快速开始

QlibRL提供了一个单资产订单执行任务的实现示例，以下是使用QlibRL进行训练的配置文件示例。

simulator:
    # 每步包含30分钟
    time_per_step: 30
    # 交易量上限，应为null或0到1之间的浮点数，如果是浮点数，表示上限按市场交易量的百分比计算
    vol_limit: null
env:
    # 并发环境工作器数量.
    concurrency: 1
    # dummy或subproc或shmem。对应`tianshou中的并行模式 <https://tianshou.readthedocs.io/en/master/api/tianshou.env.html#vectorenv>`_。
    parallel_mode: dummy
action_interpreter:
    class: CategoricalActionInterpreter
    kwargs:
        # 候选动作，可以是长度为L的列表：[a_1, a_2,..., a_L]或整数n，此时会自动生成长度为n+1的列表，即[0, 1/n, 2/n,..., n/n]。
        values: 14
        # 总步数（上限估计）
        max_step: 8
    module_path: qlib.rl.order_execution.interpreter
state_interpreter:
    class: FullHistoryStateInterpreter
    kwargs:
        # 数据维度数量。
        data_dim: 6
        # 等于记录总数。例如，在SAOE每分钟数据中，data_ticks是一天的分钟数。
        data_ticks: 240
        # 总步数（上限估计）。例如，390分钟 / 每步30分钟 = 13步。
        max_step: 8
        # 处理后数据的提供器。
        processed_data_provider:
            class: PickleProcessedDataProvider
            module_path: qlib.rl.data.pickle_styled
            kwargs:
                data_dir: ./data/pickle_dataframe/feature
    module_path: qlib.rl.order_execution.interpreter
reward:
    class: PAPenaltyReward
    kwargs:
        # 短时间内大量交易的惩罚值。
        penalty: 100.0
    module_path: qlib.rl.order_execution.reward
data:
    source:
        order_dir: ./data/training_order_split
        data_dir: ./data/pickle_dataframe/backtest
        # 时间索引数量
        total_time: 240
        # 开始时间索引
        default_start_time: 0
        # 结束时间索引
        default_end_time: 240
        proc_data_dim: 6
    num_workers: 0
    queue_size: 20
network:
    class: Recurrent
    module_path: qlib.rl.order_execution.network
policy:
    class: PPO
    kwargs:
        lr: 0.0001
    module_path: qlib.rl.order_execution.policy
runtime:
    seed: 42
    use_cuda: false
trainer:
    max_epoch: 2
    # 每次训练迭代收集的 episodes 数量
    repeat_per_collect: 5
    earlystop_patience: 2
    # 训练时每次收集的 episodes 数量。
    episode_per_collect: 20
    batch_size: 16
    # 每n次迭代执行一次验证
    val_every_n_epoch: 1
    checkpoint_path: ./checkpoints
    checkpoint_every_n_iters: 1

And the config file for backtesting:

order_file: ./data/backtest_orders.csv
start_time: "9:45"
end_time: "14:44"
qlib:
    provider_uri_1min: ./data/bin
    feature_root_dir: ./data/pickle
    # feature generated by today's information
    feature_columns_today: [
        "$open", "$high", "$low", "$close", "$vwap", "$volume",
    ]
    # feature generated by yesterday's information
    feature_columns_yesterday: [
        "$open_v1", "$high_v1", "$low_v1", "$close_v1", "$vwap_v1", "$volume_v1",
    ]
exchange:
    # 买卖股票限制的表达式
    limit_threshold: ['$close == 0', '$close == 0']
    # 买卖交易价格
    deal_price: ["If($close == 0, $vwap, $close)", "If($close == 0, $vwap, $close)"]
volume_threshold:
    # 买卖双方的交易量限制，"cum"表示这是随时间累积的值
    all: ["cum", "0.2 * DayCumsum($volume, '9:45', '14:44')"]
    # 买入的交易量限制
    buy: ["current", "$close"]
    # 卖出的交易量限制，"current"表示这是实时值，不会随时间累积
    sell: ["current", "$close"]
strategies:
    30min:
        class: TWAPStrategy
        module_path: qlib.contrib.strategy.rule_strategy
        kwargs: {}
    1day:
        class: SAOEIntStrategy
        module_path: qlib.rl.order_execution.strategy
        kwargs:
        state_interpreter:
            class: FullHistoryStateInterpreter
            module_path: qlib.rl.order_execution.interpreter
            kwargs:
            max_step: 8
            data_ticks: 240
            data_dim: 6
            processed_data_provider:
                class: PickleProcessedDataProvider
                module_path: qlib.rl.data.pickle_styled
                kwargs:
                data_dir: ./data/pickle_dataframe/feature
        action_interpreter:
            class: CategoricalActionInterpreter
            module_path: qlib.rl.order_execution.interpreter
            kwargs:
            values: 14
            max_step: 8
        network:
            class: Recurrent
            module_path: qlib.rl.order_execution.network
            kwargs: {}
        policy:
            class: PPO
            module_path: qlib.rl.order_execution.policy
            kwargs:
                lr: 1.0e-4
                # 最新模型的本地路径。模型在训练过程中生成，因此如果要使用训练好的策略进行回测，请先运行训练。也可以删除此参数文件，使用随机初始化的策略进行回测。
                weight_file: ./checkpoints/latest.pth
# 并发环境工作器数量。
concurrency: 5

使用上述配置文件，您可以通过以下命令开始训练智能体：

$ python -m qlib.rl.contrib.train_onpolicy.py --config_path train_config.yml

训练完成后，您可以通过以下命令进行回测：

$ python -m qlib.rl.contrib.backtest.py --config_path backtest_config.yml

在这种情况下，SingleAssetOrderExecution 和 SingleAssetOrderExecutionSimple 作为模拟器示例，qlib.rl.order_execution.interpreter.FullHistoryStateInterpreter 和 qlib.rl.order_execution.interpreter.CategoricalActionInterpreter 作为解释器示例，qlib.rl.order_execution.policy.PPO 作为策略示例，qlib.rl.order_execution.reward.PAPenaltyReward 作为奖励函数示例。 对于单资产订单执行任务，如果开发者已经定义了自己的模拟器/解释器/奖励函数/策略，他们只需修改配置文件中的相应设置即可启动训练和回测流程。 示例的详细信息可以在`这里 <https://github.com/ssvip9527/qlib/blob/main-cn/examples/rl/README.md>`_ 找到。

未来我们将提供更多不同场景的示例，例如基于强化学习的投资组合构建。