[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-AI4Finance-Foundation--FinRL":3,"tool-AI4Finance-Foundation--FinRL":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",142651,2,"2026-04-06T23:34:12",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":10,"env_os":101,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":116,"github_topics":117,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":132,"updated_at":133,"faqs":134,"releases":165},4701,"AI4Finance-Foundation\u002FFinRL","FinRL","FinRL®:  Financial Reinforcement Learning. 🔥","FinRL 是全球首个专注于金融领域的强化学习开源框架，旨在利用深度强化学习技术解决量化交易中的智能决策难题。它通过构建标准化的“训练 - 测试 - 交易”全流程管道，帮助使用者在模拟市场环境中训练 AI 代理，从而自动制定最优买卖策略，有效应对金融市场高噪声、非平稳性及数据获取复杂等挑战。\n\n该项目特别适合量化研究人员、算法开发者以及希望探索 AI 交易的学生使用。对于初学者，FinRL 提供了完整的教育级代码库和基准环境，便于快速上手并复现前沿研究；对于资深专家，其模块化的 ElegantRL 算法层支持灵活定制与性能调优。值得一提的是，FinRL 拥有清晰的生态演进路线：当前的经典版本侧重于教学与研究原型验证，而面向生产环境的下一代架构 FinRL-X 则进一步实现了模块化部署与实盘交易能力，满足了从学术实验到机构级应用的不同需求。无论是想入门智能投研，还是构建专业的量化系统，FinRL 都提供了坚实的技术基石。","\u003Cdiv align=\"center\">\n\u003Cimg align=\"center\" width=\"30%\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_f9eb226e779e.png\">\n\u003C\u002Fdiv>\n\n# FinRL: Financial Reinforcement Learning → FinRL-X\n\n\u003Cdiv align=\"center\">\n\u003Cimg align=\"center\" src=figs\u002Flogo_transparent_background.png width=\"55%\"\u002F>\n\u003C\u002Fdiv>\n\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_dfdd18368d89.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ffinrl)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_dfdd18368d89.png\u002Fweek)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ffinrl)\n[![Join Discord](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-Join-blue)](https:\u002F\u002Fdiscord.gg\u002Ftrsr8SXpW5)\n[![Python 3.6](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.6-blue.svg)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-360\u002F)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ffinrl.svg)](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffinrl\u002F)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_6bf48b3e9a6d.png)](https:\u002F\u002Ffinrl.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n![License](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FAI4Finance-Foundation\u002Ffinrl.svg?color=brightgreen)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-raw\u002FAI4Finance-Foundation\u002Ffinrl?label=Issues)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-closed-raw\u002FAI4Finance-Foundation\u002Ffinrl?label=Closed+Issues)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-pr-raw\u002FAI4Finance-Foundation\u002Ffinrl?label=Open+PRs)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-pr-closed-raw\u002FAI4Finance-Foundation\u002Ffinrl?label=Closed+PRs)\n[![X](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FX-Share-black?logo=x)](https:\u002F\u002Ftwitter.com\u002Fintent\u002Ftweet?text=FinRL-Financial-Deep-Reinforcement-Learning%20&url=https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL&hashtags=DRL,AI) [![LinkedIn](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLinkedIn-Share-0A66C2?logo=linkedin&logoColor=white)](https:\u002F\u002Fwww.linkedin.com\u002Fsharing\u002Fshare-offsite\u002F?url=https%3A%2F%2Fgithub.com%2FAI4Finance-Foundation%2FFinRL)\n\n\n> [!IMPORTANT]\n> **FinRL-X** is the next-generation evolution of FinRL, designed for AI-native, modular, and production-oriented quantitative trading.\n>\n> - **This repository (`FinRL`)** preserves the original end-to-end educational and research framework.\n> - **For the latest architecture, live trading deployment, and production-focused development, please use [`FinRL-X \u002F FinRL-Trading`](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading).**\n\n**FinRL®** is widely recognized as the first open-source framework for financial reinforcement learning.\nThis repository contains the original FinRL library for education, benchmarking, and research prototyping.\n\nFor the next-generation AI-native and production-oriented trading stack, please visit **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)**.\n\n## FinRL Ecosystem Roadmap\n\n| Generation | Positioning | Target Users | Repository | Description |\n|----|----|----|----|----|\n| FinRL-Meta | Market Environments | Practitioners | [FinRL-Meta](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Meta) | Gym-style financial market environments and benchmarks |\n| FinRL | Classic End-to-End Framework | Learners, Developers, Researchers | [FinRL](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL) | Original train-test-trade pipeline for financial reinforcement learning |\n| ElegantRL | Algorithm Layer | Researchers and Experts | [ElegantRL](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FElegantRL) | Lightweight and elegant DRL algorithms |\n| **FinRL-X** | **Next Generation \u002F Production** | **Professional traders, institutions, hedge funds** | [**FinRL-Trading**](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading) | **AI-native modular infrastructure for deployment-aware quantitative trading** |\n> **Recommended for new users:** Start with **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)** if you are building modern or production-oriented trading systems.\n\n### 🔄 FinRL-X vs. FinRL: What Changed\n\n| Capability | FinRL (Stage 1.0) | FinRL-X (Stage 3.0) |\n|---|---|---|\n| **Paradigm** | Deep Reinforcement Learning | AI-Native (ML + DRL + LLM-ready) |\n| **Architecture** | Three-layer coupled monolith | Fully decoupled modular layers |\n| **Strategies** | DRL agents (A2C, DDPG, PPO, SAC, TD3) | ML selection + DRL timing + extensible base |\n| **Data Layer** | 14 manually-wired processors | Auto-select: Yahoo Finance → FMP → WRDS |\n| **Backtesting** | Custom hand-rolled evaluation loops | Professional `bt` library engine |\n| **Live Trading** | Basic Alpaca support | Full multi-account integration + risk controls |\n| **Configuration** | `config.py` + `config_tickers.py` | Type-safe Pydantic + `.env` multi-env |\n| **Risk Management** | Gym environment constraints only | Order · portfolio · strategy-level controls |\n| **Target Users** | Researchers & students | Quants, institutions, production deployments |\n| **Paper** | [arXiv:2011.09607](https:\u002F\u002Farxiv.org\u002Fabs\u002F2011.09607) | [arXiv:2603.21330](https:\u002F\u002Farxiv.org\u002Fabs\u002F2603.21330) |\n\n[FinGPT](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinGPT): an open-source project for financial large language models, designed for research and real-world FinTech applications.