Github
论文FinRL用于交易
目的：基于FinRL (https://github.com/AI4Finance-Foundation/FinRL)，使用监督学习（SL）和深度强化学习（DRL）开发人工智能股票选择和交易策略，并将其部署到在线交易平台。
第一阶段：金融数据处理和技术指标
-
下载道琼斯30指数、纳斯达克100指数或标准普尔500指数数据，包括开盘价、最高价、最低价、收盘价和成交量（OHLCV）以及基本面指标。
-
获取技术指标并进行特征工程：技术指标，如MACD、RSI；以及基本面指标，如每股收益（EPS）、投资回报率（ROI）、股本回报率（ROE）、市盈率（P/E）、市销率（P/S）。
第二阶段：股票选择和投资组合配置及回测结果
-
股票选择：使用经典机器学习算法（LSTM、随机森林、SVM、线性回归、Lasso、Ridge）对基本面多因子数据进行监督学习，每季度选择排名前25%的股票； • 参考论文：https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3302088 • GitHub代码：https://github.com/AI4Finance-Foundation/Machine-Learning-for-Stock-Recommendation-IEEE-2018
-
投资组合配置：在FinRL中使用DRL集成策略（包括PPO、DDPG、A2C、SAC和TD3）对所选股票进行资产配置，使用每日数据进行交易，并输出持仓； • 参考论文：https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3690996 • GitHub代码：https://github.com/AI4Finance-Foundation/FinRL-Meta/blob/master/tutorials/1-Introduction/FinRL_PortfolioAllocation_NeurIPS_2020.ipynb
第三阶段：将DRL代理部署到在线交易平台
- 部署：将策略部署到Alpaca等在线交易平台进行模拟交易
免责声明：本文内容不构成财务建议，也不是交易真实资金的推荐。请运用常识，并在交易或投资前务必先咨询专业人士。
