- 博客(11)
- 收藏
- 关注
RSS订阅原创 向量化回测与Oanda交易机器人
下面是带有 OandaTradingBot 类和部署该类的代码的 Python 脚本。下面的 Python 模块会使用辅助函数 backtest 生成数据，以便对深度 Q 学习交易机器人进 行向量化回测。该代码在第 11 章中也使用过。
2024-03-17 20:01:56
478
原创 Oanda环境
下面是带有 OandaEnv 类的 Python 模块，用于基于 Oanda 历史数据训练交易机器人。➋ 定义数据文件的文件名。➌ 如果存在相应的数据文件，则读取数据。➍ 如果不存在这样的文件，则检索 API 的数据。➎ 将数据作为 CSV 文件写入磁盘。➏ 选择包含收盘价的列。➐ 将列重命名为工具名称（标记）。➑ 对正确预测的奖励。➒ 对实现的收益的奖励（收益率）。➓ 对预测和收益的综合奖励。
2024-03-17 20:01:14
432
原创 代码的部署
本节会结合前面几节的主要内容，以自动化方式部署经过训练的交易机器人。每当新的逐笔数据到达时，都会调 用 .on_success() 方法，该方法包含处理逐笔数据和安排交易的主要逻辑。在生产环境中，当管理实际资金 时，如果只是为了减少交易数量和交易成本，则更长的时间间隔可能是更好的选择。这个简单的部署示例表明，我们可以用不到 100 行的 Python 代码以算法和自动化的方式 与深度 Q 学习交易机器人进行交易。主要的先决条件是训练有素的交易机器人（比如， tradingbot 类的实例）。
2024-03-17 20:00:38
224
原创 交易机器人
回合 总 收 益 训练数据集 回归线（训练集） 验证数据集 回归线（验证集） 图 12-4：交易机器人基于 Oanda 数据的训练集和验证集性能结果 图灵社区会员 cxc_3612(17665373813) 专享 尊重版权执行与部署 ｜ 299 正如前两章所讨论的，训练集性能和验证集性能只是交易机器人性能的一个指标。300 ｜ 第 12 章 时间 图 12-5：随时间变化的被动基准投资和交易机器人的总体表现（包括杠杆） 简化的回测 本节中对交易机器人的训练和回测是在不现实的假设下进行的。
2024-03-17 20:00:06
365
原创 订单的执行
本节介绍了不同类型的 订单，比如市场订单和止损单。该订单允许以当前市场价格（买入时的卖出价和卖出时的 买入价）购买或出售金融工具。下面的例子基于 20 倍杠杆的账户和相对较小的订单规模。限价订单 本章仅将市场订单作为基础订单的一种类型。在市场订单中，购买或出售金 融工具的价格是在订单发出时的当前价格。下面的 Python 代码设置了订单并显示了止损单对象的详细信息。因此，下面的代码使用 前一个订单中的执行价格来相对定义止盈价格。为此，下面的方法调用提供了本节中所有主要订单的概览数据，包括损益 数据。
2024-03-17 19:59:29
346
原创 执行部署的数据检索
➍ 显示选择的少量工具。执行与部署 ｜ 287 ➊ 指定工具……粒度（D = 每日）……价格系列的类型（A = 要价）。时间 2020年7月5日 2020年7月9日 2020年7月13日 2020年7月17日 2020年7月21日 2020年7月25日 2020年7月29日 2020年8月1日 2020年7月1日 图 12-2：Oanda 欧元 / 美元的 1 分钟收盘价历史数据 对训练和测试一款交易机器人来说，历史数据很重要，但对进行算法交易的交易机器人来 说，实时（流）数据的部署是必要的。
2024-03-17 19:58:47
247
原创 向量化回测之后的风险管理
大规模部署自动驾驶汽车的一个重要障碍是安全保障。 ——Majid Khonji 等，2019 年 拥有更好的预测能够提高判断的价值。毕竟，如果你不知道自己有多不喜欢被雨 淋湿或有多讨厌带伞，那么知道下雨的可能性是没有用的。 ——Ajay Agrawal 等，2018 年 一般来说，向量化回测使人们能够根据原来的策略（纯形式上的同样方式）判断基于预测 的算法交易策略的经济潜力。在实际应用中，大多数人工智能体除了预测模型之外，还有 更多的组成部分。例如，自动驾驶汽车的人工智能不是独立的，而是拥有大量规则和启发
2024-03-17 19:53:17
274
原创 向量化回测
特斯拉（Tesla）首席执行官、连续创业的科技公司创始人 Elon Musk 表示，在未 来两年内，特斯拉汽车在美国各地能被车主自己召唤并自动驾驶接送车主。 ——Samuel Gibbs，2016 年 在股市中，只要在重大变动中站在正确的一边，就能赚大钱。 ——Martin Zweig 术语向量化回测指的是对算法交易策略［比如基于“密集神经网络”（DNN）进行市场预 测策略］进行回测的技术方法。Hilpisch（2018，第 15 章；2020，第 4 章）涵盖了基于一 些具体向量化回测的例子。在这种情况下
2024-03-17 19:45:15
418
原创 FQL智能体
本节依托新的 Finance 环境，对简单的 DQL 智能体进行了改进，以提升其在金融市场环 境下的性能。移动平均线 回归线 回合 总 奖 励 图 9-4：运行于 Finance 环境的 FQLAgent 的平均总奖励 训练集和验证集的性能也出现了一个有趣的现象，如图 9-5 所示。相比之下， 验证集性能的方差要小得多，因为它仅依赖于对当前最优策略的利用。回合 总 收 益 训练数据集 验证数据集 回归线（训练集） 回归线（验证集） 图 9-5：FQLAgent 的每回合的训练集性能和验证集性能。
2024-03-17 18:47:24
711
原创 更好的金融沙箱
然而，没有必要将这样的环境限制为以单一 类型的特征来描述金融市场的状态，也没有必要只使用 4 个滞后项。之所以这是可 能的，是因为模拟了遵循物理定律的物理系统。另外，Finance 环境是从真实的历史市场数据开始的，并且仅以与 CartPole 环境类似 的方式（逐步和逐个状态地）将可用数据呈现给智能体。相反，环境演化是具有确定性的，智能体只是学习如何在该 环境中以最佳方式进行有利可图的交易。在这种情况下， 代表迷宫的数据是预先给出的，并且当智能体在迷宫中移动时，它只会看到数据的相 关子集（当前状态）。
2024-03-17 18:46:48
345
原创 简单的金融沙箱
这里的思路是，类似于 CartPole 环境， 4 个历史价格代表金融市场的状态，当给定一个状态时，智能体可以决定是做多还是做空。该类的 主要方法是 .reset() 和 .step()，其中，.step() 方法会检查是否采取了正确的动作，相 应地定义奖励，并检查成功或失败。移动平均线 回归线 回合 总 奖 励 图 9-3：运行于 Finance 环境的 DQLAgent 的平均总奖励 通用 RL 智能体 本节为金融市场环境提供了一个类，该类模拟了 OpenAI Gym 环境的 API。
2024-03-17 18:46:11
78
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人