\n\n![Visitors](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_f85c5fbe2809.png)\n[![Discord](https:\u002F\u002Fdcbadge.limes.pink\u002Fapi\u002Fserver\u002Ftrsr8SXpW5?v=20260320)](https:\u002F\u002Fdiscord.gg\u002Ftrsr8SXpW5)\n\n## Outline\n\n  - [Overview](#overview)\n  - [File Structure](#file-structure)\n  - [Supported Data Sources](#supported-data-sources)\n  - [Installation](#installation)\n  - [Status Update](#status-update)\n  - [Tutorials](#tutorials)\n  - [Publications](#publications)\n  - [News](#news)\n  - [Citing FinRL](#citing-finrl)\n  - [Join and Contribute](#join-and-contribute)\n    - [Contributors](#contributors)\n    - [Sponsorship](#sponsorship)\n  - [LICENSE](#license)\n\n## Project Contributors\n\nFinRL® is an open-source financial reinforcement learning framework developed by contributors from the AI4Finance community and maintained by the AI4Finance Foundation.\n\nKey contributors include:\n\n- [**Hongyang (Bruce) Yang**](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fbrucehy\u002F) – research and development on financial reinforcement learning frameworks, market environments, and quantitative trading applications\n- [other contributors…]\n\n## Overview\n\nFinRL is the original open-source framework for financial reinforcement learning, organized around three core layers:\n\n- **Market Environments**\n- **DRL Agents**\n- **Financial Applications**\n\nFor a trading task, an agent interacts with a market environment and learns sequential decision-making policies.\n\nThis repository focuses on the **classic FinRL workflow** for education, experimentation, and research prototyping.\n\nFor the **next-generation production-oriented stack**, including modular deployment and AI-native trading infrastructure, please visit **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)**.\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_be3c9ead9060.png\" width=\"880\"\u002F>\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\u003Cimg align=\"center\" src=figs\u002Ffinrl_framework.png>\n\u003C\u002Fdiv>\n\nVideos [FinRL](http:\u002F\u002Fwww.youtube.com\u002Fwatch?v=ZSGJjtM-5jA) at [AI4Finance Youtube Channel](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCrVri6k3KPBa3NhapVV4K5g).\n\n## FinRL Stock Trading 2026 Tutorial\nThis tutorial demonstrates the original FinRL workflow for educational and research purposes.\nFor the latest production-oriented pipeline, please use **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)**.\n### Step 1: Clone the Repository\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL.git\ncd FinRL\n```\n\n### Step 2: Create and Activate Virtual Environment\n\n```bash\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\n```\n\n### Step 3: Install FinRL\n\n```bash\npip install -e .\n```\n\n### Step 4: Run the Scripts\n\n**1. Data Download & Preprocessing**\n\n```bash\npython examples\u002FFinRL_StockTrading_2026_1_data.py\n```\n\nThis script downloads DOW 30 stock data from Yahoo Finance, adds technical indicators (MACD, RSI, etc.), VIX, and turbulence index, then splits the data into training set (2014–2025) and trading set (2026-01-01 to 2026-03-20), saving them as `train_data.csv` and `trade_data.csv`.\n\n**2. Train DRL Agents**\n\n```bash\npython examples\u002FFinRL_StockTrading_2026_2_train.py\n```\n\nThis script trains 5 DRL agents (A2C, DDPG, PPO, TD3, SAC) using Stable Baselines 3 on the training data. Trained models are saved to the `trained_models\u002F` directory.\n\n**3. Backtest**\n\n```bash\npython examples\u002FFinRL_StockTrading_2026_3_Backtest.py\n```\n\nThis script loads the trained agents, runs them on the trading data, and compares their performance against two baselines: Mean Variance Optimization (MVO) and the DJIA index. Results are printed to the console and a plot is saved as `backtest_result.png`.\n\n\n## File Structure\n\nThe main folder **finrl** has three subfolders **applications, agents, meta**. We employ a **train-test-trade** pipeline with three files: train.py, test.py, and trade.py.\n\n```\nFinRL\n├── finrl (main folder)\n│   ├── applications\n│   \t├── Stock_NeurIPS2018\n│   \t├── imitation_learning\n│   \t├── cryptocurrency_trading\n│   \t├── high_frequency_trading\n│   \t├── portfolio_allocation\n│   \t└── stock_trading\n│   ├── agents\n│   \t├── elegantrl\n│   \t├── rllib\n│   \t└── stablebaseline3\n│   ├── meta\n│   \t├── data_processors\n│   \t├── env_cryptocurrency_trading\n│   \t├── env_portfolio_allocation\n│   \t├── env_stock_trading\n│   \t├── preprocessor\n│   \t├── data_processor.py\n│       ├── meta_config_tickers.py\n│   \t└── meta_config.py\n│   ├── config.py\n│   ├── config_tickers.py\n│   ├── main.py\n│   ├── plot.py\n│   ├── train.py\n│   ├── test.py\n│   └── trade.py\n│\n├── examples\n├── unit_tests (unit tests to verify codes on env & data)\n│   ├── environments\n│   \t└── test_env_cashpenalty.py\n│   └── downloaders\n│   \t├── test_yahoodownload.py\n│   \t└── test_alpaca_downloader.py\n├── setup.py\n├── requirements.txt\n└── README.md\n```\n\n## Supported Data Sources\n\n|Data Source |Type |Range and Frequency |Request Limits|Raw Data|Preprocessed Data|\n|  ----  |  ----  |  ----  |  ----  |  ----  |  ----  |\n|[Akshare](https:\u002F\u002Falpaca.markets\u002Fdocs\u002Fintroduction\u002F)| CN Securities| 2015-now, 1day| Account-specific| OHLCV| Prices&Indicators|\n|[Alpaca](https:\u002F\u002Fdocs.alpaca.markets\u002Fdocs\u002Fgetting-started)| US Stocks, ETFs| 2015-now, 1min| Account-specific| OHLCV| Prices&Indicators|\n|[Baostock](http:\u002F\u002Fbaostock.com\u002Fbaostock\u002Findex.php\u002FPython_API%E6%96%87%E6%A1%A3)| CN Securities| 1990-12-19-now, 5min| Account-specific| OHLCV| Prices&Indicators|\n|[Binance](https:\u002F\u002Fbinance-docs.github.io\u002Fapidocs\u002Fspot\u002Fen\u002F#public-api-definitions)| Cryptocurrency| API-specific, 1s, 1min| API-specific| Tick-level daily aggregated trades, OHLCV| Prices&Indicators|\n|[CCXT](https:\u002F\u002Fdocs.ccxt.com\u002Fen\u002Flatest\u002Fmanual.html)| Cryptocurrency| API-specific, 