golsun/deep-RL-trading
✨ 用深度强化学习模拟理想化交易博弈,适合量化因子研究
🧭 AI 判断
仅供研究理想化交易游戏的DRL实验代码,非实盘框架,维护不明
用深度强化学习在理想化交易博弈中训练策略,适合RL量化研究入门与实验
📊 综合评分
📈 热度走势
GitHub star / HF 下载量每日快照 · 自 2026-09-17(上限 30 天)0(现 360 · 断点=当日未采集)
📖 工具介绍
一个基于深度强化学习(deep reinforcement learning)进行交易研究的开源项目，通过让智能体在理想化的交易游戏中反复训练，探索 RL 策略在金融市场中的应用方式。项目代码结构清晰，适合对强化学习量化交易感兴趣的研究者和开发者学习与实验。
playing idealized trading games with deep reinforcement learning
⚖️ 同类对比
| 维度 | deep-RL-trading | vectorbt | HFTFramework | factor-qc |
|---|---|---|---|---|
| 结论 | 仅供研究 | 推荐 | 仅供研究 | 值得关注 |
| 热度 | 360 | 9.4k | 308 | — |
| 7日增长 | 0 | +91 | +1 | 0 |
| 适合人群 | 专业量化 | 专业量化 | 专业量化 | 专业量化 |
| 主要用途 | 策略研究 / 回测 | 回测 / 策略研究 | 策略研究 / 回测 | 回测 / 策略研究 |
| 支持市场 | 多市场 | 多市场 | 多市场 | 多市场 |
| 技术栈 | Python | Python | Python | Python |
| 上手难度 | 较高 | 较高 | 较高 | 较高 |
| 活跃度 | 低 | 高 | 低 | — |
🧩 更多同类工具
一款基于 Python 的开源回测与量化研究框架，提供高性能的向量化计算能力，支持策略回测、参数优化、算法交易与研究分析。适合需要快速批量测试大量策略参数组合的量化研究员和交易者。
一个开源的高频交易研究框架，用于支撑论文《A reinforcement learning approach to improve the performance of the Avellaneda-Stoikov market-making algorithm》的研究。它将强化学习与经典的 Avellaneda-Stoikov 做市模型相结合，可用于策略回测与实验验证。适合从事做市策略、强化学习量化研究的开发者和研究人员使用。
一款基于 Python 的量化研究质量把关工具，为回测和因子证据提供 fail-closed 的质量门控检查。核心功能包括 DSR、PBO、haircut、MinTRL 检验，并附带概率校准的伴随门控。适合需要对因子策略和回测结果做严格统计验证的量化研究员与开发者。
一个基于 Python 的交易策略研究框架，支持迭代式策略生成、回测、SQLite 记忆存储、holdout 评估和 walk-forward 实验，并实验性引入遗传算法与 diff 机制。适合希望借助 LLM/Agent 开展量化策略研究与验证的开发者和研究人员。
一款面向量化金融的 Python 开源库，提供数据管理、回测引擎、组合优化与风险分析等模块，内置多种常用因子和指标计算工具。其文档完善、模块化设计清晰，适合量化研究人员和开发者用于策略研究、回测验证与投资组合分析。
一款由微软开源的 AI 导向量化投资平台，基于 Python 构建。它提供从数据处理、模型训练到回测的完整机器学习流水线，覆盖 Alpha 挖掘、风险分析等量化投资全链条。适合希望将 AI/ML 方法应用于量化研究的开发者和研究者使用。