基于Gym Anytrading 的強化學習簡單實例
近年來強化學習(RL)在算法交易領域受到了極大的關注。強化學習算法從經(jīng)驗中學習并基于獎勵優(yōu)化行動使其非常適合交易機器人。在這篇文章，我們將簡單介紹如何使用Gym Anytrading環(huán)境和GME (GameStop Corp.)交易數(shù)據(jù)集構建一個基于強化學習的交易機器人。
強化學習是機器學習的一個子領域，涉及代理學習與環(huán)境交互以實現(xiàn)特定目標。代理在環(huán)境中采取行動，接收獎勵形式的反饋，并學會隨著時間的推移最大化累積獎勵。代理的目標是發(fā)現(xiàn)一個將狀態(tài)映射到行動的最優(yōu)策略，從而導致最好的可能結果。
Gym Anytrading
Gym Anytrading是一個建立在OpenAI Gym之上的開源庫，它提供了一系列金融交易環(huán)境。它允許我們模擬各種交易場景，并使用RL算法測試不同的交易策略。
安裝依賴
將使用的主要庫是TensorFlow, stable-baselines3和Gym Anytrading。運行以下代碼來安裝所需的依賴項:
!pip install tensorflow
!pip install stable_baselines3
!pip install gym
!pip install gym-anytrading
!pip install tensorflow-gpu導入庫
導入必要的庫和設置環(huán)境開始:
# Gym stuff
import gym
import gym_anytrading
# Stable baselines - RL stuff
from stable_baselines3.common.vec_env import DummyVecEnv
from stable_baselines3 import A2C
# Processing libraries
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt加載GME交易數(shù)據(jù)
將使用GameStop Corp. (GME)的歷史交易數(shù)據(jù)作為示例。我們假設您擁有CSV格式的GME交易數(shù)據(jù)，沒有的話可以通過搜索引擎找到下載地址。
加載GME交易數(shù)據(jù)并為Gym Anytrading環(huán)境做準備:
# Load GME trading data
df = pd.read_csv('gmedata.csv')
# Convert data to datetime type
df['Date'] = pd.to_datetime(df['Date'])
df.dtypes
# Set Date as the index
df.set_index('Date', inplace=True)
df.head()
通過Gym創(chuàng)建交易環(huán)境
下一步就是使用Gym Anytrading創(chuàng)建交易環(huán)境。環(huán)境將代表GME交易數(shù)據(jù)，我們的代理將通過購買、出售和持有股票等行為與環(huán)境進行交互。
# Create the environment
env = gym.make('stocks-v0', df=df, frame_bound=(5, 100), window_size=5)
# View environment features
env.signal_features
# View environment prices
env.prices探索環(huán)境
在繼續(xù)構建RL模型之前，可以先對環(huán)境可視化了解其特征。
# Explore the environment
env.action_space
state = env.reset()
while True:
action = env.action_space.sample()
n_state, reward, done, info = env.step(action)
if done:
print("info", info)
break
plt.figure(figsize=(15, 6))
plt.cla()
env.render_all()
plt.show()該圖顯示了GME交易數(shù)據(jù)的一部分，以及Gym Anytrading環(huán)境生成的買入和賣出信號。
構建強化學習模型
我們將使用stable-baselines3庫構建RL模型。我們將使用A2C(Advantage Actor-Critic)算法
# Creating our dummy vectorizing environment
env_maker = lambda: gym.make('stocks-v0', df=df, frame_bound=(5, 100), window_size=5)
env = DummyVecEnv([env_maker])
# Initializing and training the A2C model
model = A2C('MlpPolicy', env, verbose=1)
model.learn(total_timesteps=1000000)評估模型
在訓練模型之后，可以評估它在GME交易數(shù)據(jù)的不同部分上的表現(xiàn)。
# Create a new environment for evaluation
env = gym.make('stocks-v0', df=df, frame_bound=(90, 110), window_size=5)
obs = env.reset()
while True:
obs = obs[np.newaxis, ...]
action, _states = model.predict(obs)
obs, rewards, done, info = env.step(action)
if done:
print("info", info)
break
plt.figure(figsize=(15, 6))
plt.cla()
env.render_all()
plt.show()
總結
在這篇文章中，我們介紹了如何使用Gym Anytrading環(huán)境和stable-baselines3庫來構建一個基于強化學習的交易機器人。本文只是一個起點，構建一個成功的交易機器人需要仔細考慮各種因素并不斷改進。