1min| API-specific| OHLCV| Prices&Indicators|\n|[EODhistoricaldata](https:\u002F\u002Feodhistoricaldata.com\u002Ffinancial-apis\u002F)| US Securities| Frequency-specific, 1min| API-specific | OHLCV | Prices&Indicators|\n|[IEXCloud](https:\u002F\u002Fiexcloud.io\u002Fdocs\u002Fapi\u002F)| NMS US securities|1970-now, 1 day|100 per second per IP|OHLCV| Prices&Indicators|\n|[JoinQuant](https:\u002F\u002Fwww.joinquant.com\u002F)| CN Securities| 2005-now, 1min| 3 requests each time| OHLCV| Prices&Indicators|\n|[QuantConnect](https:\u002F\u002Fwww.quantconnect.com\u002Fdocs\u002Fv2)| US Securities| 1998-now, 1s| NA| OHLCV| Prices&Indicators|\n|[RiceQuant](https:\u002F\u002Fwww.ricequant.com\u002Fdoc\u002Frqdata\u002Fpython\u002F)| CN Securities| 2005-now, 1ms| Account-specific| OHLCV| Prices&Indicators|\n[Sinopac](https:\u002F\u002Fsinotrade.github.io\u002Fzh_TW\u002Ftutor\u002Fprepare\u002Fterms\u002F) | Taiwan securities | 2023-04-13~now, 1min | Account-specific | OHLCV | Prices&Indicators|\n|[Tushare](https:\u002F\u002Ftushare.pro\u002Fdocument\u002F1?doc_id=131)| CN Securities, A-share| -now, 1 min| Account-specific| OHLCV| Prices&Indicators|\n|[WRDS](https:\u002F\u002Fwrds-www.wharton.upenn.edu\u002Fpages\u002Fabout\u002Fdata-vendors\u002Fnyse-trade-and-quote-taq\u002F)| US Securities| 2003-now, 1ms| 5 requests each time| Intraday Trades|Prices&Indicators|\n|[YahooFinance](https:\u002F\u002Fpypi.org\u002Fproject\u002Fyfinance\u002F)| US Securities| Frequency-specific, 1min| 2,000\u002Fhour| OHLCV | Prices&Indicators|\n\n\n\u003C!-- |Data Source |Type |Max Frequency |Raw Data|Preprocessed Data|\n|  ----  |  ----  |  ----  |  ----  |  ----  |\n|    AkShare |  CN Securities | 1 day  |  OHLCV |  Prices, indicators |\n|    Alpaca |  US Stocks, ETFs |  1 min |  OHLCV |  Prices, indicators |\n|    Alpha Vantage | Stock, ETF, forex, crypto, technical indicators | 1 min |  OHLCV  & Prices, indicators |\n|    Baostock |  CN Securities |  5 min |  OHLCV |  Prices, indicators |\n|    Binance |  Cryptocurrency |  1 s |  OHLCV |  Prices, indicators |\n|    CCXT |  Cryptocurrency |  1 min  |  OHLCV |  Prices, indicators |\n|    currencyapi |  Exchange rate | 1 day |  Exchange rate | Exchange rate, indicators |\n|    currencylayer |  Exchange rate | 1 day  |  Exchange rate | Exchange rate, indicators |\n|    EOD Historical Data | US stocks, and ETFs |  1 day  |  OHLCV  | Prices, indicators |\n|    Exchangerates |  Exchange rate |  1 day  |  Exchange rate | Exchange rate, indicators |\n|    findatapy |  CN Securities | 1 day  |  OHLCV |  Prices, indicators |\n|    Financial Modeling prep | US stocks, currencies, crypto |  1 min |  OHLCV  | Prices, indicators |\n|    finnhub | US Stocks, currencies, crypto |   1 day |  OHLCV  | Prices, indicators |\n|    Fixer |  Exchange rate |  1 day  |  Exchange rate | Exchange rate, indicators |\n|    IEXCloud |  NMS US securities | 1 day  | OHLCV |  Prices, indicators |\n|    JoinQuant |  CN Securities |  1 min  |  OHLCV |  Prices, indicators |\n|    Marketstack | 50+ countries |  1 day  |  OHLCV | Prices, indicators |\n|    Open Exchange Rates |  Exchange rate |  1 day  |  Exchange rate | Exchange rate, indicators |\n|    pandas\\_datareader |  US Securities |  1 day |  OHLCV | Prices, indicators |\n|    pandas-finance |  US Securities |  1 day  |  OHLCV  & Prices, indicators |\n|    Polygon |  US Securities |  1 day  |  OHLCV  | Prices, indicators |\n|    Quandl | 250+ sources |  1 day  |  OHLCV  | Prices, indicators |\n|    QuantConnect |  US Securities |  1 s |  OHLCV |  Prices, indicators |\n|    RiceQuant |  CN Securities |  1 ms  |  OHLCV |  Prices, indicators |\n|    Sinopac   | Taiwan securities | 1min | OHLCV |  Prices, indicators |\n|    Tiingo | Stocks, crypto |  1 day  |  OHLCV  | Prices, indicators |\n|    Tushare |  CN Securities | 1 min  |  OHLCV |  Prices, indicators |\n|    WRDS |  US Securities |  1 ms  |  Intraday Trades | Prices, indicators |\n|    XE |  Exchange rate |  1 day  |  Exchange rate | Exchange rate, indicators |\n|    Xignite |  Exchange rate |  1 day  |  Exchange rate | Exchange rate, indicators |\n|    YahooFinance |  US Securities | 1 min  |  OHLCV  |  Prices, indicators |\n|    ystockquote |  US Securities |  1 day  |  OHLCV | Prices, indicators | -->\n\n\n\nOHLCV: open, high, low, and close prices; volume. adjusted_close: adjusted close price\n\nTechnical indicators: 'macd', 'boll_ub', 'boll_lb', 'rsi_30', 'dx_30', 'close_30_sma', 'close_60_sma'. Users also can add new features.\n\n\n## Installation\n+ [Install description for all operating systems (MAC OS, Ubuntu, Windows 10)](.\u002Fdocs\u002Fsource\u002Fstart\u002Finstallation.rst)\n+ [FinRL for Quantitative Finance: Install and Setup Tutorial for Beginners](https:\u002F\u002Fai4finance.medium.com\u002Ffinrl-for-quantitative-finance-install-and-setup-tutorial-for-beginners-1db80ad39159)\n\n## Status Update\n\u003Cdetails>\u003Csummary>\u003Cb>Version History\u003C\u002Fb> \u003Ci>[click to expand]\u003C\u002Fi>\u003C\u002Fsummary>\n\u003Cdiv>\n\n* 2022-06-25\n\t0.3.5: Formal release of FinRL, neo_finrl is changed to FinRL-Meta with related files in directory: *meta*.\n* 2021-08-25\n\t0.3.1: pytorch version with a three-layer architecture, apps (financial tasks), drl_agents (drl algorithms), neo_finrl (gym env)\n* 2020-12-14\n  \tUpgraded to **Pytorch** with stable-baselines3; Removed TensorFlow 1.x support; TensorFlow 2.0 support was under development at the time.