引言

设计原则

• 即插即用 (PnP)：模块化；处理不同市场（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）；用户友好变量。

• 避免硬编码参数。

• 使用“训练-测试-交易”管道弥合模拟与现实之间的差距：模拟用于训练，连接实时 API 用于测试/交易。

• 高效数据采样：加速数据采样过程是 DRL 训练的关键！来自 ElegantRL 项目。我们知道多进程能够有效减少训练时间（CPU + GPU 之间的调度）。

• 透明性：对上层不可见的虚拟环境。

• 灵活性和可扩展性：继承在这里可能会有帮助。

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。

• 提供了附带实践教程的交易任务，以新手友好和可复现的方式。定制是可行的。

• FinRL 具有良好的可扩展性，集成了精调的最新 DRL 算法。支持根据快速变化的股票市场调整实现。

• 选择了典型的用例，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，以便进行简便有效的性能评估。

借助 FinRL 库，实现强大的 DRL 交易策略变得更加便捷、高效和令人愉快。