南洋理工發布量化交易大師TradeMaster，涵蓋15種強化學習演算法

近日，量化平台大家庭迎來了一位新成員，基於強化學習的開源平台: TradeMaster— 交易大師。

#TradeMaster 由南洋理工大學開發，是一個涵蓋四大金融市場，六大交易場景，15 種強化學習演算法以及一系列可視化評價工具的統一的，端到端的，用戶友好的量化交易平台！

平台位址: https://github.com/TradeMaster-NTU/TradeMaster

背景介紹

近年來，人工智慧技術在量化交易策略中正在佔據越來越重要的地位。由於具有在複雜環境中突出的決策能力，將強化學習技術應用於量化交易中任務存在巨大的潛力。然而金融市場的低信噪比和強化學習演算法訓練不穩定的特徵使得強化學習演算法目前還無法大規模部署在真實金融市場中，具體挑戰如下:

##開發流程複雜，包含極大的工程量，難以實現
1. 演算法性能高度依賴測試時的市場狀態，風險較高，難以系統評價
2. 演算法的設計，優化，和維護有存在較高的技術門檻，難以大規模部署。

TradeMaster 的發佈為這個領域提供了一款軟體工具，一個產業基準和一類工業級產品介面以解決上文中的三個挑戰。

TradeMaster 對於產學研用深度融合的潛在貢獻##TradeMaster框架

TradeMaster 由

六個核心模組組成，包含了用於量化交易強化學習演算法的設計，實現，測試，部署的完整流程，以下我們要為大家具體介紹：

TradeMaster 平台的框架結構

資料模組：TradeMaster 提供了長週期多模態(K 線和訂單流) 不同粒度(分鐘級到日級) 的金融數據，涵蓋四個主要市場：中國，美國股和外匯。

預處理模組：TradeMaster 提供了標準化的金融時序資料預處理的pipeline，包含6 個步驟：1. 資料清洗2. 資料填入 3.正規化 4.自動特徵發掘5. 特徵嵌入6. 特徵選擇

模擬器模組：TradeMaster 提供了一系列的數據驅動的高品質金融市場模擬器，支援6 個主流量化交易任務：1 .金錢交易2. 資產組合管理3. 日內交易4. 訂單執行5. 高頻交易6. 做市

演算法模組：TradeMaster 實現了7 個最新的基於強化學習的交易演算法( DeepScalper，OPD，DeepTrader，SARL，ETTO，Investor-Imitator，EIIE ) 和8 個經典強化演算法( PPO，A2C，Rainbow，SAC，DDPG，DQN，PG，TD3 )。同時，TradeMaster 引入了自動化機器學習技術來幫助使用者高效的調整訓練強化學習演算法的超參數。

評價模組：TradeMaster 實現了17 個評價指標和視覺化工具從收益能力，風險控制，多樣性，可解釋性，穩健性，通用型6 個維度給出系統化的評價。以下是兩個例子：

#表示收益能力，風險控制，策略多樣性的雷達圖

#

金融時序資料視覺化

執行流程偽代碼

TradeMaster 基於物件導向的程式設計思想，對不同功能模組進行封裝，實現了不同模組之前的功能解偶和封裝，具有良好的可擴展性和復用性，具體流程包含如下 6 個步驟：

#測試結果

以道瓊30 指數上的投資組合這項經典任務為例，EIIE 演算法在測試集上取得了穩定的正收益和較高的夏普比：

##TradeMaster 教程

TradeMaster 提供了一系列針對多個金融市場不同交易任務的強化學習演算法教程，透過Jupyter Notebook 的形式呈現以方便用戶快速上手：

詳情請見：https://github.com/TradeMaster-NTU/TradeMaster/tree/1.0.0/tutorial#

以上是南洋理工發布量化交易大師TradeMaster，涵蓋15種強化學習演算法的詳細內容。更多資訊請關注PHP中文網其他相關文章！