\n* 2020-11-27\n  \t0.1: Beta version with tensorflow 1.5\n\u003C\u002Fdiv>\n\u003C\u002Fdetails>\n\n\n## Tutorials\n\n+ [Towards Data Science] [Deep Reinforcement Learning for Automated Stock Trading](https:\u002F\u002Fmedium.com\u002Fdata-science\u002Fdeep-reinforcement-learning-for-automated-stock-trading-f1dad0126a02)\n\n\n## Publications\n\n|Title |Conference\u002FJournal |Link|Citations|Year|\n|  ----  |  ----  |  ----  |  ----  |  ----  |\n|Dynamic Datasets and Market Environments for Financial Reinforcement Learning| Machine Learning - Springer Nature| [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.13174) [code](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Meta) | 51 | 2024 |\n|**FinRL-Meta**: FinRL-Meta: Market Environments and Benchmarks for Data-Driven Financial Reinforcement Learning| NeurIPS 2022| [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2211.03107) [code](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Meta) | 136 | 2022 |\n|**FinRL**: Deep reinforcement learning framework to automate trading in quantitative finance| ACM International Conference on AI in Finance (ICAIF) | [paper](https:\u002F\u002Fpapers.ssrn.com\u002Fsol3\u002Fpapers.cfm?abstract_id=3955949) | 212 | 2021 |\n|**FinRL**: A deep reinforcement learning library for automated stock trading in quantitative finance| NeurIPS 2020 Deep RL Workshop  | [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2011.09607) | 275 | 2020 |\n|Deep reinforcement learning for automated stock trading: An ensemble strategy| ACM International Conference on AI in Finance (ICAIF) | [paper](https:\u002F\u002Fpapers.ssrn.com\u002Fsol3\u002Fpapers.cfm?abstract_id=3690996) [code](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Meta\u002Fblob\u002Fmaster\u002Ftutorials\u002F2-Advance\u002FFinRL_Ensemble_StockTrading_ICAIF_2020\u002FFinRL_Ensemble_StockTrading_ICAIF_2020.ipynb) | 426 | 2020 |\n|Practical deep reinforcement learning approach for stock trading | NeurIPS 2018 Workshop on Challenges and Opportunities for AI in Financial Services| [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1811.07522) [code](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL))| 303 | 2018 |\n\n\n## News\n+ [央广网] [2021 IDEA大会于福田圆满落幕：群英荟萃论道AI 多项目发布亮点纷呈](http:\u002F\u002Ftech.cnr.cn\u002Ftechph\u002F20211123\u002Ft20211123_525669092.shtml)\n+ [央广网] [2021 IDEA大会开启AI思想盛宴 沈向洋理事长发布六大前沿产品](https:\u002F\u002Fbaijiahao.baidu.com\u002Fs?id=1717101783873523790&wfr=spider&for=pc)\n+ [IDEA新闻] [2021 IDEA大会发布产品FinRL-Meta——基于数据驱动的强化学习金融风险模拟系统](https:\u002F\u002Fidea.edu.cn\u002Fnews\u002F20211213143128.html)\n+ [知乎] [FinRL-Meta基于数据驱动的强化学习金融元宇宙](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F437804814)\n+ [量化投资与机器学习] [基于深度强化学习的股票交易策略框架（代码+文档)](https:\u002F\u002Fwww.mdeditor.tw\u002Fpl\u002Fp5Gg)\n+ [运筹OR帷幄] [领读计划NO.10 | 基于深度增强学习的量化交易机器人：从AlphaGo到FinRL的演变过程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F353557417)\n+ [深度强化实验室] [【重磅推荐】哥大开源“FinRL”: 一个用于量化金融自动交易的深度强化学习库](https:\u002F\u002Fblog.csdn.net\u002Fdeeprl\u002Farticle\u002Fdetails\u002F114828024)\n+ [商业新知] [金融科技讲座回顾|AI4Finance: 从AlphaGo到FinRL](https:\u002F\u002Fwww.shangyexinzhi.com\u002Farticle\u002F4170766.html)\n+ [Kaggle] [Jane Street Market Prediction](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fjane-street-market-prediction\u002Fdiscussion\u002F199313)\n+ [矩池云Matpool] [在矩池云上如何运行FinRL股票交易策略框架](http:\u002F\u002Fwww.python88.com\u002Ftopic\u002F111918)\n+ [财智无界] [金融学会常务理事陈学彬: 深度强化学习在金融资产管理中的应用](https:\u002F\u002Fwww.sohu.com\u002Fa\u002F486837028_120929319)\n+ [Neurohive] [FinRL: глубокое обучение с подкреплением для трейдинга](https:\u002F\u002Fneurohive.io\u002Fru\u002Fgotovye-prilozhenija\u002Ffinrl-glubokoe-obuchenie-s-podkrepleniem-dlya-trejdinga\u002F)\n+ [ICHI.PRO] [양적 금융을위한 FinRL: 단일 주식 거래를위한 튜토리얼](https:\u002F\u002Fichi.pro\u002Fko\u002Fyangjeog-geum-yung-eul-wihan-finrl-dan-il-jusig-geolaeleul-wihan-tyutolieol-61395882412716)\n+ [知乎] [基于深度强化学习的金融交易策略（FinRL+Stable baselines3，以道琼斯30股票为例）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F563238735)\n+ [知乎] [动态数据驱动的金融强化学习](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F616799055)\n+ [知乎] [FinRL的W&B化+超参数搜索和模型优化(基于Stable Baselines 3）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F498115373)\n+ [知乎] [FinRL-Meta: 未来金融强化学习的元宇宙](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F544621882)\n+\n## Citing FinRL\n\nFor the next-generation AI-native modular trading infrastructure, see **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)**.\n\n```\n@inproceedings{yang2026finrlx,\n  title     = {FinRL-X: An AI-Native Modular Infrastructure for Quantitative Trading},\n  author    = {Yang, Hongyang and Zhang, Boyu and She, Yang and Liao, Xinyu and Zhang, Xiaoli},\n  booktitle = {Proceedings of the 2nd International Workshop on Decision Making and Optimization in Financial Technologies (DMO-FinTech)},\n  year      = {2026},\n  note      = {Workshop at PAKDD 2026}\n}\n```\n\nIf you use the original FinRL framework, please cite the FinRL papers:\n\n```\n@article{finrl2020,\n    author  = {Liu, Xiao-Yang and Yang, Hongyang and Chen, Qian and Zhang, Runjia and Yang, Liuqing and Xiao, Bowen and Wang, Christina Dan},\n    title   = {{FinRL}: A deep reinforcement learning library for automated stock trading in quantitative finance},\n    journal = {Deep RL Workshop, NeurIPS 2020},\n    year    = {2020}\n}\n```\n\n## Join and Contribute\n\nWelcome to **AI4Finance** community!\n\nPlease check [Contributing Guidelines](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Tutorials\u002Fblob\u002Fmaster\u002FContributing.md).\n\n### Contributors\n\nThanks to all contributors who have helped build FinRL.\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_79cb8e56d103.png\" alt=\"FinRL contributors\" \u002F>\n\u003C\u002Fa>\n\n\n## LICENSE\n\nMIT License\n```\nTrademark Notice\n\nFinRL and the FinRL logo are trademarks of FinRL LLC. Use of these marks by the AI4Finance Foundation is permitted under license. The open-source license for this repository does not grant any right to use the FinRL name, logo, or related trademarks without prior written permission from FinRL LLC, except as permitted by applicable law.\n\n```\n\n**Disclaimer: We are sharing codes for academic purposes under the MIT license. Nothing herein constitutes financial advice or a recommendation to trade real money. Users are solely responsible for any financial decisions made using this software. Consult a qualified professional before deploying capital.**\n","\u003Cdiv align=\"center\">\n\u003Cimg align=\"center\" width=\"30%\" alt=\"image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_f9eb226e779e.png\">\n\u003C\u002Fdiv>\n\n# FinRL：金融强化学习 → FinRL-X\n\n\u003Cdiv align=\"center\">\n\u003Cimg align=\"center\" src=figs\u002Flogo_transparent_background.png width=\"55%\"\u002F>\n\u003C\u002Fdiv>\n\n[![下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_dfdd18368d89.