[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tensortrade-org--tensortrade":3,"tool-tensortrade-org--tensortrade":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":23,"env_os":98,"env_gpu":99,"env_ram":100,"env_deps":101,"category_tags":111,"github_topics":78,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":115},4024,"tensortrade-org\u002Ftensortrade","tensortrade","An open source reinforcement learning framework for training, evaluating, and deploying robust trading agents.","TensorTrade 是一个基于 Python 的开源强化学习框架，专为构建、训练和评估算法交易智能体而设计。它旨在解决传统量化策略难以适应动态市场变化的问题，通过让 AI 代理在模拟环境中自主学习买卖决策，探索能否超越简单的“买入并持有”策略。\n\n该工具特别适合具备一定编程基础的开发者、量化研究人员以及对人工智能交易感兴趣的数据科学家使用。用户无需从零搭建底层架构，即可利用其模块化组件快速定制专属的交易系统。\n\nTensorTrade 的核心亮点在于其高度可组合的架构。它将交易环境、动作空间（如订单执行方案）、奖励函数和数据源拆解为独立模块，支持灵活拼接。框架内置了针对交易场景优化的功能，例如处理交易佣金对收益的影响、防止模型过拟合的机制，以及支持走前验证（Walk-Forward Validation）等专业评估方法。此外，它深度集成 Ray RLlib 进行高效训练，并提供 Optuna 超参数调优支持。官方文档还包含了从强化学习基础到交易领域知识的详细教程，帮助用户规避常见陷阱，严谨地验证策略有效性。","\u003Cp align=\"center\">\r\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensortrade-org_tensortrade_readme_c597bf3618c4.jpg\" width=\"200\" alt=\"TensorTrade Logo\">\r\n\u003C\u002Fp>\r\n\r\n# TensorTrade\r\n\r\n**Train RL agents to trade. Can they beat Buy-and-Hold?**\r\n\r\n[![Tests](https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Factions\u002Fworkflows\u002Ftests.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Factions\u002Fworkflows\u002Ftests.yml)\r\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensortrade-org_tensortrade_readme_6bf48b3e9a6d.png)](https:\u002F\u002Ftensortrade.org)\r\n[![Apache License](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Ftensortrade-org\u002Ftensortrade.svg?color=brightgreen)](http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0)\r\n[![Discord](https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F592446624882491402.svg?color=brightgreen)](https:\u002F\u002Fdiscord.gg\u002FZZ7BGWh)\r\n[![Python 3.12+](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.12+-blue.svg)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-3120\u002F)\r\n\r\nTensorTrade is an open-source Python framework for building, training, and evaluating reinforcement learning agents for algorithmic trading. The framework provides composable components for environments, action schemes, reward functions, and data feeds that can be combined to create custom trading systems.\r\n\r\n## Quick Start\r\n\r\n```bash\r\n# Requires Python 3.12+\r\npython3.12 -m venv tensortrade-env && source tensortrade-env\u002Fbin\u002Factivate\r\npip install -e .\r\n\r\n# For training with Ray\u002FRLlib (recommended)\r\npip install -r examples\u002Frequirements.txt\r\n\r\n# Run training\r\npython examples\u002Ftraining\u002Ftrain_simple.py\r\n```\r\n\r\n## Documentation & Tutorials\r\n\r\n📚 **[Tutorial Index](docs\u002Ftutorials\u002Findex.md)** — Start here for the complete learning curriculum.