基准测试

性能指标

FinRL-Meta 提供了以下统一的指标来衡量交易表现：

• 累计回报： \(R = \frac{V - V_0}{V_0}\), 其中 V 是最终投资组合价值，\(V_0\) 是原始资本。

• 年化收益率： \(r = (1+R)^\frac{365}{t}-1\)，其中 t 是交易日的数量。

• 年化波动率： \({\sigma}_a = \sqrt{\frac{\sum_{i=1}^{n}{(r_i-\bar{r})^2}}{n-1}}\), 其中 \(r_i\) 是第i年的年化收益率，\(\bar{r}\) 是平均年化收益率，n 是年数。

• 夏普比率: \(S = \frac{r - r_f}{{\sigma}_a}\), 其中 \(r_f\) 是无风险利率。

• 最大回撤 投资组合价值的最大百分比损失。

以下基线交易策略提供用于比较：

• 被动交易策略，一种著名的长期策略。投资者只需购买并持有选定的股票或指数，无需进一步操作。

• **均值方差和最小方差策略，这两种策略都在寻找风险和利润之间的平衡。它选择一个多样化的投资组合，以在较低的风险下实现更高的利润。

• 等权重策略，一种投资组合分配策略，给予不同资产相同的权重，避免在特定股票上分配过高的权重。

Jupyter Notebooks 教程

出于教育目的，我们提供Jupyter笔记本作为教程，帮助新手熟悉整个流程。笔记本可以在这里找到

• 股票交易：我们应用流行的DRL算法来交易多种股票。

• 投资组合分配：我们使用DRL代理来优化一组股票中的资产分配。

• 加密货币交易：我们在10种流行的加密货币上重现了实验。

• 多智能体强化学习用于清算策略分析：我们重现了[7]中的实验。多智能体优化了清算任务中的短缺，即在给定时间内依次出售某只股票的给定份额，同时考虑市场影响和风险规避产生的成本。

• 股票交易的集成策略：我们复现了在股票交易任务中采用几种DRL算法的集成策略的实验。

• 模拟交易演示：我们提供了一个模拟交易的演示。用户可以在模拟交易中结合自己的策略或训练好的代理。

• 中国A股演示：我们提供了一个基于中国A股市场数据的演示。

• 超参数调优：我们提供了几个使用Optuna或Ray Tune进行超参数调优的演示，因为超参数调优对于提高性能至关重要。