介绍

设计原则

• 即插即用 (PnP): 模块化; 处理不同的市场 (例如 T0 与 T+1).

• 完整性和通用性：多个市场；各种数据源（API、Excel等）；用户友好的变量。

• 避免硬编码参数。

• 使用“训练-测试-交易”管道缩小模拟与现实的差距：模拟用于训练，并连接实时API进行测试/交易。

• 高效的数据采样：加速数据采样过程是DRL训练的关键！来自ElegantRL项目。我们知道多进程在减少训练时间（CPU + GPU之间的调度）方面非常强大。

• 透明度：一个对上层不可见的虚拟环境。

• 灵活性和可扩展性：继承在这里可能很有帮助。

贡献

• FinRL 是一个用于金融强化学习的开源框架。提供了包含市场摩擦的交易环境。

• 交易任务伴随着实践教程，以初学者友好且可复制的方式提供。定制是可行的。

• FinRL具有良好的可扩展性，配备了经过微调的最先进的DRL算法。支持快速调整实现以适应快速变化的股票市场。

• 选择典型用例为量化金融社区建立基准。还提供了标准的回测和评估指标，以便进行简单有效的性能评估。

使用FinRL库，强大的DRL交易策略的实现变得更加容易、高效和愉快。