AI4Finance-Foundation/FinRL
FinRL®: Financial Reinforcement Learning. 🔥
해결하는 문제
FinRL은 딥 강화 학습(DRL)을 사용하여 양적 거래를 자동화하기 위한 오픈 소스 프레임워크를 제공합니다. 금융 시장에서 순차적 의사 결정 정책을 만들 수 있는 거래 에이전트를 개발, 훈련 및 테스트하는 과정을 단순화합니다.
작동 방식
프레임워크는 세 가지 핵심 계층으로 구성됩니다:
- 시장 환경: 에이전트가 상호 작용할 금융 시장을 시뮬레이션합니다.
- DRL 에이전트: 최적의 거래 전략을 학습하기 위해 다양한 알고리즘(A2C, DDPG, PPO, TD3, SAC 등)을 구현합니다.
- 금융 애플리케이션: 학습된 정책을 주식 거래, 암호화폐 거래, 포트폴리오 배분과 같은 특정 작업에 적용합니다.
훈련-테스트-거래 파이프라인을 따릅니다: 데이터 다운로드 및 전처리(MACD, RSI와 같은 기술적 지표 포함), Stable Baselines 3과 같은 라이브러리를 사용한 에이전트 훈련, DJIA 지수와 같은 기준선에 대한 백테스트 성능.
대상 사용자
이 저장소는 주로 금융 강화 학습을 실험하고 연구 프로토타입을 만들고자 하는 학습자, 개발자 및 연구자를 대상으로 합니다.
주요 특징
- 광범위한 데이터 지원: Yahoo Finance, Alpaca, Binance, WRDS를 포함한 다양한 데이터 소스와 통합됩니다.
- 코딩된 파이프라인: 데이터 수집부터 백테스트까지 완전한 종단 간 워크플로우를 제공합니다.
- 알고리즘 다양성: Stable Baselines 3, ElegantRL, RLlib을 통해 여러 DRL 에이전트를 지원합니다.
- 교육 중심: 주식 거래 워크플로우를 위한 튜토리얼과 예제를 포함합니다.
관련
- 프로젝트
Tencent-Hunyuan/UniRLUniRL은 Apache‑2.0 Python 프레임워크로, 많은 멀티모달 생성 모델(확산, 비디오, LLM, VLM, 통합 AR+확산)에 단일 강화 학습 루프를 적용합니다. 구성 가능한 트레이너, 여러 롤아웃 백엔드(vLLM‑Omni, SGLang), 표준 및 새로운 RL 알고리즘(GRPO, Flow‑DPPO, DRPO, CPPO), 그리고 수십 개의 최첨단 모델에 대한 실행 준비된 레시피를 제공합니다. 사용자는 Hydra 구성을 통해 훈련을 시작하고, 시스템은 분산 롤아웃, 점수 계산, 이점 계산 및 가중치 동기화를 처리합니다.
- Dispatch
- 프로젝트
AI4Finance-Foundation/FinRobotFinRobot은 고위험 금융 분석을 위한 오픈소스, 다중 에이전트 AI 플랫폼입니다. 결정론적 파이썬 기반 평가(DCF, LBO 등)를 LLM 생성 서사에서 분리하고, 전문 에이전트(데이터, 분석, 모델링, 통합, 보고서, 논쟁 에이전트)를 조율하며, 세 가지 버전을 제공: 프로덕션용 데스크톱 앱(V2), 자체 호스팅 웹 보고서 생성기(V1), 교육용 AutoGen 라이브러리(V0). 여러 시장 데이터 소스를 통합하고, 56개의 분석가 플레이북을 제공하며, CLI, 브라우저 UI 또는 네이티브 Tauri 데스크톱 클라이언트로 로컬에서 실행 가능합니다.
- 프로젝트
- 프로젝트
alibaba/ROLLROLL은 대규모 강화 학습 훈련을 위한 오픈소스 라이브러리로, 대규모 언어 모델을 훈련합니다. Ray 기반 분산 실행을 제공하며, 다양한 RL 알고리즘(PPO, GRPO, Reinforce++ 등)을 지원하고, Megatron‑Core, vLLM, SGLang, LoRA와 함께 작동하며, RL 기반 미세 조정(RLVR) 및 다중 턴 에이전트 RL을 위한 파이프라인을 제공합니다. 이 프로젝트에는 광범위한 문서, 하드웨어에 구애받지 않는 지원(NVIDIA, AMD, Ascend) 및 내장된 관측 가능성이 포함되어 있습니다.