Scriverò un bot di trading quantitativo con AI

Questo progetto realizza un sistema di trading AI personalizzato costruito usando TensorFlow, OpenAI Gymnasium, RL e architetture ricorrenti basate su LSTM, pensato appositamente per l'apprendimento di serie temporali finanziarie in condizioni di mercato rumorose e sbilanciate.

Il focus principale di questo lavoro è ridurre il bias della policy, migliorare la precisione direzionale e stabilizzare l'apprendimento in ambienti dove la maggior parte degli agent di trading fallisce, soprattutto in regimi di mercato altamente unidirezionali o sbilanciati, dove gli agent RL standard spesso collassano in strategie banali o di parte.

I risultati chiave di questo approccio includono:

Progettare agent PPO quasi privi di bias anche quando vengono addestrati su dati di mercato fortemente sbilanciati

Ridurre la sensibilità al rumore di prezzo a breve termine che di solito porta gli agent a investire nel senso sbagliato

Raggiungere un addestramento stabile senza clipping delle ricompense o perdita di informazioni

Gestire la non-stazionarietà del mercato usando policy ricorrenti (basate su LSTM)

Il risultato è un agente di trading di livello di ricerca, indipendente dal mercato, che può essere addestrato su dati storici e poi usato per prevedere azioni in mercati diversi come azioni, crypto o forex.