Налаштування FinRL Framework для навчання торгового агента

Торговий агент на основі DRL дає збій, якщо середовище не відображає реальні комісії та ліквідність. Ми стикалися з проєктами, де модель показувала 200% дохідності в симуляції, але на живому ринку втрачала капітал через ігнорування спредів та slippage. FinRL вирішує це через налаштовуване середовище StockTradingEnv, де можна задати комісії купівлі/продажу, початковий капітал та ліміти на транзакцію. Нерідко розробники копіюють конфігурацію зі статті без урахування свого брокера: наприклад, використовують стандартні 0.1% комісії, а реальні — 0.3% з урахуванням спреду. Після коригування середовища дохідність впала з 30% до 8%, зате модель стала стабільно заробляти на реалі. Ми налаштовуємо середовище під конкретні ринкові умови: ліквідність, спреди, обмеження на обсяг позиції. Наш досвід — понад 5 років впровадження DRL у фінансах, десятки успішних проєктів. Гарантуємо робочий baseline за 2–3 дні. Отримайте консультацію — оцінимо ваш кейс під ключ. Зв'яжіться з нами для розрахунку вартості та термінів.

Типові проблеми при налаштуванні FinRL

Ігнорування комісій та прослизання. Якщо не задати buy_cost_pct та sell_cost_pct, агент буде здійснювати угоди з нульовими витратами, що в реальності неможливо. У проєкті з одним хедж-фондом ми додали прослизання 0.05% на угоду — дохідність знизилася на 12%, але модель стала стійкою до ринкових умов.

Перенавчання на історичних даних. Агент може запам'ятати шум замість сигналу. Щоб цього уникнути, використовуємо out-of-sample бектест з розділенням даних 70/30 та регуляризацію через ентропійний бонус у PPO. Типова економія на штрафах за ризик: +15% Sharpe ratio.

Некоректна нормалізація ознак. Ціни акцій не масштабовані, що ускладнює навчання. FinRL автоматично застосовує Z-score нормалізацію до технічних індикаторів, але якщо дані містять викиди (наприклад, flash crash), агент може обрати невірну стратегію. Ми додаємо winsorization на 0.5% перцентиля.

Встановлення та перший запуск

pip install finrl pip install stockstats wrds alpaca-trade-api # джерела даних 

Швидкий старт:

import finrl
from finrl.train import train
from finrl.test import test
from finrl.config_tickers import DOW_30_TICKER
from finrl.config import INDICATORS

# навчання на акціях Dow Jones 30
train(
    start_date='2010-01-01',
    end_date='2021-10-31',
    ticker_list=DOW_30_TICKER,
    data_source='yahoofinance',
    technical_indicator_list=INDICATORS,
    drl_lib='stable_baselines3',
    env='stock_trading',
    model_name='ppo',
    if_store_account_value=True,
    cwd='./trained_models/ppo_dow30'
)

test(
    start_date='2021-11-01',
    end_date='2023-12-31',
    ticker_list=DOW_30_TICKER,
    data_source='yahoofinance',
    technical_indicator_list=INDICATORS,
    drl_lib='stable_baselines3',
    env='stock_trading',
    model_name='ppo',
    cwd='./trained_models/ppo_dow30'
)

Як налаштувати функцію винагороди?

Функція винагороди визначає поведінку агента. У FinRL вона задається через reward_scaling у env_kwargs. За замовчуванням нагорода дорівнює зміні вартості портфеля. Ми часто додаємо штраф за надмірний ризик, наприклад, дисперсію денних дохідностей. Це змушує агента шукати більш стабільні стратегії, підвищуючи Sharpe ratio на 15–20%.

from finrl.meta.env_stock_trading.env_stocktrading import StockTradingEnv

env_kwargs = {
    "hmax": 100,  # max акцій за транзакцію
    "initial_amount": 1_000_000,  # початковий капітал
    "buy_cost_pct": [0.001] * n,  # комісія купівлі
    "sell_cost_pct": [0.001] * n,  # комісія продажу
    "state_space": state_space,
    "stock_dim": n_tickers,
    "tech_indicator_list": INDICATORS,
    "action_space": n_tickers,
    "reward_scaling": 1e-4  # масштаб reward
}

env = StockTradingEnv(df=train_df, **env_kwargs)

Чому PPO ефективний для трейдингу?

