AI4Finance-Foundation/FinRL-Meta

해결하는 문제

FinRL-Meta는 표준화된 시장 환경과 벤치마크 계층을 제공하여 금융 거래 에이전트 개발 및 평가의 어려움을 해결합니다. 이는 과거 백테스팅이 실제 성과를 예측하지 못하는 '시뮬레이션과 현실의 격차'를 줄이고, 퀀트 연구자의 데이터 전처리 부담을 낮추는 것을 목표로 합니다.

작동 방식

이 프로젝트는 관심사를 분리하기 위해 3계층 아키텍처를 사용합니다:

1. 데이터 계층 (Data Layer): DataOps 파이프라인을 구현하여 다양한 소스(예: Yahoo Finance, Binance, Alpaca)에서 금융 데이터에 접근, 정제 및 특징 추출을 자동화합니다.
2. 환경 계층 (Environment Layer): 동일한 데이터셋을 사용하여 에이전트를 공정하게 테스트하고 비교할 수 있는 가상 시장 환경을 생성합니다.
3. 에이전트 계층 (Agent Layer): 연구자가 다양한 심층 강화 학습 (DRL) 라이브러리를 통합할 수 있는 플러그 앤 플레이 인터페이스를 제공합니다.

'훈련-테스트-거래'(Training-Testing-Trading) 파이프라인을 따라 훈련, 하이퍼파라미터 튜닝, 실거래에 사용되는 기간을 엄격히 분리하여 정보 누출을 방지합니다.

대상 사용자

신뢰할 수 있는 벤치마크와 자동화된 데이터 파이프라인이 필요한 데이터 기반 금융 강화 학습 에이전트를 구축하는 퀀트 연구자 및 개발자를 위해 설계되었습니다.

주요 특징

• 플러그 앤 플레이 호환성: ElegantRL, Stable-Baselines3, RLlib을 포함한 주요 DRL 라이브러리 지원.
• 광범위한 데이터 통합: 미국 및 중국 증권과 암호화폐 전반에 걸친 다수의 데이터 소스 내장 지원.
• 자동화된 DataOps: 원시 OHLCV 데이터에서 처리된 기술적 지표(예: MACD, RSI)까지의 파이프라인 간소화.
• Sim-to-Real 집중: 과거 시뮬레이션과 실제 시장 실행 간의 격차를 해소하기 위해 특별히 설계됨.