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ffinrl)\n[![每周下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_dfdd18368d89.png\u002Fweek)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Ffinrl)\n[![加入Discord](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FDiscord-Join-blue)](https:\u002F\u002Fdiscord.gg\u002Ftrsr8SXpW5)\n[![Python 3.6](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.6-blue.svg)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-360\u002F)\n[![PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ffinrl.svg)](https:\u002F\u002Fpypi.org\u002Fproject\u002Ffinrl\u002F)\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_6bf48b3e9a6d.png)](https:\u002F\u002Ffinrl.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n![许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FAI4Finance-Foundation\u002Ffinrl.svg?color=brightgreen)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-raw\u002FAI4Finance-Foundation\u002Ffinrl?label=Issues)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-closed-raw\u002FAI4Finance-Foundation\u002Ffinrl?label=Closed+Issues)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-pr-raw\u002FAI4Finance-Foundation\u002Ffinrl?label=Open+PRs)\n![](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fissues-pr-closed-raw\u002FAI4Finance-Foundation\u002Ffinrl?label=Closed+PRs)\n[![X](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FX-Share-black?logo=x)](https:\u002F\u002Ftwitter.com\u002Fintent\u002Ftweet?text=FinRL-Financial-Deep-Reinforcement-Learning%20&url=https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL&hashtags=DRL,AI) [![LinkedIn](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLinkedIn-Share-0A66C2?logo=linkedin&logoColor=white)](https:\u002F\u002Fwww.linkedin.com\u002Fsharing\u002Fshare-offsite\u002F?url=https%3A%2F%2Fgithub.com%2FAI4Finance-Foundation%2FFinRL)\n\n\n> [!重要]\n> **FinRL-X** 是 FinRL 的下一代演进版本，专为原生 AI、模块化且面向生产的量化交易而设计。\n>\n> - **本仓库（`FinRL`）** 保留了原始的端到端教育与研究框架。\n> - **如需最新的架构、实盘交易部署及以生产为导向的开发，请使用 [`FinRL-X \u002F FinRL-Trading`](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)。**\n\n**FinRL®** 被广泛认为是首个用于金融强化学习的开源框架。\n本仓库包含最初的 FinRL 库，适用于教育、基准测试和研究原型开发。\n\n如需下一代原生 AI 且面向生产的交易栈，请访问 **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)**。\n\n## FinRL 生态系统路线图\n\n| 代次 | 定位 | 目标用户 | 仓库 | 描述 |\n|----|----|----|----|----|\n| FinRL-Meta | 市场环境 | 从业者 | [FinRL-Meta](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Meta) | 类似 Gym 的金融市场环境与基准测试 |\n| FinRL | 经典端到端框架 | 学习者、开发者、研究人员 | [FinRL](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL) | 金融强化学习的原始训练-测试-交易流程 |\n| ElegantRL | 算法层 | 研究人员与专家 | [ElegantRL](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FElegantRL) | 轻量级且优雅的 DRL 算法 |\n| **FinRL-X** | **下一代 \u002F 生产级** | **专业交易员、机构、对冲基金** | [**FinRL-Trading**](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading) | **面向部署的原生 AI 模块化基础设施，用于量化交易** |\n> **新用户推荐：** 如果您正在构建现代化或面向生产的交易系统，请从 **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)** 开始。\n\n### 🔄 FinRL-X 与 FinRL：有何变化\n\n| 能力 | FinRL（1.0 阶段） | FinRL-X（3.0 阶段） |\n|---|---|---|\n| **范式** | 深度强化学习 | 原生 AI（ML + DRL + LLM 就绪） |\n| **架构** | 三层耦合单体 | 完全解耦的模块化层级 |\n| **策略** | DRL 代理（A2C、DDPG、PPO、SAC、TD3） | ML 选择 + DRL 时机 + 可扩展基础 |\n| **数据层** | 14 个手动连接的处理器 | 自动选择：Yahoo Finance → FMP → WRDS |\n| **回测** | 自定义手写评估循环 | 专业的 `bt` 库引擎 |\n| **实盘交易** | 基础 Alpaca 支持 | 全面多账户集成 + 风险控制 |\n| **配置** | `config.py` + `config_tickers.py` | 类型安全的 Pydantic + `.env` 多环境 |\n| **风险管理** | 仅限 Gym 环境约束 | 订单 · 投资组合 · 策略层面的控制 |\n| **目标用户** | 研究人员与学生 | 量化交易员、机构、生产级部署 |\n| **论文** | [arXiv:2011.09607](https:\u002F\u002Farxiv.org\u002Fabs\u002F2011.09607) | [arXiv:2603.21330](https:\u002F\u002Farxiv.org\u002Fabs\u002F2603.21330) |\n\n[FinGPT](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinGPT)：一个用于金融大型语言模型的开源项目，旨在支持研究及现实世界的金融科技应用。\n\n![访客](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_f85c5fbe2809.png)\n[![Discord](https:\u002F\u002Fdcbadge.limes.pink\u002Fapi\u002Fserver\u002Ftrsr8SXpW5?v=20260320)](https:\u002F\u002Fdiscord.gg\u002Ftrsr8SXpW5)\n\n## 大纲\n\n  - [概述](#overview)\n  - [文件结构](#file-structure)\n  - [支持的数据源](#supported-data-sources)\n  - [安装](#installation)\n  - [状态更新](#status-update)\n  - [教程](#tutorials)\n  - [出版物](#publications)\n  - [新闻](#news)\n  - [引用 FinRL](#citing-finrl)\n  - [加入并贡献](#join-and-contribute)\n    - [贡献者](#contributors)\n    - [赞助](#sponsorship)\n  - [许可证](#license)\n\n## 项目贡献者\n\nFinRL® 是由 AI4Finance 社区的贡献者开发、AI4Finance 基金会维护的开源金融强化学习框架。\n\n主要贡献者包括：\n\n- [**Hongyang (Bruce) Yang**](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fbrucehy\u002F) – 从事金融强化学习框架、市场环境及量化交易应用的研究与开发\n- [其他贡献者…]\n\n## 概述\n\nFinRL 是首个开源的金融强化学习框架，围绕三个核心层构建：\n\n- **市场环境**\n- **DRL 代理**\n- **金融应用**\n\n在交易任务中，代理与市场环境交互，并学习序列决策策略。\n\n本仓库专注于**经典的 FinRL 工作流**，用于教育、实验和研究原型开发。\n\n如需了解**面向生产的新一代架构**，包括模块化部署和原生 AI 的交易基础设施，请访问 **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)**。\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_be3c9ead9060.png\" width=\"880\"\u002F>\n\u003C\u002Fdiv>\n\n\u003Cdiv align=\"center\">\n\u003Cimg align=\"center\" src=figs\u002Ffinrl_framework.png>\n\u003C\u002Fdiv>\n\n视频 [FinRL](http:\u002F\u002Fwww.youtube.com\u002Fwatch?v=ZSGJjtM-5jA) 可在 [AI4Finance YouTube 频道](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCrVri6k3KPBa3NhapVV4K5g)观看。\n\n## FinRL 股票交易 2026 教程\n本教程演示了原始的 FinRL 工作流，适用于教育和研究目的。\n如需最新的生产级流程，请使用 **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)**。\n### 第一步：克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL.git\ncd FinRL\n```\n\n### 第二步：创建并激活虚拟环境\n\n```bash\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\n```\n\n### 第三步：安装 FinRL\n\n```bash\npip install -e .\n```\n\n### 第四步：运行脚本\n\n**1. 数据下载与预处理**\n\n```bash\npython examples\u002FFinRL_StockTrading_2026_1_data.py\n```\n\n此脚本从 Yahoo Finance 下载道琼斯 30 指数成分股数据，添加技术指标（MACD、RSI 等）、VIX 波动率指数和市场动荡指数，随后将数据划分为训练集（2014–2025）和交易集（2026年1月1日至2026年3月20日），分别保存为 `train_data.csv` 和 `trade_data.csv`。\n\n**2. 训练 DRL 代理**\n\n```bash\npython examples\u002FFinRL_StockTrading_2026_2_train.py\n```\n\n该脚本使用 Stable Baselines 3 在训练数据上训练 5 种 DRL 代理（A2C、DDPG、PPO、TD3、SAC）。训练好的模型将保存到 `trained_models\u002F` 目录中。\n\n**3. 回测**\n\n```bash\npython examples\u002FFinRL_StockTrading_2026_3_Backtest.py\n```\n\n此脚本加载已训练好的代理，在交易数据上运行，并将其表现与两种基准进行比较：均值方差优化（MVO）和道琼斯工业平均指数。结果将打印到控制台，并生成一张名为 `backtest_result.png` 的图表。\n\n## 文件结构\n\n主文件夹 **finrl** 包含三个子文件夹：**applications、agents、meta**。