RLTrader

RLTrader — O predecessor do TensorTrade

O desenvolvimento desta biblioteca desacelerou, em favor do trabalho no TensorTrade - uma estrutura para negociação com RL: https://github.com/notadamking/tensorrade

Se você quiser saber mais sobre como criamos este agente, confira o artigo do Medium: https://towardsdatascience.com/creating-bitcoin-trading-bots-that-dont-lose-money-2e7165fb0b29

Posteriormente, otimizamos este repositório usando engenharia de recursos, modelagem estatística e otimização Bayesiana, confira: https://towardsdatascience.com/using-reinforcement-learning-to-trade-bitcoin-for-massive-profit-b69d0e8f583b

Servidor Discord: https://discord.gg/ZZ7BGWh

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

Começando

Como descobrir se você tem GPU nVIDIA?

Linux:

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

Se isso retornar alguma coisa, você deverá ter uma placa nVIDIA.

Uso básico

A primeira coisa que você precisa fazer para começar é instalar os requisitos. Se o seu sistema tiver uma GPU nVIDIA, você deve começar usando:

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

Mais informações sobre como você pode aproveitar as vantagens de sua GPU ao usar o docker: https://github.com/NVIDIA/nvidia-docker

Se você possui outro tipo de GPU ou simplesmente deseja usar sua CPU, use:

pip install -r requirements.no-gpu.txt

Atualize seus arquivos estáticos atuais, que são usados ​​por padrão:

 python ./cli.py update-static-data

Depois você pode simplesmente ver as opções atualmente disponíveis:

python ./cli.py --help

ou simplesmente execute o projeto com opções padrão:

python ./cli.py optimize

Se você tiver um conjunto padrão de configurações com as quais deseja executar o trader, poderá especificar um arquivo de configuração para carregar a configuração. Renomeie config/config.ini.dist para config/config.ini e execute

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

python ./cli.py optimize

Testando com vagabundo

Inicie a caixa vagante usando:

vagrant up

O código estará localizado em /vagrant. Jogue e/ou teste com qualquer pacote que desejar. Nota: Com o vagrant você não pode aproveitar ao máximo sua GPU, portanto é principalmente para fins de teste

Testando com docker

Se você deseja executar tudo dentro de um contêiner docker, basta usar:

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

• cpu - inicia o contêiner usando os requisitos de CPU
• gpu – inicia o contêiner usando os requisitos de GPU
• sim | não - inicia ou não um contêiner postgres local Nota: caso use sim como segundo argumento, use

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

O banco de dados e seus dados são mantidos em data/postgres localmente.

Se você deseja girar um ambiente de teste do Docker:

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

Se você deseja executar testes existentes, basta usar:

./run-tests-with-docker

Abra um ambiente de desenvolvimento docker local

./dev-with-docker

Instalação do Windows 10, sem necessidade de instalação CUDA

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

Otimizando, treinando e testando

Embora você pudesse simplesmente deixar o agente treinar e operar com os hiperparâmetros PPO2 padrão, seu agente provavelmente não seria muito lucrativo. A biblioteca stable-baselines fornece um grande conjunto de parâmetros padrão que funcionam para a maioria dos domínios de problemas, mas precisamos melhorar.

Para fazer isso, você precisará executar optimize.py .

python ./optimize.py

Isso pode demorar um pouco (horas ou dias, dependendo da configuração do seu hardware), mas com o tempo ele será impresso no console à medida que os testes forem concluídos. Assim que um teste for concluído, ele será armazenado em ./data/params.db , um banco de dados SQLite, do qual podemos extrair hiperparâmetros para treinar nosso agente.

A partir daí, os agentes serão treinados utilizando o melhor conjunto de hiperparâmetros e posteriormente testados em dados completamente novos para verificar a generalização do algoritmo.

Sinta-se à vontade para fazer qualquer pergunta no Discord!

Google Colab

Insira e execute o seguinte snippet na primeira célula para carregar o RLTrader em um ambiente Google Colab. Não se esqueça de definir a aceleração de hardware para GPU para acelerar o treinamento!

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

Solução de problemas comuns

O módulo especificado não foi encontrado.

Normalmente isso é causado pela falta do módulo mpi. Você deve instalá-lo de acordo com sua plataforma.

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

Contribuindo

As contribuições são incentivadas e sempre farei o meu melhor para implementá-las na biblioteca o mais rápido possível. Este projeto pretende crescer à medida que a comunidade ao seu redor cresce. Deixe-me saber se há algo que você gostaria de ver no futuro ou se há algo que você sente que está faltando.

Trabalhando em sua primeira solicitação pull? Você pode aprender como nesta série gratuita Como contribuir para um projeto de código aberto no GitHub

Apoiar

Quer mostrar seu apoio a este projeto e ajudá-lo a crescer?

Vá para a estrutura sucessora: https://github.com/notadamking/tensorrade

Apoiadores:

• Ap9944
• MATAR
• Próximo