wwtx/reinforcementlearning_for_stock

强化学习炒股，走向人生巅峰（或倾家荡产）

强化学习炒股，走向人生巅峰（或倾家荡产）

免责声明

• 本网站所载的资料并不构成投资的意见或建议，据此操作风险自担。股市有风险，投资需谨慎！

Quickstart

单股票

1. 数据获取

以下任选一种:

cd data
nohup python -u get_stock_data_baostock_train.py > get_train.log 2>&1 &
nohup python -u get_stock_data_baostock_test.py > get_test.log 2>&1 &

cd data
nohup python -u get_stock_data_tushare.py > get_data.log 2>&1 &

2. 设置配置文件config.yaml(也可使用默认配置参数)

3. 训练模型

python train.py

4. 测试模型

python test.py

多股票

python multi_stock_ensemble_strategy.py

环境

• 单只股票
• 多只股票

RL算法

• PPO
• A2C
• DDPG
• TD3

实验结果

• 初始本金 100000
• 单只股票
• 股票代码：sh.600006
• 训练集：1990-01-01至2019-12-31
• 测试集：2020-01-01至2020-12-31
• 模拟操作 242 天

盈利情况:

PPO: 盈利77801

A2C: 盈利23054

参考资料, 本项目参考了以下资料,感谢原作者

1. Create custom gym environments from scratch — A stock market example
2. RL-Stock
3. Deep-Reinforcement-Learning-Hands-On, chapter 10
4. Personae
5. FinRL

主要改动:

1. 调整代码结构,增加配置文件
2. RL算法模型使用最新版本的stable-baselines3，之前的stable-baselines已处于维护状态，且容易遇到tensorflow版本不兼容的问题
3. 丰富RL模型
4. 增加交易手续费
5. 股票价格后复权
6. 特征优化
7. 测试集长度设置为1年

优先todo:

• 环境:允许手持多个股票的环境
• 模型: 其他包的rl模型调用: elegantrl, rllib 参考: https://github.com/AI4Finance-Foundation/FinRL/tree/master/finrl/drl_agents
• 模型: 调研baselines3

todo:

• 将特征接口抽出来
• 将模型接口抽出来
• 将reward的定义抽出来
• 特征优化: 历史统计信息
• 特征优化: 模型预测结果
• 特征优化: 外部数据,如天气
• 策略优化: 组合策略
• 选股说明
• 可视化优化