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
- Установите Poetry:
pip install poetry
- Установите зависимости проекта:
poetry install
Через Docker
Dockerfile предоставлен для удобства установки и использования проекта в контейнере. Чтобы использовать Docker:
- Соберите образ:
docker build -t trading_gym_env .
- 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
Metadata
Release files for tradegym 25.2.4
For a detailed explanation of source distributions (sdists) and built distributions (wheels), please see the package formats documentation.
Source distribution (sdist)
| File | Size | Uploaded | Provenance | Actions |
|---|---|---|---|---|
| tradegym-25.2.4.tar.gz | 18.4 kB | Without provenance | Details for tradegym-25.2.4.tar.gz |
Built distribution (wheel)
| File | Interpreter | ABI | Platform | Actions Reset |
|---|---|---|---|---|
| tradegym-25.2.4-py3-none-any.whl | Python 3 | none | any | Details for tradegym-25.2.4-py3-none-any.whl |
Total release size: 36.6 kB
Release files / tradegym-25.2.4.tar.gz
| Download URL | tradegym-25.2.4.tar.gz |
|---|---|
| Size | 18.4 kB |
| Tags | Source |
|
SHA-256 checksum How to use checksums |
365f1f1ad84ef9ac4e36ceba7466fb770400d522177f7c9b1b0738d7b650c3cb
|
|
BLAKE2b-256 checksum How to use checksums |
1d480419a01e8f82b35ca6d93cce4ffec1938a10daa33baf24723e8221a29376
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
No |
| Uploaded via |
poetry/1.8.3 CPython/3.11.9 Linux/6.5.13-3-pve
|
Release files / tradegym-25.2.4-py3-none-any.whl
| Download URL | tradegym-25.2.4-py3-none-any.whl |
|---|---|
| Size | 18.2 kB |
| Tags | Python 3 |
|
SHA-256 checksum How to use checksums |
08ef82aa1b408a68136f2dbd57e3180550dcd0b4d72db523b5ae9fc659c17837
|
|
BLAKE2b-256 checksum How to use checksums |
e68e777aae1a94bf5007421bfdb6acb1f1dc184d2804d808adb70139b965e590
|
| Upload date | |
|
Uploaded using Trusted Publishing? What is trusted publishing? |
No |
| Uploaded via |
poetry/1.8.3 CPython/3.11.9 Linux/6.5.13-3-pve
|
Security for tradegym 25.2.4
Provenance
Provenance describes where a file came from. On PyPI, provenance is shared via attestations, which provide a verifiable record of the build or publishing details. View details, limitations and caveats.
No provenance found
None of the files in this release were uploaded with provenance metadata.
A note on package security
PyPI is a repository for distributing packages, not a service for auditing them. While third-party security researchers and our staff do their best to detect and remove malicious packages, PyPI cannot guarantee the quality, security or suitability of any given package.
To learn more about protecting yourself from malicious actors, visit our package security documentation.