notadamking/RLTrader

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

Open

#15 ouverte le 7 juin 2019

Voir sur GitHub
 (2 commentaires) (0 réactions) (0 assignés)Python (535 forks)batch import
enhancementgood first issuehelp wantedquestion

Métriques du dépôt

Stars
 (1 592 stars)
Métriques de merge PR
 (Aucune PR mergée en 30 j)

Description

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?).

Guide contributeur

Direction de recherche
Examinez l'intégration SARIMAX existante dans la base de code de RLTrader pour comprendre comment les prédictions sont transmises à l'agent. Consultez les deux commentaires sur cette issue pour un contexte supplémentaire. Concevez ensuite une interface générique pour les modèles de prédiction définis par l'utilisateur, tels que LSTM ou FB Prophet, qui peuvent remplacer SARIMAX. Envisagez d'utiliser des bibliothèques comme PyTorch ou TensorFlow pour LSTM et assurez la compatibilité avec l'environnement de trading existant.
Stack technique
python
Domaine
machine learning
Type d'issue
Fonctionnalité
DifficultéDifficulté estimée pour un nouveau contributeur, de 1 pour un très petit changement à 5 pour un travail expert.
4
Temps estiméFourchette de temps approximative pour investiguer, implémenter, tester et préparer une pull request.
Plus d'une semaine
Statut d'activitéDisponibilité apparente de l'issue : fraîche, active, ancienne, bloquée ou en attente d'un mainteneur.
Ancienne
ClartéClarté avec laquelle l'issue explique le changement attendu, les critères d'acceptation et la prochaine étape.
Investigation requise
Prérequis
Python programmingReinforcement learning basicsTime series forecastingDeep learning (LSTM)
Accessibilité débutantScore de 1 à 100 estimant l'accessibilité de cette issue pour un premier contributeur.
25