Ik maak een ai kwantitatieve trading bot

Dit project levert een op maat gemaakt AI-handelsysteem dat is gebouwd met TensorFlow, OpenAI Gymnasium, RL en LSTM-gebaseerde recurrente architecturen, speciaal ontworpen voor het leren van financiële tijdreeksen onder ruisende en bevoordeelde marktcondities.

De kern van dit werk is het verminderen van policy bias, het verbeteren van de richtingsnauwkeurigheid en het stabiliseren van het leerproces in omgevingen waar de meeste handelsagenten falen, vooral in sterk eendirectionele of scheve marktregimes, waar standaard RL-agenten vaak instorten in triviale of bevoordeelde strategieën.

Belangrijke resultaten van deze aanpak zijn onder andere:

Het ontwerpen van bijna onbevooroordeelde PPO-agenten, zelfs wanneer ze worden getraind op sterk scheve marktdata

Het verminderen van gevoeligheid voor kortetermijnprijsruis dat er gewoonlijk voor zorgt dat agenten kapitaal in de verkeerde richting vastzetten

Het bereiken van stabiel trainen zonder reward clipping of informatieverlies

Het omgaan met marktnon-stationariteit met behulp van recurrente (LSTM-gebaseerde) policies

Het resultaat is een research-waardige, markt-onafhankelijke handelsagent die getraind kan worden op historische data en vervolgens gebruikt kan worden om acties te voorspellen in verschillende markten zoals aandelen, crypto of forex.