关于FinRL和ElegantRL的使用心得

最新推荐文章于 2024-03-22 09:40:14 发布
最新推荐文章于 2024-03-22 09:40:14 发布
阅读量2.7k 收藏
点赞数 1
分类专栏： 证券与算法学习 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44977584/article/details/121499154
版权

先说结论。别用Fin RL了，就那个bug和国内体验，建议直接上手ElegantRL，粗看了下，只要是有开发基础和简单的深度学习经验的，全看得懂，无门槛，更何况还有一堆demo和tutorial。

先挖个坑，后面来填

乔灵
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
用 GPU 并行环境 Isaac Gym + 强化学习库 ElegantRL：训练机器人Ant，3小时6000分，最高12000分
丨汀、的博客
07-14 2175
用 GPU 并行环境 Isaac Gym + 强化学习库 ElegantRL：训练机器人Ant，3小时6000分，最高12000分
Python-各种DRL算法的PyTorch实现
08-11
该项目包括用于单个代理和多代理的各种Deep Reinforcement Learning算法的PyTorch实现。
ElegantRL:使用PyTorch的轻量级，高效且稳定的深度强化学习算法实现。 :fire:
04-11
使用PyTorch的轻量级，高效且稳定的DRL实现 ElegantRL具有轻巧，高效和稳定的特点，适合研究人员和从业人员使用。 轻量级：使用PyTorch（火车），OpenAI Gym（环境），NumPy，Matplotlib（情节），核心代码<1,000行（请参见elegantrl / tutorial）。 高效：性能可与媲美。 稳定：与稳定一样 。 当前，无模型的深度强化学习（DRL）算法： DDPG，TD3，SAC，A2C，PPO，PPO（GAE）连续动作 DQN，DoubleDQN，D3QN用于离散操作 有关DRL算法，请查看教育性网页 。 请查看。 目录 要求 无模型DRL算法 消息 [Towardsdatascience] ElegantRL：轻巧且稳定的深度强化学习库 ElegantRL：掌握PPO算法（第一部分） [MLearning.ai] Elegan
ElegantRL210303.zip
03-03
来自github的工程代码，21/03/03版本 强化学习框架 小雅 内置readme可以查看 如侵权请联系博主马上删除
探秘优雅强化学习库ElegantRL：让AI更易理解与实践
最新发布
gitblog_00079的博客
03-22 220
探秘优雅强化学习库ElegantRL：让AI更易理解与实践 项目地址:https://gitcode.com/Yonv1943/ElegantRL 项目简介 ElegantRL 是一个由Yonv1943开发的Python库，专注于强化学习（Reinforcement Learning, RL）算法的实现。这个项目的目标是为研究者和开发者提供简洁、高效且易于理解的代码，帮助他们快速理解和应用RL算法...
小雅调查投票系统
03-26
本程序使用简单方便、可以无限添加投票项目、每个项目可以自行设定单选或多选，还可发表评论！ 后台登陆页面:admin_login.asp 登录用户名及密码都是:admin
Elegant-FinRL:优雅的FinRL
04-04
优雅的FinRL 该项目是的解决方案：面向全栈开发人员和专业人员的中级框架。 该项目借鉴了和想法 我们维护了一个优雅（轻巧，高效且稳定）的FinRL库，使研究人员和定量交易者可以轻松地开发算法策略。 轻量级：使用PyTorch，OpenAI Gym和NumPy，核心代码少于800条代码行。 高效：其性能可与Ray RLlib媲美。 稳定：与“稳定基准3”一样稳定。 设计原则 精通Python ：量化交易者，数据科学家和机器学习工程师熟悉开源Python生态系统：其编程模型和工具，例如NumPy。 首先将研究人员和算法交易者放在首位：基于PyTorch，我们支持研究人员手动控制代码的执行，从而使他们能够提高自动图书馆的性能。 精益求精的算法策略：拥有一个优雅的（可能是稍微不完整的）解决方案比一个全面但复杂且难以遵循的设计（例如Ray RLlib要好。 它允许快速的代码迭代。 D
Python库 | elegantrl-0.3.1.tar.gz
04-08
资源分类：Python库 所属语言：Python 资源全名：elegantrl-0.3.1.tar.gz 资源来源：官方 安装方法：https://lanzao.blog.csdn.net/article/details/101784059
基于Tushare和ElegantRL的量化交易实战
misakaworst_02的博客
08-08 3669
使用Tushare作为数据源，开源的ElegantRL作为深度强化学习的框架训练智能股票交易机器人进行量化交易。
【重磅推荐】哥大开源“FinRL”: 一个用于量化金融自动交易的深度强化学习库
热门推荐
深度强化学习实验室：一个“开源开放、共享共进”的强化学习学术组织。
03-15 1万+
深度强化学习实验室官网：http://www.neurondance.com/论坛：http://deeprl.neurondance.com/编辑：DeepRL一、关于FinRL目前，深...
ElegantRL源码解读
sinat_28375239的博客
06-08 1215
