TradeMaster
v1.0.0
ผู้ค้าเป็น แพลตฟอร์มโอเพ่นซอร์ส ที่ดีที่สุดในระดับแรกสำหรับ การซื้อขายเชิงปริมาณ (QT) ที่ได้รับการเสริมพลังโดย การเรียนรู้การเสริมแรง (RL) ซึ่งครอบคลุม ไปป์ไลน์เต็มรูปแบบ สำหรับการออกแบบการดำเนินการประเมินผลและการปรับใช้อัลกอริธึมที่ใช้ RL
| อัปเดต | สถานะ |
|---|---|
| เพิ่ม Finagent และ Earnmore | - อัปเดตเมื่อวันที่ 29 ต.ค. 2024 |
| อัปเดตเว็บไซต์ Trademaster (Market SimualTor) | - อัปเดตเมื่อวันที่ 21 ก.ย. 2023 |
| อัปเดตเว็บไซต์ Trademaster (เครื่องมือสร้างแบบจำลองการเปลี่ยนแปลงของตลาด) | - อัปเดตเมื่อวันที่ 7 กรกฎาคม 2566 |
| รองรับการสร้างคุณสมบัติและการเลือกโดยอัตโนมัติ | - อัปเดตการสอนเมื่อวันที่ 11 พฤษภาคม 2566 |
| ปล่อยแพ็คเกจ Python TradeMaster | - อัปเดตเมื่อวันที่ 11 พฤษภาคม 2566 |
| สร้างเว็บไซต์ Trademaster | - วางจำหน่ายที่นี่ในวันที่ 23 เมษายน |
| เขียนเอกสารซอฟต์แวร์ Trademaster | อัปเดตเมื่อวันที่ 11 เมษายน 2566 |
| รุ่น Colab รุ่น | อัปเดตเมื่อวันที่ 29 มีนาคม 2566 |
| สต็อก HK Incldue และชุดข้อมูลในอนาคต | - อัปเดต #131 #132 เมื่อวันที่ 27 มีนาคม 2566 |
| สนับสนุน Alpha158 | - อัปเดต #123 #124 เมื่อวันที่ 20 มีนาคม 2566 |
| RELEASE TRANTEMASTER 1.0.0 | เปิดตัว v1.0.0 เมื่อวันที่ 5 มีนาคม 2566 |
ผู้ค้า ประกอบด้วย 6 โมดูลสำคัญ: 1) ข้อมูลตลาดหลายโมดูลของสินทรัพย์ทางการเงินที่แตกต่างกันในหลาย ๆ ความละเอียด; 2) การประมวลผลข้อมูลทั้งหมดไปป์ไลน์ 3) ชุดเครื่องจำลองตลาดที่ขับเคลื่อนด้วยข้อมูลความเที่ยงตรงสูงสำหรับงาน QT หลัก 4) การใช้งานที่มีประสิทธิภาพของอัลกอริทึมการซื้อขายที่ใช้ RL มากกว่า 13 รายการ 5) ชุดเครื่องมือการประเมินอย่างเป็นระบบที่มี 6 แกนและ 17 มาตรการ; 6) อินเทอร์เฟซที่แตกต่างกันสำหรับผู้ใช้สหวิทยาการ
นี่คือบทเรียนการติดตั้งสำหรับระบบปฏิบัติการและนักเทียบท่าที่แตกต่างกัน:
เราให้บริการแบบฝึกหัดที่ครอบคลุมคุณสมบัติหลักของผู้ค้าเพื่อให้ผู้ใช้เริ่มต้นด้วย
| อัลกอริทึม | ชุดข้อมูล | ตลาด | งาน | ลิงค์รหัส |
|---|---|---|---|---|
| EIIE | ดีเจ 30 | สต็อกสหรัฐ | การจัดการพอร์ตโฟลิโอ | การสอน |
| ดาดฟ้า | BTC | crypto | การซื้อขายระหว่างวัน | การสอน |
| sarl | ดีเจ 30 | สต็อกสหรัฐ | การจัดการพอร์ตโฟลิโอ | การสอน |
| PPO | SSE 50 | หุ้นจีน | การจัดการพอร์ตโฟลิโอ | การสอน |
| Eteo | Bitcoin | crypto | คำสั่งดำเนินการ | การสอน |
| dqn สองครั้ง | Bitcoin | crypto | การซื้อขายความถี่สูง | การสอน |
นอกจากนี้เรายังให้บทเรียนเหล่านี้รุ่น colab ที่สามารถทำงานได้โดยตรง (การสอน colab)
| ชุดข้อมูล | แหล่งข้อมูล | พิมพ์ | ช่วงและความถี่ | ข้อมูลดิบ | แผ่นข้อมูล |
|---|---|---|---|---|---|
| S & P500 | คนอื่น ๆ | สต็อกสหรัฐ | 2000/01/01-2022/01/01, 1day | OHLCV | SP500 |
| DJ30 | คนอื่น ๆ | สต็อกสหรัฐ | 2012/01/01-2021/12/11, 1 วัน | OHLCV | DJ30 |
| BTC | Kaggle | การแลกเปลี่ยนเงินตราต่างประเทศ | 2000/01/01-2019/12/11, 1 วัน | OHLCV | FX |
| crypto | Kaggle | crypto | 2013/04/29-2021/07/06, 1day | OHLCV | crypto |
| SSE50 | คนอื่น ๆ | หุ้นจีน | 2009/01/02-2021/01/01, 1day | OHLCV | SSE50 |
| Bitcoin | การระเบิด | crypto | 2021/04/07-2021/04/19, 1 นาที | ลูกเท | การระเบิด |
