基准

性能指标

FinRL-Meta 提供以下统一指标来衡量交易表现

• 累计回报: \(R = \frac{V - V_0}{V_0}\), 其中 V 为最终投资组合价值， \(V_0\) 为初始资金。

• 年化回报: \(r = (1+R)^\frac{365}{t}-1\), 其中 t 为交易日数。

• 年化波动率: \({\sigma}_a = \sqrt{\frac{\sum_{i=1}^{n}{(r_i-\bar{r})^2}}{n-1}}\), 其中 \(r_i\) 为第 i 年的年化回报， \(\bar{r}\) 为平均年化回报，n 为年数。

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

• 最大回撤 投资组合价值的最大百分比损失。

提供以下基线交易策略用于比较

• 被动交易策略，一种广为人知的长期策略。投资者仅买入并持有选定的股票或指数，不进行进一步操作。

• 均值-方差和最小方差策略，这两种策略都在风险与收益之间寻求平衡。它选择多元化投资组合以在较低风险下获得较高收益。

• 等权重策略，一种投资组合分配策略，对不同资产赋予相同的权重，避免将过高的权重分配给特定股票。

Jupyter Notebook 教程

出于教育目的，我们提供 Jupyter Notebooks 作为教程，以帮助新手熟悉整个流程。Notebooks 可以在此处找到

• 股票交易：我们应用流行的 DRL 算法来交易多只股票。

• 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：我们重现了对 10 种流行加密货币的实验。

• 用于清算策略分析的多智能体强化学习：我们重现了 [7] 中的实验。多智能体优化清算任务中的不足，即在给定时间内顺序出售给定数量的某只股票，同时考虑市场影响和风险厌恶引起的成本。

• 用于股票交易的集成策略：我们重现了在股票交易任务中采用多种 DRL 算法集成策略的实验。

• 模拟交易演示：我们提供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：我们提供一个基于中国 A 股市场数据的演示。

• 超参数调优：我们提供多个使用 Optuna 或 Ray Tune 进行超参数调优的演示，因为超参数调优对于更好的性能至关重要。