我们采用“训练—测试—交易”的流程，包含三个文件：train.py、test.py 和 trade.py。\n\n```\nFinRL\n├── finrl (主文件夹)\n│   ├── applications\n│   \t├── Stock_NeurIPS2018\n│   \t├── imitation_learning\n│   \t├── cryptocurrency_trading\n│   \t├── high_frequency_trading\n│   \t├── portfolio_allocation\n│   \t└── stock_trading\n│   ├── agents\n│   \t├── elegantrl\n│   \t├── rllib\n│   \t└── stablebaseline3\n│   ├── meta\n│   \t├── data_processors\n│   \t├── env_cryptocurrency_trading\n│   \t├── env_portfolio_allocation\n│   \t├── env_stock_trading\n│   \t├── preprocessor\n│   \t├── data_processor.py\n│       ├── meta_config_tickers.py\n│   \t└── meta_config.py\n│   ├── config.py\n│   ├── config_tickers.py\n│   ├── main.py\n│   ├── plot.py\n│   ├── train.py\n│   ├── test.py\n│   └── trade.py\n│\n├── examples\n├── unit_tests (用于验证环境与数据相关代码的单元测试)\n│   ├── environments\n│   \t└── test_env_cashpenalty.py\n│   └── downloaders\n│   \t├── test_yahoodownload.py\n│   \t└── test_alpaca_downloader.py\n├── setup.py\n├── requirements.txt\n└── README.md\n```\n\n## 支持的数据源\n\n|数据源 |类型 |范围和频率 |请求限制|原始数据|预处理数据|\n|  ----  |  ----  |  ----  |  ----  |  ----  |  ----  |\n|[Akshare](https:\u002F\u002Falpaca.markets\u002Fdocs\u002Fintroduction\u002F)| 中证券| 2015年至今，1天| 账户特定| 开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n|[Alpaca](https:\u002F\u002Fdocs.alpaca.markets\u002Fdocs\u002Fgetting-started)| 美国股票、ETF| 2015年至今，1分钟| 账户特定| 开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n|[Baostock](http:\u002F\u002Fbaostock.com\u002Fbaostock\u002Findex.php\u002FPython_API%E6%96%87%E6%A1%A3)| 中证券| 1990年12月19日至今，5分钟| 账户特定| 开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n|[Binance](https:\u002F\u002Fbinance-docs.github.io\u002Fapidocs\u002Fspot\u002Fen\u002F#public-api-definitions)| 加密货币| API特定，1秒、1分钟| API特定| 分钟级每日聚合交易、开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n|[CCXT](https:\u002F\u002Fdocs.ccxt.com\u002Fen\u002Flatest\u002Fmanual.html)| 加密货币| API特定，1分钟| API特定| 开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n|[EODhistoricaldata](https:\u002F\u002Feodhistoricaldata.com\u002Ffinancial-apis\u002F)| 美国证券| 频率特定，1分钟| API特定 | 开盘价、最高价、最低价、收盘价、成交量 | 价格与指标|\n|[IEXCloud](https:\u002F\u002Fiexcloud.io\u002Fdocs\u002Fapi\u002F)| NMS美国证券|1970年至今，1天|每IP每秒100次|开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n|[JoinQuant](https:\u002F\u002Fwww.joinquant.com\u002F)| 中证券| 2005年至今，1分钟| 每次3次请求| 开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n|[QuantConnect](https:\u002F\u002Fwww.quantconnect.com\u002Fdocs\u002Fv2)| 美国证券| 1998年至今，1秒| 不适用| 开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n|[RiceQuant](https:\u002F\u002Fwww.ricequant.com\u002Fdoc\u002Frqdata\u002Fpython\u002F)| 中证券| 2005年至今，1毫秒| 账户特定| 开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n[Sinopac](https:\u002F\u002Fsinotrade.github.io\u002Fzh_TW\u002Ftutor\u002Fprepare\u002Fterms\u002F) | 台湾证券 | 2023年4月13日~至今，1分钟 | 账户特定 | 开盘价、最高价、最低价、收盘价、成交量 | 价格与指标 |\n|[Tushare](https:\u002F\u002Ftushare.pro\u002Fdocument\u002F1?doc_id=131)| 中证券、A股| -至今，1分钟| 账户特定| 开盘价、最高价、最低价、收盘价、成交量| 价格与指标|\n|[WRDS](https:\u002F\u002Fwrds-www.wharton.upenn.edu\u002Fpages\u002Fabout\u002Fdata-vendors\u002Fnyse-trade-and-quote-taq\u002F)| 美国证券| 2003年至今，1毫秒| 每次5次请求| 盘中交易|价格与指标|\n|[YahooFinance](https:\u002F\u002Fpypi.org\u002Fproject\u002Fyfinance\u002F)| 美国证券| 频率特定，1分钟| 每小时2,000次| 开盘价、最高价、最低价、收盘价、成交量 | 价格与指标|\n\n\n\u003C!-- |数据源 |类型 |最大频率 |原始数据|预处理数据|\n|  ----  |  ----  |  ----  |  ----  |  ----  |\n|    AkShare |  中证券 |  1天  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    Alpaca |  美国股票、ETF |  1分钟 |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    Alpha Vantage |  股票、ETF、外汇、加密货币、技术指标 |  1分钟 |  开盘价、最高价、最低价、收盘价、成交量  &  价格、指标 |\n|    Baostock |  中证券 |  5分钟 |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    Binance |  加密货币 |  1秒 |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    CCXT |  加密货币 |  1分钟  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    currencyapi |  汇率 |  1天 |  汇率 | 汇率、指标 |\n|    currencylayer |  汇率 |  1天  |  汇率 | 汇率、指标 |\n|    EOD Historical Data | 美国股票、ETF |  1天  |  开盘价、最高价、最低价、收盘价、成交量  | 价格、指标 |\n|    Exchangerates |  汇率 |  1天  |  汇率 | 汇率、指标 |\n|    findatapy |  中证券 | 1天  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    Financial Modeling prep | 美国股票、货币、加密货币 |  1分钟 |  开盘价、最高价、最低价、收盘价、成交量  | 价格、指标 |\n|    finnhub | 美国股票、货币、加密货币 |   1天 |  开盘价、最高价、最低价、收盘价、成交量  | 价格、指标 |\n|    Fixer |  汇率 |  1天  |  汇率 | 汇率、指标 |\n|    IEXCloud |  NMS美国证券 | 1天  | 开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    JoinQuant |  中证券 |  1分钟  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    Marketstack | 50+个国家 |  1天  |  开盘价、最高价、最低价、收盘价、成交量 | 价格、指标 |\n|    Open Exchange Rates |  汇率 |  1天  |  汇率 | 汇率、指标 |\n|    pandas\\_datareader |  美国证券 |  1天 |  开盘价、最高价、最低价、收盘价、成交量 | 价格、指标 |\n|    pandas-finance |  美国证券 |  1天  |  开盘价、最高价、最低价、收盘价、成交量  &  价格、指标 |\n|    Polygon |  美国证券 |  1天  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    Quandl | 250+来源 |  1天  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    QuantConnect |  美国证券 |  1秒 |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    RiceQuant |  中证券 |  1毫秒  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    Sinopac   | 台湾证券 | 1分钟 | 开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    Tiingo | 股票、加密货币 |  1天  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    Tushare |  中证券 | 1分钟  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    WRDS |  美国证券 |  1毫秒  |  盘中交易 | 价格、指标 |\n|    XE |  汇率 |  1天  |  汇率 | 汇率、指标 |\n|    Xignite |  汇率 |  1天  |  汇率 | 汇率、指标 |\n|    YahooFinance |  美国证券 | 1分钟  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 |\n|    ystockquote |  美国证券 |  1天  |  开盘价、最高价、最低价、收盘价、成交量 |  价格、指标 | -->\n\n\n\nOHLCV：开盘价、最高价、最低价、收盘价；成交量。adjusted_close：调整后的收盘价\n\n技术指标：'macd'、'boll_ub'、'boll_lb'、'rsi_30'、'dx_30'、'close_30_sma'、'close_60_sma'。用户也可以添加新的特征。\n\n\n## 安装\n+ [适用于所有操作系统的安装说明（MAC OS、Ubuntu、Windows 10）](.\u002Fdocs\u002Fsource\u002Fstart\u002Finstallation.rst)\n+ [FinRL量化金融：初学者安装与设置教程](https:\u002F\u002Fai4finance.medium.com\u002Ffinrl-for-quantitative-finance-install-and-setup-tutorial-for-beginners-1db80ad39159)\n\n## 状态更新\n\u003Cdetails>\u003Csummary>\u003Cb>版本历史\u003C\u002Fb> \u003Ci>[点击展开]\u003C\u002Fi>\u003C\u002Fsummary>\n\u003Cdiv>\n\n* 2022年6月25日\n\t0.3.5：FinRL正式发布，neo_finrl更名为FinRL-Meta，相关文件移至*meta*目录。