| อนาคต | Akshare | อนาคต | 2023/03/07-2023/03/28, 5 นาที | OHLCV | อนาคต |
| hs30 | Akshare | หุ้นฮ่องกง | 1988/12/30-2023/03/27, 1 วัน | OHLCV | hs30 |
วันที่อยู่ในรูปแบบ yy/mm/dd
OHLCV: เปิดราคาสูงต่ำและใกล้ชิด; ปริมาณ: ปริมาณการซื้อขายที่สอดคล้องกัน; LOB: หนังสือสั่งซื้อ จำกัด
ผู้ใช้สามารถดาวน์โหลดข้อมูลของชุดข้อมูลข้างต้นจาก Google Drive หรือ Baidu Cloud (รหัสการแยก: x24b)
ผู้ค้าให้การใช้งานที่มีประสิทธิภาพของอัลกอริทึมต่อไปนี้:
Deepscalper บนพื้นฐานของ pytorch (Shuo Sun et al, CIKM 22)
OPD ขึ้นอยู่กับ Pytorch (Fang et al, Aaai 21)
DeepTrader ขึ้นอยู่กับ Pytorch (Wang et al, Aaai 21)
Sarl ขึ้นอยู่กับ Pytorch (Yunan Ye et al, Aaai 20)
Eteo ขึ้นอยู่กับ pytorch (Lin et al, 20)
Investor-Imitator ขึ้นอยู่กับ Pytorch (Yi Ding et al, KDD 18)
Eiie ขึ้นอยู่กับ Pytorch (Jiang et al, 17)
RL คลาสสิกขึ้นอยู่กับ Pytorch และ Ray: PPO A2C Rainbow SAC DDPG DQN PG TD3
ผู้ค้าให้ชุดเครื่องมือสร้างภาพจำนวนมากสำหรับการประเมินอย่างเป็นระบบของวิธีการซื้อขายเชิงปริมาณที่ใช้ RL โปรดตรวจสอบบทความและที่เก็บข้อมูลนี้ ตัวอย่างบางส่วนมีดังนี้:
Pride-Star เป็นพล็อตดาวที่มีคะแนนปกติ 8 มาตรการทางการเงินที่สำคัญผลตอบแทนรวม (TR) และอัตราส่วน Sharpe (SR) เพื่อประเมินผลกำไรการควบคุมความเสี่ยงและความหลากหลาย:
 |  |  |  |
| TradeMaster
| ├── configs
| ├── data
| │ ├── algorithmic_trading
| │ ├── high_frequency_trading
| │ ├── order_excution
| │ └── porfolio_management
| ├── deploy
| │ ├── backend_client.py
| │ ├── backend_client_test.py
| │ └── backend_service.py
| │ ├── backend_service_test.py
| ├── docs
| ├── figure
| ├── installation
| │ ├── docker.md
| │ ├── requirements.md
| ├── tools
| │ ├── algorithmic_trading
| │ ├── data_preprocessor
| │ ├── high_frequency_trading
| │ ├── market_dynamics_labeling
| │ ├── missing_value_imputation
| │ ├── order_excution
| │ ├── porfolio_management
| │ ├── __init__.py
| ├── tradmaster
| │ ├── agents
| │ ├── datasets
| │ ├── enviornments
| │ ├── evaluation
| │ ├── imputation
| │ ├── losses
| │ ├── nets
| │ ├── preprocessor
| │ ├── optimizers
| │ ├── pretrained
| │ ├── trainers
| │ ├── transition
| │ ├── utils
| │ └── __init__.py
| ├── unit_testing
| ├── Dockerfile
| ├── LICENSE
| ├── README.md
| ├── pyproject.toml
| └── requirements.txt
Prudex-compass: ไปสู่การประเมินอย่างเป็นระบบของการเรียนรู้การเสริมแรงในตลาดการเงิน (ธุรกรรมการวิจัยการเรียนรู้ของเครื่อง 2023)
การเรียนรู้การเสริมแรงสำหรับการซื้อขายเชิงปริมาณ (การสำรวจ) (ธุรกรรม ACM เกี่ยวกับระบบอัจฉริยะและเทคโนโลยี 2023)
การเรียนรู้การเสริมแรงอย่างลึกซึ้งสำหรับการซื้อขายเชิงปริมาณ: ความท้าทายและโอกาส (ระบบอัจฉริยะ IEEE 2022)
DeepScalper: กรอบการเรียนรู้การเสริมแรงที่ตระหนักถึงความเสี่ยงเพื่อจับโอกาสการซื้อขายระหว่างวันที่หายวับไป (CIKM 2022)
ค่าคอมมิชชั่นไม่เพียงพอ: กรอบเสริมลำดับชั้นสำหรับการจัดการพอร์ตโฟลิโอ (AAAI 21)
Trademaster Cup 2022
หากคุณมีคำถามเพิ่มเติมเกี่ยวกับโครงการนี้โปรดติดต่อ [email protected]
