Skip to content

README.md

Latest commit

 

History

History
26 lines (22 loc) · 1.87 KB

README.md

File metadata and controls

26 lines (22 loc) · 1.87 KB

Projeto 4 - Inteligência Artificial Aplicada

Requisitos:

  • Python 3.7
  • Dependências em 'requirements.txt'

Metodologia:

  1. As documentações das bibliotecas gym_anytrading e stable-baselines foram lidas extensivamente.
  2. Ambas bibliotecas foram integradas afim de utilizar os algoritimos de RL da stable-baselines.
  3. Foram testados os seguintes algorimitos da biblioteca, cada um com pelo menos 50 combinações de parâmetros diferentes, tanto no ginásio 'forex-v0' quanto no 'stocks-v0':
  • A2C
  • ACER
  • ACKTR
  • DQN
  • PPO1
  • PPO2

Resultados:

Os resultados obtidos foram parcialmente satisfatórios, a melhor combinação consegue chegar consistentemente marginalmente acima de 1.01x o valor inicial, sendo que o agente aleatório varia entre 0.89x e 0.92x, porém o valor máximo hipotético varia entre 1.25x e 1.3x dependendo do conjunto selecionado, portanto ainda existe muito espaço para melhoria.

Definição dos Arquivos:

  • Random.py: Agente aleatório usado para controle de resultados.
  • Baseline Example.py: Primeira iteração do agente integrado com a biblioteca stable-baselines, pré-treino.
  • Attempt Training.py: Arquivo utilizado para testar as mais de 200 combinações de algoritimos, policies, ginásios e parâmetros.
  • DQN Never-Buy.py: Achei interessante incluir este pois foi uma das combinações que achei curiosas, enquanto no ginásio de ações, o algoritimos DQN, dada iterações de aprendizado suficientes, sempre opta por nunca comprar nada e terminar a simulação com o valor exato de 1.0x do valor inicial.
  • Final.py: Se trata da versão final do algoritimo que desejo apresentar como resultado deste projeto, como dito anteriormente ele trabalha com a melhor combinação de variáveis que eu encontrei para conseguir um resultando consistente de pelo menos 1.01x do valor inicial.