\r\n\r\n### Foundations\r\n- [The Three Pillars](docs\u002Ftutorials\u002F01-foundations\u002F01-three-pillars.md) — RL + Trading + Data concepts\r\n- [Architecture](docs\u002Ftutorials\u002F01-foundations\u002F02-architecture.md) — How components work together\r\n- [Your First Run](docs\u002Ftutorials\u002F01-foundations\u002F03-your-first-run.md) — Run and understand output\r\n\r\n### Domain Knowledge\r\n- [Trading for RL Practitioners](docs\u002Ftutorials\u002F02-domains\u002Ftrack-a-trading-for-rl\u002F01-trading-basics.md)\r\n- [RL for Traders](docs\u002Ftutorials\u002F02-domains\u002Ftrack-b-rl-for-traders\u002F01-rl-fundamentals.md)\r\n- [Common Failures](docs\u002Ftutorials\u002F02-domains\u002Ftrack-b-rl-for-traders\u002F02-common-failures.md) — Critical pitfalls to avoid\r\n- [Full Introduction](docs\u002Ftutorials\u002F02-domains\u002Ftrack-c-full-intro\u002FREADME.md) — New to both domains\r\n\r\n### Core Components\r\n- [Action Schemes](docs\u002Ftutorials\u002F03-components\u002F01-action-schemes.md) — BSH and order execution\r\n- [Reward Schemes](docs\u002Ftutorials\u002F03-components\u002F02-reward-schemes.md) — Why PBR works\r\n- [Observers & Feeds](docs\u002Ftutorials\u002F03-components\u002F03-observers-feeds.md) — Feature engineering\r\n\r\n### Training\r\n- [First Training](docs\u002Ftutorials\u002F04-training\u002F01-first-training.md) — Train with Ray RLlib\r\n- [Ray RLlib Deep Dive](docs\u002Ftutorials\u002F04-training\u002F02-ray-rllib.md) — Configuration options\r\n- [Optuna Optimization](docs\u002Ftutorials\u002F04-training\u002F03-optuna.md) — Hyperparameter tuning\r\n\r\n### Advanced Topics\r\n- [Overfitting](docs\u002Ftutorials\u002F05-advanced\u002F01-overfitting.md) — Detection and prevention\r\n- [Commission Analysis](docs\u002Ftutorials\u002F05-advanced\u002F02-commission.md) — Key research findings\r\n- [Walk-Forward Validation](docs\u002Ftutorials\u002F05-advanced\u002F03-walk-forward.md) — Proper evaluation\r\n\r\n### Additional Resources\r\n- [Experiments Log](docs\u002FEXPERIMENTS.md) — Full research documentation\r\n- [Environment Setup](docs\u002FENVIRONMENT_SETUP.md) — Detailed installation guide\r\n- [API Reference](https:\u002F\u002Fwww.tensortrade.org\u002Fen\u002Flatest\u002F)\r\n\r\n---\r\n\r\n## Research Findings\r\n\r\nWe conducted extensive experiments training PPO agents on BTC\u002FUSD. Key results:\r\n\r\n| Configuration | Test P&L | vs Buy-and-Hold |\r\n|---------------|----------|-----------------|\r\n| Agent (0% commission) | +$239 | +$594 |\r\n| Agent (0.1% commission) | -$650 | -$295 |\r\n| Buy-and-Hold | -$355 | — |\r\n\r\nThe agent demonstrates directional prediction capability at zero commission. The primary challenge is trading frequency—commission costs currently exceed prediction profits. See [EXPERIMENTS.md](docs\u002FEXPERIMENTS.md) for methodology and detailed analysis.\r\n\r\n---\r\n\r\n## Architecture\r\n\r\n```\r\n┌─────────────────────────────────────────────────────────────────┐\r\n│                        TradingEnv                               │\r\n│                                                                 │\r\n│   Observer ──────> Agent ──────> ActionScheme ──────> Portfolio │\r\n│   (features)      (policy)      (BSH\u002FOrders)        (wallets)  │\r\n│       ^                                                  │      │\r\n│       └──────────── RewardScheme \u003C───────────────────────┘      │\r\n│                        (PBR)                                    │\r\n│                                                                 │\r\n│   DataFeed ──────> Exchange ──────> Broker ──────> Trades       │\r\n└─────────────────────────────────────────────────────────────────┘\r\n```\r\n\r\n| Component | Purpose | Default |\r\n|-----------|---------|---------|\r\n| ActionScheme | Converts agent output to orders | BSH (Buy\u002FSell\u002FHold) |\r\n| RewardScheme | Computes learning signal | PBR (Position-Based Returns) |\r\n| Observer | Generates observations | Windowed features |\r\n| Portfolio | Manages wallets and positions | USD + BTC |\r\n| Exchange | Simulates execution | Configurable commission |\r\n\r\n---\r\n\r\n## Training Scripts\r\n\r\n| Script | Description |\r\n|--------|-------------|\r\n| `examples\u002Ftraining\u002Ftrain_simple.py` | Basic demo with wallet tracking |\r\n| `examples\u002Ftraining\u002Ftrain_ray_long.py` | Distributed training with Ray RLlib |\r\n| `examples\u002Ftraining\u002Ftrain_optuna.py` | Hyperparameter optimization |\r\n| `examples\u002Ftraining\u002Ftrain_best.py` | Best configuration from experiments |\r\n\r\n---\r\n\r\n## Installation\r\n\r\n**Requirements:** Python 3.11 or 3.12\r\n\r\n```bash\r\n# Create environment\r\npython3.12 -m venv tensortrade-env\r\nsource tensortrade-env\u002Fbin\u002Factivate  # Windows: tensortrade-env\\Scripts\\activate\r\n\r\n# Install\r\npip install --upgrade pip\r\npip install -r requirements.txt\r\npip install -e .\r\n\r\n# Verify\r\npytest tests\u002Ftensortrade\u002Funit -v\r\n\r\n# Training dependencies (optional)\r\npip install -r examples\u002Frequirements.txt\r\n```\r\n\r\nSee [ENVIRONMENT_SETUP.md](docs\u002FENVIRONMENT_SETUP.md) for platform-specific instructions and troubleshooting.\r\n\r\n### Docker\r\n\r\n```bash\r\nmake run-notebook  # Jupyter\r\nmake run-docs      # Documentation\r\nmake run-tests     # Test suite\r\n```\r\n\r\n---\r\n\r\n## Project Structure\r\n\r\n```\r\ntensortrade\u002F\r\n├── tensortrade\u002F           # Core library\r\n│   ├── env\u002F              # Trading environments\r\n│   ├── feed\u002F             # Data pipeline\r\n│   ├── oms\u002F              # Order management\r\n│   └── data\u002F             # Data fetching\r\n├── examples\u002F\r\n│   ├── training\u002F         # Training scripts\r\n│   └── notebooks\u002F        # Jupyter tutorials\r\n├── docs\u002F\r\n│   ├── tutorials\u002F        # Learning curriculum\r\n│   └── EXPERIMENTS.md    # Research log\r\n└── tests\u002F\r\n```\r\n\r\n---\r\n\r\n## Troubleshooting\r\n\r\n| Issue | Solution |\r\n|-------|----------|\r\n| \"No stream satisfies selector\" | Update to v1.0.4-dev1+ |\r\n| Ray installation fails | Run `pip install --upgrade pip` first |\r\n| NumPy version conflict | `pip install \"numpy>=1.26.4,\u003C2.0\"` |\r\n| TensorFlow CUDA issues | `pip install tensorflow[and-cuda]>=2.15.1` |\r\n\r\n---\r\n\r\n## Contributing\r\n\r\nSee [CONTRIBUTING.md](CONTRIBUTING.md) for guidelines.