルのグラフが利用可能:より詳細な文字認識や位置決めも簡単に対応:文書理解の詳しい説明も可能:ご存知「文書理解」 「」は現在、大規模な言語モデルの実装にとって重要なシナリオです。市場には文書の読み取りを支援する多くの製品が存在します。その中には、主にテキスト認識に OCR システムを使用し、テキスト処理に LLM と連携する製品もあります。

強化学習 (RL) は、エージェントが試行錯誤を通じて環境内でどのように動作するかを学習できる機械学習手法です。エージェントは、望ましい結果につながるアクションを実行すると、報酬または罰を受けます。時間の経過とともに、エージェントは期待される報酬を最大化するアクションを取ることを学習します。RL エージェントは通常、逐次的な決定問題をモデル化するための数学的フレームワークであるマルコフ決定プロセス (MDP) を使用してトレーニングされます。 MDP は 4 つの部分で構成されます。 状態: 環境の可能な状態のセット。アクション: エージェントが実行できる一連のアクション。遷移関数: 現在の状態とアクションを考慮して、新しい状態に遷移する確率を予測する関数。報酬機能:コンバージョンごとにエージェントに報酬を割り当てる機能。エージェントの目標は、ポリシー機能を学習することです。

最新の AIGC オープンソース プロジェクト、AnimagineXL3.1 をご紹介します。このプロジェクトは、アニメをテーマにしたテキストから画像へのモデルの最新版であり、より最適化された強力なアニメ画像生成エクスペリエンスをユーザーに提供することを目的としています。 AnimagineXL3.1 では、開発チームは、モデルのパフォーマンスと機能が新たな高みに達することを保証するために、いくつかの重要な側面の最適化に重点を置きました。まず、トレーニング データを拡張して、以前のバージョンのゲーム キャラクター データだけでなく、他の多くの有名なアニメ シリーズのデータもトレーニング セットに含めました。この動きによりモデルの知識ベースが充実し、さまざまなアニメのスタイルやキャラクターをより完全に理解できるようになります。 AnimagineXL3.1 では、特別なタグと美学の新しいセットが導入されています