ElegantRL源码解读 框架结构 创造agent，各个agent已经封装好，选择算法 from elegantrl.agent import AgentDuelingDQN 选择环境 PreprocessEnv(env=gym.make('LunarLander-v2')) # 股票环境 from envs.FinRL.StockTrading import StockTradingEnv # 在环境里加载数据，加入相关指标 self.price_ary, self.tech_ary =
利用强化学习进行股票操作实战（三）
01-07
与上一篇文章相同之处 对于交易策略，与上一篇文章相同，当发出买入指令时，一次性全部买入；当发出卖出指令时，一次性全部卖出。还没有添加加减仓操作。 模型仍然用的是DQN模型。 新增内容 在之前的基础上加入了交易手续费、印花税等。 在强化学习这个领域中，reward函数是一个需要精心设计的函数。目前暂时没有好的reward设计思路，但还是修改了之前的reward函数。（其实之前的reward的设计也是错的） 首先将第二天的股票价格的涨跌幅当做reward。 reward =(self.trend[self.t + 1] - self.trend[self.t]) / self.trend[self
FinRL-Library:用于定量金融自动交易的深度强化学习库。 NeurIPS2020。请加星标。 :fire:
03-17
FinRL：用于定量金融的深度强化学习库 FinRL是一个开放源代码库，可为从业人员提供用于管道策略开发的统一框架。 在强化学习（或Deep RL）中，代理通过尝试与错误的方式与环境进行持续交互，在不确定的情况下进行顺序决策，并在勘探与开发之间取得平衡，从而进行学习。 开源社区AI4Finance （有效地实现交易自动化）提供有关定量金融中的深度强化学习（DRL）的教育资源。 有贡献吗？ 请在此页面的末尾检查征集电话。 随时报告有关Github问题的错误，加入我们的邮件列表： ，并在松弛的渠道中讨论FinRL： FinRL的路线图： FinRL 1.0 ：面向初学者的入门级教学活动，具有示范性和教育性。 FinRL 2.0 ：面向全栈开发人员和专业人员的中级框架。 看看 FinRL为各种市场，SOTA DRL算法，基准财务任务（投资组合分配，加密货币交易，高频交易），实时交
FinRL-Library_Exchange
04-08
随时报告有关Github问题的错误，加入我们的邮件列表： ，并在松弛的渠道中讨论FinRL： FinRL的路线图： FinRL 1.0 ：面向初学者的入门级教学活动，具有示范性和教育性。 FinRL 2.0 ：面向全栈开发人员和专业人员的...
finrl-multiple:测试FinRL库
04-06
整数倍 关于FinRL多重股票测试的注意事项
用于定量金融中自动股票交易的深度强化学习库-Python开发
05-25
用于定量金融自动股票交易的深度强化学习库FinRL：用于定量金融自动股票交易的深度强化学习库该存储库引用了我们的论文代码，该代码出现在Deep RL Workshop，NeurIPS 2020中。 DRL）已被认为是量化金融的一种有效...
哥大开源“FinRL”: 一个用于量化金融自动交易的深度强化学习库
人工智能前沿分享
11-29 1443
目前，深度强化学习（DRL）技术在游戏等领域已经取得了巨大的成功，同时在量化投资中的也取得了突破性进展，为了训练一个实用的DRL 交易agent，决定在哪里交易，以什么价格交易以及交易的数量，这是一个具有挑战性的问题，那么强化学习到底如何与量化交易进行结合呢？我们知道解决一个问题最难的部分是建模部分，强化学习整体由环境、智能体和奖励函数三部分组成，那么对于量化交易来说，环境，智能体算法，奖励分别对应什么呢，下图对FinRL-Gym等环境，状态，动作和奖励进行定义和阐述。FinRL采用模块化结构的分层架构。
金融强化学习与finRL开发包
weixin_38175458的博客
11-20 1508
原创文章第110篇，专注“个人成长与财富自由、世界运作的逻辑， AI量化投资”。时代的一粒沙，落在每个人身上就是一座山。这三年，对于这句话，相信很多人更能感同身受。看历史风云变幻，轻轻松松一句——百年未有之大变局，仿佛宋元明清，直接就这么一路走来。之于每个个体，人生不过百年，说长不长，但隔离你14天试试？很多事情，我们无法左右。翻开历史，满眼的荒唐事，只待后人评述。改变能改变的，接受不能改变的，对不确定性，做好我们自己能做的准备。
finrl vs tensortrade
05-15
FinRL和TensorTrade都是用于金融交易的强化学习框架，它们都提供了一种可扩展且易于使用的环境来开发和测试自己的交易策略。但是，两者之间还是存在一些区别。 首先，FinRL是一个利用强化学习算法进行交易的完整框架，它已经预先安装了各种金融工具库和强化学习算法，包括DQN和PPO等。它还提供了从数据处理到模型开发和优化的一系列工具，让用户可以更加关注策略的开发。而TensorTrade则更加注重用户的灵活性和自定义性，它提供了一个基本的交易环境，用户可以使用Python和TensorFlow等工具来自定义自己的交易策略和模型。 其次，FinRL拥有较为完整的文档和教程，方便用户入门和学习，而TensorTrade则相对较少。此外，FinRL还提供了一些易于使用的示例代码，用于演示如何使用该框架进行交易。 最后，由于它们的设计目标和使用场景的不同，两者的API和数据格式也略有差异。这就要求用户在选择框架时根据自己的需求和技能水平来进行选择。如果你是一名初学者或者想快速开发投资策略，那么FinRL是一个不错的选择；如果你更关注自定义性和高级功能，可以使用TensorTrade。 总之，FinRL和TensorTrade都是值得尝试的金融交易框架，在选择之前，需要先明确自己的需求和技能水平。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值