\r\n\r\nPriority areas:\r\n1. Trading frequency reduction (position sizing, holding periods)\r\n2. Commission-aware reward schemes\r\n3. Alternative action spaces\r\n\r\n---\r\n\r\n## Community\r\n\r\n- [Discord](https:\u002F\u002Fdiscord.gg\u002FZZ7BGWh)\r\n- [GitHub Issues](https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Ftensortrade\u002Fissues)\r\n- [Documentation](https:\u002F\u002Fwww.tensortrade.org\u002F)\r\n\r\n---\r\n\r\n## License\r\n\r\n[Apache 2.0](LICENSE)\r\n","\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensortrade-org_tensortrade_readme_c597bf3618c4.jpg\" width=\"200\" alt=\"TensorTrade Logo\">\n\u003C\u002Fp>\n\n# TensorTrade\n\n**训练强化学习智能体进行交易。它们能战胜买入并持有策略吗？**\n\n[![测试](https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Factions\u002Fworkflows\u002Ftests.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Factions\u002Fworkflows\u002Ftests.yml)\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensortrade-org_tensortrade_readme_6bf48b3e9a6d.png)](https:\u002F\u002Ftensortrade.org)\n[![Apache许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Ftensortrade-org\u002Ftensortrade.svg?color=brightgreen)](http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0)\n[![Discord](https:\u002F\u002Fimg.shields.io\u002Fdiscord\u002F592446624882491402.svg?color=brightgreen)](https:\u002F\u002Fdiscord.gg\u002FZZ7BGWh)\n[![Python 3.12+](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpython-3.12+-blue.svg)](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002Frelease\u002Fpython-3120\u002F)\n\nTensorTrade 是一个开源的 Python 框架，用于构建、训练和评估用于算法交易的强化学习智能体。该框架提供了可组合的环境、动作方案、奖励函数和数据馈送组件，这些组件可以组合起来创建自定义的交易系统。\n\n## 快速入门\n\n```bash\n# 需要 Python 3.12+\npython3.12 -m venv tensortrade-env && source tensortrade-env\u002Fbin\u002Factivate\npip install -e .\n\n# 如果使用 Ray\u002FRLlib 进行训练（推荐）\npip install -r examples\u002Frequirements.txt\n\n# 运行训练\npython examples\u002Ftraining\u002Ftrain_simple.py\n```\n\n## 文档与教程\n\n📚 **[教程索引](docs\u002Ftutorials\u002Findex.md)** — 从这里开始完整的学习课程。\n\n### 基础知识\n- [三大支柱](docs\u002Ftutorials\u002F01-foundations\u002F01-three-pillars.md) — 强化学习 + 交易 + 数据概念\n- [架构](docs\u002Ftutorials\u002F01-foundations\u002F02-architecture.md) — 组件如何协同工作\n- [首次运行](docs\u002Ftutorials\u002F01-foundations\u002F03-your-first-run.md) — 运行并理解输出\n\n### 行业知识\n- [面向强化学习从业者的交易](docs\u002Ftutorials\u002F02-domains\u002Ftrack-a-trading-for-rl\u002F01-trading-basics.md)\n- [面向交易员的强化学习](docs\u002Ftutorials\u002F02-domains\u002Ftrack-b-rl-for-traders\u002F01-rl-fundamentals.md)\n- [常见失败](docs\u002Ftutorials\u002F02-domains\u002Ftrack-b-rl-for-traders\u002F02-common-failures.md) — 需要避免的关键陷阱\n- [全面介绍](docs\u002Ftutorials\u002F02-domains\u002Ftrack-c-full-intro\u002FREADME.md) — 同时适用于两个领域的初学者\n\n### 核心组件\n- [动作方案](docs\u002Ftutorials\u002F03-components\u002F01-action-schemes.md) — BSH 和订单执行\n- [奖励方案](docs\u002Ftutorials\u002F03-components\u002F02-reward-schemes.md) — 为什么 PBR 有效\n- [观察器与馈送](docs\u002Ftutorials\u002F03-components\u002F03-observers-feeds.md) — 特征工程\n\n### 训练\n- [首次训练](docs\u002Ftutorials\u002F04-training\u002F01-first-training.md) — 使用 Ray RLlib 训练\n- [Ray RLlib 深入解析](docs\u002Ftutorials\u002F04-training\u002F02-ray-rllib.md) — 配置选项\n- [Optuna 超参数优化](docs\u002Ftutorials\u002F04-training\u002F03-optuna.md) — 