معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

Train RL agents to manage a portfolio

ویژگی	مقدار
سیستم عامل	-
نام فایل	AssetAllocator-0.0.9
نام	AssetAllocator
نسخه کتابخانه	0.0.9
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Adebayo Oshingbesan, Eniola Ajiboye, Peruth Kamashazi, Timothy Mbaka
ایمیل نویسنده	eajiboye@andrew.cmu.edu
آدرس صفحه اصلی	https://github.com/Eloyjaws/AssetAllocator
آدرس اینترنتی	https://pypi.org/project/AssetAllocator/
مجوز	MIT

<a href="#link_to_final_report"> <img height=100 src="https://raw.githubusercontent.com/Eloyjaws/AssetAllocator/master/images/candlestick.png" /> <img height=100 src="https://raw.githubusercontent.com/Eloyjaws/AssetAllocator/master/images/portfolio.png" /> </a> Automating Portfolio Allocation with Reinforcement Learning <a href="https://eloyjaws.github.io/AssetAllocator/docs/">Docs</a> | <a href="https://github.com/Eloyjaws/AssetAllocator/tree/master/examples">Examples</a> # AssetAllocator ## Installation ``` pip install AssetAllocator ``` ## Usage ### Available Models and their keys | Model Name | Key | | :-------------------- | :-----------------------: | | [Normalized Advantage Function](https://arxiv.org/abs/1906.04594) | NAF | | [REINFORCE](https://proceedings.neurips.cc/paper/1999/file/464d828b85b0bed98e80ade0a5c43b0f-Paper.pdf) | REINFORCE | | [Deep Deterministic Policy Gradient](https://arxiv.org/abs/1509.02971) | DDPG | | [Twin Delayed Deep Deterministic Policy Gradient](https://arxiv.org/abs/1802.09477) | TD3 | | [Advantage Actor Critic](https://arxiv.org/abs/1802.09477) | A2C | | [Soft Actor Critic](https://arxiv.org/abs/1802.09477) | SAC | | [Trust Region Policy Optimization](https://arxiv.org/abs/1502.05477) | TRPO | | [Proximal Policy Optimization](https://arxiv.org/abs/1707.06347) | PPO | ### Running Experiments We wrote a generic Trainer and Experiment class that can be used to train any of the agents. All you need to do is your hyperparameter dictionaries and the agent name to run an experiment ``` import torch from AssetAllocator.experiment import Experiment device = 'cuda' if torch.cuda.is_available() else 'cpu' trainer_kw = {'print_every': 1, 'test_runs': 1} model_kw = {'device': device} exp = Experiment(trainer_kwargs=trainer_kw, model_kwargs=model_kw) exp.run('SAC') ``` ``` exp = Experiment(trainer_kwargs=trainer_kw, model_kwargs=model_kw, timesteps=[1_000_000]) exp.run('SAC') ``` ### Hyperparameter Tuning The Experiment class has support for overriding agent, trainer, and environment parameters. Check the [docs](https://eloyjaws.github.io/AssetAllocator/docs/) for more details about the [agent](https://eloyjaws.github.io/AssetAllocator/docs/algorithms/index.html), [trainer](https://eloyjaws.github.io/AssetAllocator/docs/trainer.html), and [environment](https://eloyjaws.github.io/AssetAllocator/docs/environments/PortfolioGym.html) and pass in the appropriate dictionaries to the Experiment class. An example can be seen below ``` trainer_kw = { 'experiment_name': 'time_to_get_rich', 'print_every': 100, 'test_runs': 10, 'add_softmax'=True, 'start_date'='2009-01-01', 'end_date'='2022-01-01', 'seed'=667, 'test_length'=550, 'test_runs'=1 } model_kw = { 'device': device, 'hidden_dim'=256, 'gamma'=0.9, } exp = Experiment(trainer_kwargs=trainer_kw, model_kwargs=model_kw) exp.run('A2C') ``` ### More Examples We have provided several example notebooks to help you [get started](https://github.com/Eloyjaws/AssetAllocator/tree/master/examples) ## Dependencies - gym - torchvision - scipy - torch - yfinance - stable_baselines3 - numpy - tqdm - pandas - matplotlib ## Contributions AssetAllocator is open to contributions ## Attribution Logos [1](https://www.flaticon.com/premium-icon/candlestick_2207346), [2](https://www.flaticon.com/premium-icon/portfolio_3345142) obtained from [flaticon](https://www.flaticon.com)

نیازمندی

مقدار	نام
==0.19.0	gym
==0.11.1	torchvision
==1.5.4	scipy
==1.10.0	torch
==0.1.63	yfinance
==1.3.0	stable-baselines3
==1.19.5	numpy
==4.56.0	tqdm
==1.1.5	pandas
==3.3.3	matplotlib

نحوه نصب

نصب پکیج whl AssetAllocator-0.0.9:

pip install AssetAllocator-0.0.9.whl

نصب پکیج tar.gz AssetAllocator-0.0.9:

pip install AssetAllocator-0.0.9.tar.gz