notadamking/RLTrader

Allow user-defined prediction models to replace SARIMAX with LSTM, FB Prophet, etc.

Open

#15 geöffnet am 7. Juni 2019

Auf GitHub ansehen
 (2 Kommentare) (0 Reaktionen) (0 zugewiesene Personen)Python (535 Forks)batch import
enhancementgood first issuehelp wantedquestion

Repository-Metriken

Stars
 (1.592 Stars)
PR-Merge-Metriken
 (Keine gemergten PRs in 30 T)

Beschreibung

Instead of using the SARIMAX model's predictions to be fed as a feature / observation into the agent at every time step, maybe using the predictions of a separately trained LSTM may perform better. I've found that LSTM's trained on stationary time series usually perform ok, in that their prediction "direction" (up or down) is generally correct. Also, the slope (change in log returns with respect to time) of the LSTM prediction can be used as an additional input feature as an indicator for the severity of the predicted change (will the price jump up or down suddenly?).

Contributor Guide

Research-Richtung
Untersuche die bestehende SARIMAX Integration in der RLTrader Codebasis, um zu verstehen, wie Vorhersagen an den Agenten übermittelt werden. Überprüfe die beiden Kommentare zu diesem Issue für zusätzlichen Kontext. Entwerfe dann eine generische Schnittstelle für benutzerdefinierte Vorhersagemodelle, wie LSTM oder FB Prophet, die SARIMAX ersetzen können. Erwäge die Verwendung von Bibliotheken wie PyTorch oder TensorFlow für LSTM und stelle die Kompatibilität mit der bestehenden Handelsumgebung sicher.
Tech Stack
python
Domain
machine learning
Issue Type
Funktion
SchwierigkeitGeschätzte Implementierungsschwierigkeit für neue Contributors, von 1 für sehr kleine Änderungen bis 5 für Expertenarbeit.
4
Geschätzte ZeitEin grober Zeitrahmen, um zu recherchieren, zu implementieren, zu testen und einen Pull Request vorzubereiten.
Über 1 Woche
AktivitätsstatusWie verfügbar das Issue gerade wirkt: frisch, aktiv, stale, blockiert oder wartet auf Maintainer-Input.
Veraltet
KlarheitWie klar das Issue die erwartete Änderung, Akzeptanzkriterien und den nächsten Schritt erklärt.
Recherche nötig
Voraussetzungen
Python programmingReinforcement learning basicsTime series forecastingDeep learning (LSTM)
EinsteigerfreundlichkeitEin Score von 1 bis 100, der schätzt, wie zugänglich dieses Issue für First-Time Contributors ist.
25