\n* 2021年8月25日\n\t0.3.1：采用PyTorch版本，包含三层架构，分别为apps（金融任务）、drl_agents（强化学习算法）和neo_finrl（gym环境）。\n* 2020年12月14日\n  \t升级至**PyTorch**，并使用stable-baselines3；移除了对TensorFlow 1.x的支持；当时正在开发TensorFlow 2.0支持。\n* 2020年11月27日\n  \t0.1：基于tensorflow 1.5的测试版。\n\u003C\u002Fdiv>\n\u003C\u002Fdetails>\n\n\n## 教程\n\n+ [Towards Data Science] [深度强化学习在自动化股票交易中的应用](https:\u002F\u002Fmedium.com\u002Fdata-science\u002Fdeep-reinforcement-learning-for-automated-stock-trading-f1dad0126a02)\n\n## 出版物\n\n|标题 |会议\u002F期刊 |链接|引用次数|年份|\n|  ----  |  ----  |  ----  |  ----  |  ----  |\n|金融强化学习的动态数据集与市场环境| 机器学习 - Springer Nature| [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2304.13174) [代码](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Meta) | 51 | 2024 |\n|**FinRL-Meta**: FinRL-Meta：数据驱动型金融强化学习的市场环境与基准测试| NeurIPS 2022| [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2211.03107) [代码](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Meta) | 136 | 2022 |\n|**FinRL**: 用于量化金融中自动化交易的深度强化学习框架| ACM国际人工智能金融会议（ICAIF） | [论文](https:\u002F\u002Fpapers.ssrn.com\u002Fsol3\u002Fpapers.cfm?abstract_id=3955949) | 212 | 2021 |\n|**FinRL**: 用于量化金融中自动化股票交易的深度强化学习库| NeurIPS 2020 深度强化学习研讨会  | [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2011.09607) | 275 | 2020 |\n|自动化股票交易的深度强化学习：一种集成策略| ACM国际人工智能金融会议（ICAIF） | [论文](https:\u002F\u002Fpapers.ssrn.com\u002Fsol3\u002Fpapers.cfm?abstract_id=3690996) [代码](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Meta\u002Fblob\u002Fmaster\u002Ftutorials\u002F2-Advance\u002FFinRL_Ensemble_StockTrading_ICAIF_2020\u002FFinRL_Ensemble_StockTrading_ICAIF_2020.ipynb) | 426 | 2020 |\n|股票交易的实用深度强化学习方法 | NeurIPS 2018 金融服务中人工智能的挑战与机遇研讨会| [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1811.07522) [代码](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL))| 303 | 2018 |\n\n\n## 新闻\n+ [央广网] [2021 IDEA大会于福田圆满落幕：群英荟萃论道AI 多项目发布亮点纷呈](http:\u002F\u002Ftech.cnr.cn\u002Ftechph\u002F20211123\u002Ft20211123_525669092.shtml)\n+ [央广网] [2021 IDEA大会开启AI思想盛宴 沈向洋理事长发布六大前沿产品](https:\u002F\u002Fbaijiahao.baidu.com\u002Fs?id=1717101783873523790&wfr=spider&for=pc)\n+ [IDEA新闻] [2021 IDEA大会发布产品FinRL-Meta——基于数据驱动的强化学习金融风险模拟系统](https:\u002F\u002Fidea.edu.cn\u002Fnews\u002F20211213143128.html)\n+ [知乎] [FinRL-Meta基于数据驱动的强化学习金融元宇宙](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F437804814)\n+ [量化投资与机器学习] [基于深度强化学习的股票交易策略框架（代码+文档)](https:\u002F\u002Fwww.mdeditor.tw\u002Fpl\u002Fp5Gg)\n+ [运筹OR帷幄] [领读计划NO.10 | 基于深度增强学习的量化交易机器人：从AlphaGo到FinRL的演变过程](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F353557417)\n+ [深度强化实验室] [【重磅推荐】哥大开源“FinRL”: 一个用于量化金融自动交易的深度强化学习库](https:\u002F\u002Fblog.csdn.net\u002Fdeeprl\u002Farticle\u002Fdetails\u002F114828024)\n+ [商业新知] [金融科技讲座回顾|AI4Finance: 从AlphaGo到FinRL](https:\u002F\u002Fwww.shangyexinzhi.com\u002Farticle\u002F4170766.html)\n+ [Kaggle] [Jane Street市场预测](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fjane-street-market-prediction\u002Fdiscussion\u002F199313)\n+ [矩池云Matpool] [在矩池云上如何运行FinRL股票交易策略框架](http:\u002F\u002Fwww.python88.com\u002Ftopic\u002F111918)\n+ [财智无界] [金融学会常务理事陈学彬: 深度强化学习在金融资产管理中的应用](https:\u002F\u002Fwww.sohu.com\u002Fa\u002F486837028_120929319)\n+ [Neurohive] [FinRL: глубокое обучение с подкреплением для трейдинга](https:\u002F\u002Fneurohive.io\u002Fru\u002Fgotovye-prilozhenija\u002Ffinrl-glubokoe-obuchenie-s-podkrepleniem-dlya-trejdinga\u002F)\n+ [ICHI.PRO] [양적 금융을위한 FinRL: 단일 주식 거래를위한 튜토리얼](https:\u002F\u002Fichi.pro\u002Fko\u002Fyangjeog-geum-yung-eul-wihan-finrl-dan-il-jusig-geolaeleul-wihan-tyutolieol-61395882412716)\n+ [知乎] [基于深度强化学习的金融交易策略（FinRL+Stable baselines3，以道琼斯30股票为例）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F563238735)\n+ [知乎] [动态数据驱动的金融强化学习](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F616799055)\n+ [知乎] [FinRL的W&B化+超参数搜索和模型优化(基于Stable Baselines 3）](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F498115373)\n+ [知乎] [FinRL-Meta: 未来金融强化学习的元宇宙](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F544621882)\n+\n## 引用FinRL\n\n对于下一代AI原生模块化交易基础设施，请参阅 **[FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)**。\n\n```\n@inproceedings{yang2026finrlx,\n  title     = {FinRL-X: 用于量化交易的AI原生模块化基础设施},\n  author    = {Yang, Hongyang and Zhang, Boyu and She, Yang and Liao, Xinyu and Zhang, Xiaoli},\n  booktitle = {第二届金融科技中的决策与优化国际研讨会（DMO-FinTech）论文集},\n  year      = {2026},\n  note      = {2026年PAKDD研讨会}\n}\n```\n\n如果您使用原始的FinRL框架，请引用以下FinRL相关论文：\n\n```\n@article{finrl2020,\n    author  = {Liu, Xiao-Yang and Yang, Hongyang and Chen, Qian and Zhang, Runjia and Yang, Liuqing and Xiao, Bowen and Wang, Christina Dan},\n    title   = {{FinRL}: 用于量化金融中自动化股票交易的深度强化学习库},\n    journal = {NeurIPS 2020深度强化学习研讨会},\n    year    = {2020}\n}\n```\n\n## 加入并贡献\n\n欢迎加入**AI4Finance**社区！\n\n请查看[贡献指南](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Tutorials\u002Fblob\u002Fmaster\u002FContributing.md)。\n\n### 贡献者\n\n感谢所有帮助构建FinRL的贡献者。\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_readme_79cb8e56d103.png\" alt=\"FinRL贡献者\" \u002F>\n\u003C\u002Fa>\n\n\n## 许可证\n\nMIT许可证\n```\n商标声明\n\nFinRL及其标志是FinRL LLC的注册商标。AI4Finance基金会经许可使用这些商标。本仓库的开源许可证并不授予任何未经FinRL LLC事先书面许可而使用FinRL名称、标志或相关商标的权利，除非适用法律另有规定。\n\n```\n\n**免责声明：我们依据MIT许可证分享这些代码仅用于学术目的。本文档不构成任何财务建议或真实资金交易的推荐。用户应对其使用本软件所做的任何财务决策自行负责。在投入资金之前，请咨询合格的专业人士。**","# FinRL 快速上手指南\n\nFinRL 是首个开源的金融强化学习框架，专为教育、基准测试和研究原型设计。本指南将帮助你快速搭建环境并运行第一个股票交易策略示例。\n\n> **注意**：如果你需要构建面向生产、模块化且支持实盘交易的新一代系统，请参考 [FinRL-X \u002F FinRL-Trading](https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL-Trading)。本指南针对经典的 FinRL 研究框架。\n\n## 1. 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 Linux\u002FmacOS 以获得最佳兼容性)\n*   **Python 版本**：Python 3.6 - 3.9 (推荐 Python 3.8)\n*   **前置依赖**：\n    *   `git`：用于克隆代码库\n    *   `pip`：Python 包管理工具\n    *   `venv` 或 `conda`：用于创建虚拟环境（强烈建议使用虚拟环境以避免依赖冲突）\n\n**国内加速建议**：\n在安装依赖时，建议使用清华源或阿里源以加快下载速度。\n\n## 2. 安装步骤\n\n请依次执行以下命令来完成安装：\n\n### 第一步：克隆仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL.git\ncd FinRL\n```\n\n### 第二步：创建并激活虚拟环境\n**Linux\u002FmacOS:**\n```bash\npython3 -m venv venv\nsource venv\u002Fbin\u002Factivate\n```\n\n**Windows:**\n```bash\npython -m venv venv\nvenv\\Scripts\\activate\n```\n\n### 第三步：安装 FinRL\n使用国内镜像源加速安装依赖包：\n```bash\npip install -e . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n*注：`-e .