Skip to main content

trading gym

Project description

AlphaProfit Trading Gym Env

Trading Gym Env - это "тренажер", где можно имитировать торговлю активами и обучать торговых роботов с помощью специальных методов RL. Он был разработан для быстрой и настраиваемой реализации алгоритмов RL для торговли.

Reinforcement Learning (RL) - это одна из областей машинного обучения, где агент учится принимать решения, выполняя действия в некоторой среде, чтобы максимизировать некоторый кумулятивный выигрыш.

Вот ключевые понятия и компоненты RL:

  • Агент (agent) – сущность, которая принимает решения. В контексте игр это может быть игроком, а в торговле – торговым алгоритмом.
  • Среда (env) – это всё, с чем агент взаимодействует. Агент делает действия в среде и получает обратную связь от неё.
  • Состояние (state) – это описание текущей ситуации в среде. Например, в игре шахмат состоянием может быть расположение всех фигур на доске.
  • Действие (action) – это то, что агент решает сделать в данный момент времени. В торговле это может быть решение купить, продать или удержать актив.
  • Вознаграждение (reward) – это численное значение, которое агент получает после выполнения действия. Цель агента – максимизировать сумму вознаграждений за определенный период времени.
  • Политика (policy) – это стратегия, которую агент использует для принятия решений. Это может быть простой алгоритм или сложная нейронная сеть, которая определяет, какое действие выполнить на основе текущего состояния.

RL отличается от других форм машинного обучения тем, что агенту не предоставляются "правильные" ответы. Вместо этого агенту предоставляется обратная связь в виде вознаграждения, основанная на его действиях, и он должен самостоятельно выяснить, какие действия приводят к максимальному вознаграждению.

Применение RL охватывает множество областей: от игр (например, обучение компьютера играть в шахматы или Go) до робототехники, финансов и многого другого.

На данный момент доступны следующие агенты:

  • BuyAndHoldAgent
  • RandomAgent
  • EqualWeightingAgent
  • A2C
  • PPO
  • DDPG
  • TD3
  • SAC

Требования

  • Python >=3.10, <3.12
  • gym ^0.26.2
  • stable-baselines3 ^2.1.0
  • loguru ^0.7.0
  • matplotlib ^3.7.2
  • seaborn ^0.12.2
  • ... (и другие зависимости, указанные в pyproject.toml)

Установка

Через Poetry

  1. Установите Poetry:
pip install poetry
  1. Установите зависимости проекта:
poetry install

Через Docker

Dockerfile предоставлен для удобства установки и использования проекта в контейнере. Чтобы использовать Docker:

  1. Соберите образ:
docker build -t trading_gym_env .
  1. Запустите контейнер:
docker run -it trading_gym_env

Использование

Пример использования:

...
from tradegym.tradegym import TradingEnv
from tradegym.agents import *
from tradegym.crossval import BackTest

import tradegym
print(tradegym.__version__)

...

agent = RandomAgent(_, e_test_gym, symbol='BTC-USDT-PERP')
bk = BackTest(e_test_gym, agent, verbose_step=1000)
bk.render()

bk.get_plot_profit_benchmark().show()
...

Подробные примеры и эксперименты можно найти в каталоге notebooks.

Тестирование

Для тестирования используйте:

pytest -v

Jupyter Notebooks

В репозитории присутствуют Jupyter notebooks. Откройте их, чтобы узнать больше о работе проекта и различных экспериментах.

Изменения

Посмотрите CHANGELOG.md для истории изменений.

Project Structure

├── repository/
    ├── CHANGELOG.md
    ├── Dockerfile
    ├── pyproject.toml
    ├── README.md
    ├── requirements.txt
    ├── notebooks/
        ├── test_Agent_RandomAgent.ipynb
        ├── quantstats-report.html
        ├── data/
    ├── tests/
        ├── stock_data_sample.csv
        ├── test_crossval.py
        ├── test_trading_env.py
        ├── test_agents.py
    ├── tradegym/
        ├── crossval.py
        ├── tradegym.py
        ├── __init__.py
        ├── rewards.py
        ├── agents/
            ├── baseline.py
            ├── sb3.py
            ├── __init__.py

Project details


Download files

Download the file for your platform. If you're not sure which to choose, learn more about installing packages.

Source Distribution

tradegym-25.2.4.tar.gz (18.4 kB view details)

Uploaded Source

Built Distribution

tradegym-25.2.4-py3-none-any.whl (18.2 kB view details)

Uploaded Python 3

File details

Details for the file tradegym-25.2.4.tar.gz.

File metadata

  • Download URL: tradegym-25.2.4.tar.gz
  • Upload date:
  • Size: 18.4 kB
  • Tags: Source
  • Uploaded using Trusted Publishing? No
  • Uploaded via: poetry/1.8.3 CPython/3.11.9 Linux/6.5.13-3-pve

File hashes

Hashes for tradegym-25.2.4.tar.gz
Algorithm Hash digest
SHA256 365f1f1ad84ef9ac4e36ceba7466fb770400d522177f7c9b1b0738d7b650c3cb
MD5 18dba1fea172156713681bfaacaf33c4
BLAKE2b-256 1d480419a01e8f82b35ca6d93cce4ffec1938a10daa33baf24723e8221a29376

See more details on using hashes here.

File details

Details for the file tradegym-25.2.4-py3-none-any.whl.

File metadata

  • Download URL: tradegym-25.2.4-py3-none-any.whl
  • Upload date:
  • Size: 18.2 kB
  • Tags: Python 3
  • Uploaded using Trusted Publishing? No
  • Uploaded via: poetry/1.8.3 CPython/3.11.9 Linux/6.5.13-3-pve

File hashes

Hashes for tradegym-25.2.4-py3-none-any.whl
Algorithm Hash digest
SHA256 08ef82aa1b408a68136f2dbd57e3180550dcd0b4d72db523b5ae9fc659c17837
MD5 07acc649d27f97288b75579507fcf49d
BLAKE2b-256 e68e777aae1a94bf5007421bfdb6acb1f1dc184d2804d808adb70139b965e590

See more details on using hashes here.

Supported by

AWS AWS Cloud computing and Security Sponsor Datadog Datadog Monitoring Fastly Fastly CDN Google Google Download Analytics Microsoft Microsoft PSF Sponsor Pingdom Pingdom Monitoring Sentry Sentry Error logging StatusPage StatusPage Status page