Descarga RLTrader - Descarga del código fuente RLTrader

RLTrader

Otro código fuente

v.0.3.3

Descargar

RLTrader: el predecesor de TensorTrade

El desarrollo de esta biblioteca se ha ralentizado, a favor de trabajar en TensorTrade, un marco para operar con RL: https://github.com/notadamking/tensortrade

Si desea obtener más información sobre cómo creamos este agente, consulte el artículo de Medium: https://towardsdatascience.com/creating-bitcoin-trading-bots-that-dont-lose-money-2e7165fb0b29

Posteriormente, optimizamos este repositorio utilizando ingeniería de funciones, modelado estadístico y optimización bayesiana. Échale un vistazo: https://towardsdatascience.com/using-reinforcement-learning-to-trade-bitcoin-for-massive-profit-b69d0e8f583b

Servidor de discordia: https://discord.gg/ZZ7BGWh

Conjuntos de datos: https://www.cryptodatadownload.com/data/northamerican/

Visualización de operaciones en vivo

Empezando

¿Cómo saber si tienes GPU nVIDIA?

Linux:

sudo lspci | grep -i --color ' vga|3d|2d ' | grep -i nvidia

Si esto arroja algo, entonces deberías tener una tarjeta nVIDIA.

Uso básico

Lo primero que deberá hacer para comenzar es instalar los requisitos. Si su sistema tiene una GPU nVIDIA, debe comenzar usando:

 cd " path-of-your-cloned-rl-trader-dir "
pip install -r requirements.txt

Más información sobre cómo puedes aprovechar tu GPU mientras usas Docker: https://github.com/NVIDIA/nvidia-docker

Si tienes otro tipo de GPU o simplemente quieres usar tu CPU, usa:

pip install -r requirements.no-gpu.txt

Actualice sus archivos estáticos actuales, que se utilizan de forma predeterminada:

 python ./cli.py update-static-data

Luego podrá simplemente ver las opciones disponibles actualmente:

python ./cli.py --help

o simplemente ejecute el proyecto con las opciones predeterminadas:

python ./cli.py optimize

Si tiene un conjunto estándar de configuraciones con las que desea ejecutar el comerciante, puede especificar un archivo de configuración desde el que cargar la configuración. Cambie el nombre de config/config.ini.dist a config/config.ini y ejecute

python ./cli.py --from-config config/config.ini optimize

python ./cli.py optimize

Prueba con vagabundo

Inicie el cuadro vagabundo usando:

vagrant up

El código estará ubicado en /vagrant. Juega y/o prueba con el paquete que desees. Nota: Con vagrant no puedes aprovechar al máximo tu GPU, por lo que es principalmente para fines de prueba.

Prueba con ventana acoplable

Si desea ejecutar todo dentro de un contenedor acoplable, simplemente use:

./run-with-docker (cpu | gpu) (yes | no) optimize

cpu: inicia el contenedor utilizando los requisitos de la CPU
gpu: inicia el contenedor utilizando los requisitos de GPU
si | no - iniciar o no un contenedor de postgres local Nota: en caso de usar yes como segundo argumento, use

python ./ cli.py --params-db-path " postgres://rl_trader:rl_trader@localhost " optimize

La base de datos y sus datos están almacenados en data/postgres localmente.

Si desea ejecutar un entorno de prueba de Docker:

./run-with-docker (cpu | gpu) (yes | no)

Si desea ejecutar pruebas existentes, simplemente use:

./run-tests-with-docker

Inicie un entorno de desarrollo local de Docker

./dev-with-docker

Instalación de Windows 10, no se necesita instalación de CUDA

conda create --name rltrader python=3.6.8 pip git conda enable rltrader conda install tensorflow-gpu git clone https://github.com/notadamking/RLTrader pip install -r RLTrader/requirements.txt

Optimización, capacitación y pruebas

Si bien podría dejar que el agente se entrene y ejecute con los hiperparámetros predeterminados de PPO2, es probable que su agente no sea muy rentable. La biblioteca stable-baselines proporciona un excelente conjunto de parámetros predeterminados que funcionan para la mayoría de los dominios problemáticos, pero necesitamos mejorar.

Para hacer esto, necesitará ejecutar optimize.py .

python ./optimize.py

Esto puede llevar un tiempo (de horas a días dependiendo de la configuración de su hardware), pero con el tiempo se imprimirá en la consola a medida que se completen las pruebas. Una vez que se completa una prueba, se almacenará en ./data/params.db , una base de datos SQLite, desde la cual podemos extraer hiperparámetros para entrenar a nuestro agente.

A partir de ahí, los agentes serán entrenados utilizando el mejor conjunto de hiperparámetros y luego probados con datos completamente nuevos para verificar la generalización del algoritmo.

¡No dudes en hacer cualquier pregunta en Discord!

colaboración de google

Ingrese y ejecute el siguiente fragmento en la primera celda para cargar RLTrader en un entorno de Google Colab. ¡No olvide configurar la aceleración de hardware en GPU para acelerar el entrenamiento!

 !git init && git remote add origin https://github.com/notadamking/RLTrader.git && git pull origin master
!pip install -r requirements.txt

Solución de problemas comunes

No se pudo encontrar el módulo especificado.

Normalmente esto se debe a que falta el módulo mpi. Debes instalarlo según tu plataforma.

Windows: https://docs.microsoft.com/en-us/message-passing-interface/microsoft-mpi
Linux/MacOS: https://www.mpich.org/downloads/

Contribuyendo

Se alientan las contribuciones y siempre haré todo lo posible para implementarlas en la biblioteca lo antes posible. Este proyecto está destinado a crecer a medida que crece la comunidad que lo rodea. Déjame saber si hay algo que te gustaría ver en el futuro o si sientes que falta algo.

¿Estás trabajando en tu primera solicitud de extracción? Puede aprender cómo hacerlo en esta serie gratuita Cómo contribuir a un proyecto de código abierto en GitHub.