` 表示以可编辑模式安装，方便你修改源码进行实验。*\n\n## 3. 基本使用\n\nFinRL 的核心工作流遵循 **数据获取 -> 模型训练 -> 回测** 的流程。以下以经典的道琼斯 30 指数成分股交易策略为例。\n\n### 步骤 1：下载数据与预处理\n运行以下脚本，系统将自动从 Yahoo Finance 下载数据，计算技术指标（如 MACD, RSI），并划分训练集与交易集。\n```bash\npython examples\u002FFinRL_StockTrading_2026_1_data.py\n```\n*执行成功后，当前目录将生成 `train_data.csv` 和 `trade_data.csv`。*\n\n### 步骤 2: 训练 DRL 智能体\n使用 Stable Baselines3 训练 5 种主流强化学习算法（A2C, DDPG, PPO, TD3, SAC）。\n```bash\npython examples\u002FFinRL_StockTrading_2026_2_train.py\n```\n*训练完成的模型将保存在 `trained_models\u002F` 目录下。*\n\n### 步骤 3: 回测与评估\n加载训练好的模型，在测试集上进行回测，并与均值方差优化（MVO）及道琼斯指数（DJIA）基准进行对比。\n```bash\npython examples\u002FFinRL_StockTrading_2026_3_Backtest.py\n```\n*结果将打印在控制台，并生成可视化图表 `backtest_result.png`。*\n\n---\n**下一步探索**：\n你可以查看 `finrl\u002Fapplications` 目录，其中包含了加密货币交易、高频交易、投资组合分配等更多应用场景的示例代码。","某中型量化私募团队正试图为新能源板块构建一个能自适应市场波动的自动交易策略，以替代失效的传统均线系统。\n\n### 没有 FinRL 时\n- **算法复现成本极高**：研究员需从零编写 PPO、SAC 等深度强化学习算法的金融适配代码，耗时数周且极易引入底层 Bug。\n- **数据与环境割裂**：缺乏统一的回测环境，清洗后的行情数据难以直接转化为标准的 Gym 训练接口，导致“数据 - 训练”链路频繁断裂。\n- **策略过拟合难察觉**：缺少标准化的基准测试框架，无法快速区分策略是学到了市场规律还是单纯记住了历史噪声，实盘风险巨大。\n- **迭代周期漫长**：调整一个奖励函数或状态空间需要修改大量耦合代码，从想法提出到完成回测验证往往需要数天时间。\n\n### 使用 FinRL 后\n- **开箱即用的算法库**：直接调用内置的 SOTA 强化学习算法，将核心代码开发时间从数周压缩至几小时，让团队专注于金融逻辑本身。\n- **标准化交易环境**：利用 FinRL-Meta 提供的统一市场接口，一键将多源数据转化为可交互的训练环境，彻底打通数据到模型的最后一公里。\n- **严谨的基准评估**：依托内置的基准测试流程，快速验证策略在牛熊市不同风格下的鲁棒性，有效识别并剔除过拟合模型。\n- **敏捷的策略迭代**：模块化设计允许通过配置文件灵活调整状态空间和奖励机制，实现“上午构思、下午回测、晚上优化”的高效闭环。\n\nFinRL 通过提供标准化的端到端框架，将量化团队从繁琐的代码工程中解放出来，使其能专注于挖掘真正的 Alpha 因子。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAI4Finance-Foundation_FinRL_42e160d6.png","AI4Finance-Foundation","AI4Finance Foundation","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAI4Finance-Foundation_2b196025.jpg","A Nonprofit Organization Dedicated to Advancing AI in the Finance Industry through Promoting Better Standardization and Open-Source Tooling.",null,"contact@ai4finance.org","AI4FinanceFound","ai4finance.org","https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation",[82,86,90,94],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",83.1,{"name":87,"color":88,"percentage":89},"Python","#3572A5",16.9,{"name":91,"color":92,"percentage":93},"Dockerfile","#384d54",0,{"name":95,"color":96,"percentage":93},"Shell","#89e051",14682,3259,"2026-04-06T13:57:30","MIT","未说明",{"notes":103,"python":104,"dependencies":105},"该工具主要面向教育和研究，支持多种数据源（如 Yahoo Finance, Alpaca, Binance 等），部分数据源需要特定账户或 API 密钥。建议使用虚拟环境（venv）进行安装。生产环境用户建议参考其新一代项目 FinRL-X (FinRL-Trading)。","3.6+",[106,107,108,109,110,111,112,113,114,115],"gym","stable-baselines3","ray[rllib]","elegantrl","pandas","numpy","matplotlib","alpaca-trade-api","ccxt","yfinance",[13,14],[118,119,120,121,122,123,124,125,126,127,128,129,130,131],"deep-reinforcement-learning","drl-trading-agents","stock-trading","drl-algorithms","pythorch","tensorflow2","drl-framework","multi-agent-learning","finance","stock-markets","trading-tasks","openai-gym","fintech","algorithmic-trading","2026-03-27T02:49:30.150509","2026-04-07T08:13:25.868067",[135,140,145,150,155,160],{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},21369,"为什么超参数优化的结果每次都不相同？如何获得固定的优化超参数值？","超参数调整部分非常敏感，受多种配置影响，因此很难完全复现结果。建议对系统进行压力测试以找到一组好的超参数并进一步验证。若需尝试确定性结果，可参考相关教程在 CuDNN 级别设置随机种子（例如使用 torch.cudnn.deterministic = True），但这可能需要集成到 FinRL 中。此外，可以通过保存中间模型然后加载并继续训练（model.train()）来进一步优化模型。","https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL\u002Fissues\u002F440",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},21370,"运行示例时遇到 'StockTradingEnv.reset() got an unexpected keyword argument seed' 错误怎么办？","该错误通常与 Stable-Baselines3 版本更新有关（特别是 Release 2.0.0aXX 及更高版本），因为新的 Gym API (0.26+) 改变了随机种子的传递方式。解决方法是手动将 stable-baselines3 降级到 v2.0.0a5 版本，错误即可消失。请注意检查降级后是否影响其他功能。","https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL\u002Fissues\u002F1022",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},21371,"在 Demo_MultiCrypto_Trading.ipynb 中遇到 'TypeError: module object is not callable' 错误如何解决？","如果 TICKER_LIST 中只有一个股票代码，会导致 state_dim（状态维度）太小从而引发错误。解决方案是使用更多的股票代码进行训练，例如使用 DOW_30 成分股列表，以增加状态空间的维度。","https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL\u002Fissues\u002F514",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},21372,"初始化 StockTradingEnv 时出现 'unexpected keyword argument initial_amount' 错误如何处理？","这通常是因为环境参数字典构建不完整或变量未定义导致的。请确保在实例化环境前正确定义了所有必要变量（如 stock_dimension）。以下是一个可用的 env_kwargs 配置示例：\nbuy_cost_list = sell_cost_list = [0.001] * stock_dimension\nnum_stock_shares = [0] * stock_dimension\nenv_kwargs = {\n    \"hmax\": 100,\n    \"initial_amount\": 1000000,\n    \"num_stock_shares\": num_stock_shares,\n    \"buy_cost_pct\": buy_cost_list,\n    \"sell_cost_pct\": sell_cost_list,\n    \"state_space\": state_space,\n    \"stock_dim\": stock_dimension,\n    \"tech_indicator_list\": config.INDICATORS,\n    \"action_space\": stock_dimension,\n    \"reward_scaling\": 1e-4\n}\ne_train_gym = StockTradingEnv(df=train, **env_kwargs)","https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL\u002Fissues\u002F518",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},21373,"如何在 Colab 中运行 FinRL 的演示笔记本（Demo）以避免安装失败？","在 Google Colab 中运行演示之前，需要手动安装某些依赖包，否则安装过程会失败。具体来说，需要手动安装 'wrds' 和 'swig' 包。可以在代码单元格中运行 '!pip install wrds swig' 来完成安装，然后再运行后续的 setup 步骤。","https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL\u002Fissues\u002F835",{"id":161,"question_zh":162,"answer_zh":163,"source_url":164},21374,"使用自定义股票数据时，数据预处理阶段 DataFrame 变为空（Empty）是什么原因？","这通常是因为数据透视表（pivot_table）生成后，某些股票的 'close' 列存在 NaN 值，导致执行 dropna(axis=1) 时删除了包含缺失值的整列，最终使得筛选后的 DataFrame 为空。解决方法是检查原始数据中的缺失值情况，或者在 dropna 之前进行适当的数据填充（fillna）处理，而不是直接删除含有 NaN 的列。","https:\u002F\u002Fgithub.com\u002FAI4Finance-Foundation\u002FFinRL\u002Fissues\u002F339",[166],{"id":167,"version":168,"summary_zh":169,"released_at":170},127381,"v0.3.8","添加 FinRL 股票交易 2026 教程，包含 3 个脚本：                                                                                             \r\n  - FinRL_StockTrading_2026_1_data.py：数据下载与预处理                                                                                \r\n  - FinRL_StockTrading_2026_2_train.py：训练 5 种强化学习智能体（A2C、DDPG、PPO、TD3、SAC）                                                               \r\n  - FinRL_StockTrading_2026_3_Backtest.py：回测并与 MVO\u002FDJIA 进行对比","2026-03-20T10:39:25"]