交易机器人

第 11 章详细展示过如何训练一款深度 Q 学习交易机器人，以及如何以向量化和基于事件的 方式对其进行回测。本节会根据 Oanda 的历史数据重复这方面选定的核心步骤。12.7.1 节 会展示一个 Python 模块，其中包含用于处理 Oanda 数据的环境类 OandaEnv，其用法与 第 11 章的 Finance 类相同。 下面的 Python 代码实例化了学习环境对象。在此步骤中，驱动学习、验证和测试的主要数 据相关的参数是固定的。OandaEnv 类允许包含杠杆，这在外汇和差价合约交易中是典型情 况。杠杆放大了已实现的收益率，从而增加了潜在的利润，但也增加了损失风险。执行与部署 ｜ 295 In [50]: import oandaenv as oe In [51]: symbol = 'EUR_USD' In [52]: date = '2020-08-11' In [53]: features = [symbol, 'r', 's', 'm', 'v'] In [54]: %%time learn_env = oe.OandaEnv(symbol=symbol, start=f'{date} 08:00:00', end=f'{date} 13:00:00', granularity='S30', ➊ price='M', ➋ features=features, ➌ window=20, ➍ lags=3, ➎ leverage=20, ➏ min_accuracy=0.4, ➐ min_performance=0.85 ➑ ) CPU times: user 23.1 ms, sys: 2.86 ms, total: 25.9 ms Wall time: 26.8 ms In [55]: np.bincount(learn_env.data['d']) Out[55]: array([299, 281]) In [56]: learn_env.data.info() DatetimeIndex: 580 entries, 2020-08-11 08:10:00 to 2020-08-11 12:59:30 Data columns (total 6 columns): # Column Non-Null Count Dtype --- ---