PPO (Proximal Policy Optimization) — один із найпопулярніших алгоритмів для фінансових DRL. Він стабільніший за A2C, швидший за DDPG і вимагає менше налаштування гіперпараметрів. У наших бенчмарках PPO перевершує A2C за Sharpe ratio на 15–20% і збігається в 2 рази швидше за DDPG на однаковому обсязі даних. Згідно з дослідженням, PPO забезпечує надійну збіжність у задачах з неперервним простором дій.

Для порівняння моделей використовуйте вбудовані функції FinRL:

models = ['a2c', 'ddpg', 'ppo', 'td3', 'sac']
results = {}
for model_name in models:
    train(model_name=model_name, cwd=f'./models/{model_name}', ...)
    account_value = test(model_name=model_name, cwd=f'./models/{model_name}', ...)
    results[model_name] = account_value

# візуалізація
from finrl.plot import backtest_plot
backtest_plot(results, baseline_start='2022-01-01', baseline_end='2023-12-31', baseline_ticker='^GSPC') # vs S&P500

Як уникнути overfitting при навчанні агента?

Overfitting — часта проблема DRL у фінансах. Щоб її уникнути, використовуйте наступні прийоми:

• Розділіть дані на train/validation/test (наприклад, 60/20/20). Валідаційна вибірка потрібна для ранньої зупинки.
• Застосуйте регуляризацію: у PPO це параметр ent_coef (ентропійний бонус). Значення 0.01–0.05 покращує узагальнення.
• Додайте noise у середовище: випадкові затримки виконання ордерів або стохастичну комісію. Це імітує ринковий шум.
• Обмежте кількість кроків епізоду — не більше 252 (торговий рік). Короткий епізод змушує агента фокусуватися на короткострокових сигналах.
• Перевіряйте модель на out-of-sample періодах з кризами (наприклад, 2020). Якщо дохідність падає більш ніж на 30%, агент переобучений.

Які метрики використовувати для оцінки агента?

Не варто покладатися лише на накопичену дохідність. Використовуйте комплекс метрик:

• Sharpe ratio — дохідність з поправкою на ризик. Хороший агент показує Sharpe > 1.0.
• Maximum drawdown — максимальна просадка. Допустимо не більше 20% від піку.
• Win rate — відсоток прибуткових угод. Вище 50% вже добре, але залежить від стратегії.
• Calmar ratio — відношення річної дохідності до максимальної просадки. Ідеально > 2.
• Sortino ratio — аналог Sharpe, враховує лише негативну волатильність. Більш суворий.

У FinRL ці метрики можна отримати через backtest_plot() або розрахувати вручну з account_value. Ми надаємо у звіті всі ключові показники.

Що входить у роботу

• Аналіз доступних ринкових даних та вибір джерел.
• Конфігурація середовища StockTradingEnv під вашого брокера/ринок.
• Навчання 5 DRL-алгоритмів з автоматичним підбором гіперпараметрів.
• Бектестинг на історичних даних зі звітом за метриками (Sharpe, Sortino, Max Drawdown).
• Передача навченої моделі та документації по запуску.
• Консультація щодо інтеграції у ваш торговий термінал.

Процес роботи

1. Аналітика — розбір вимог, джерел даних, обмежень.
2. Проєктування — визначення state/action space, функції reward.
3. Реалізація — налаштування FinRL, навчання baseline моделей.
4. Тестування — бектест на out-of-sample даних, перевірка на стійкість.
5. Деплой — видача моделі, навчання персоналу.

Терміни орієнтовно

Вартість розраховується індивідуально — пишіть, оцінимо проєкт. Наші сертифіковані за TensorFlow інженери мають досвід роботи з JAX та PyTorch. Отримайте консультацію — обговоримо деталі. Замовте налаштування FinRL — отримайте робочий прототип за 2–3 дні.