超参数调优\n\n### 高级主题\n- [过拟合](docs\u002Ftutorials\u002F05-advanced\u002F01-overfitting.md) — 检测与预防\n- [佣金分析](docs\u002Ftutorials\u002F05-advanced\u002F02-commission.md) — 关键研究发现\n- [向前滚动验证](docs\u002Ftutorials\u002F05-advanced\u002F03-walk-forward.md) — 正确的评估方法\n\n### 其他资源\n- [实验日志](docs\u002FEXPERIMENTS.md) — 完整的研究文档\n- [环境设置](docs\u002FENVIRONMENT_SETUP.md) — 详细的安装指南\n- [API 参考](https:\u002F\u002Fwww.tensortrade.org\u002Fen\u002Flatest\u002F)\n\n---\n\n## 研究结果\n\n我们进行了大量实验，训练 PPO 智能体在 BTC\u002FUSD 上进行交易。主要结果如下：\n\n| 配置 | 测试盈亏 | 相对于买入并持有 |\n|------|----------|------------------|\n| 智能体（0% 佣金） | +$239 | +$594 |\n| 智能体（0.1% 佣金） | -$650 | -$295 |\n| 买入并持有 | -$355 | — |\n\n该智能体在零佣金情况下表现出方向性预测能力。主要挑战在于交易频率——目前佣金成本超过了预测收益。有关方法论和详细分析，请参阅 [EXPERIMENTS.md](docs\u002FEXPERIMENTS.md)。\n\n---\n\n## 架构\n\n```\n┌─────────────────────────────────────────────────────────────────┐\n│                        TradingEnv                               │\n│                                                                 │\n│   Observer ──────> Agent ──────> ActionScheme ──────> Portfolio │\n│   (features)      (policy)      (BSH\u002FOrders)        (wallets)  │\n│       ^                                                  │      │\n│       └──────────── RewardScheme \u003C───────────────────────┘      │\n│                        (PBR)                                    │\n│                                                                 │\n│   DataFeed ──────> Exchange ──────> Broker ──────> Trades       │\n└─────────────────────────────────────────────────────────────────┘\n```\n\n| 组件         | 用途           | 默认值          |\n|--------------|----------------|----------------|\n| ActionScheme | 将智能体输出转换为订单 | BSH（买入\u002F卖出\u002F持有） |\n| RewardScheme | 计算学习信号   | PBR（基于头寸的回报） |\n| Observer     | 生成观测值     | 窗口化特征      |\n| Portfolio    | 管理钱包和头寸 | USD + BTC       |\n| Exchange     | 模拟执行       | 可配置佣金      |\n\n---\n\n## 训练脚本\n\n| 脚本                   | 描述                           |\n|------------------------|--------------------------------|\n| `examples\u002Ftraining\u002Ftrain_simple.py` | 基本演示，包含钱包跟踪 |\n| `examples\u002Ftraining\u002Ftrain_ray_long.py` | 使用 Ray RLlib 的分布式训练 |\n| `examples\u002Ftraining\u002Ftrain_optuna.py` | 超参数优化                 |\n| `examples\u002Ftraining\u002Ftrain_best.py` | 实验中表现最佳的配置       |\n\n---\n\n## 安装\n\n**要求：** Python 3.11 或 3.12\n\n```bash\n# 创建环境\npython3.12 -m venv tensortrade-env\nsource tensortrade-env\u002Fbin\u002Factivate  # Windows: tensortrade-env\\Scripts\\activate\n\n# 安装\npip install --upgrade pip\npip install -r requirements.txt\npip install -e .\n\n# 验证\npytest tests\u002Ftensortrade\u002Funit -v\n\n# 训练依赖（可选）\npip install -r examples\u002Frequirements.txt\n```\n\n有关特定平台的说明和故障排除，请参阅 [ENVIRONMENT_SETUP.md](docs\u002FENVIRONMENT_SETUP.md)。\n\n### Docker\n\n```bash\nmake run-notebook  # Jupyter\nmake run-docs      # 文档\nmake run-tests     # 测试套件\n```\n\n---\n\n## 项目结构\n\n```\ntensortrade\u002F\n├── tensortrade\u002F           # 核心库\n│   ├── env\u002F              # 交易环境\n│   ├── feed\u002F             # 数据管道\n│   ├── oms\u002F              # 订单管理\n│   └── data\u002F             # 数据获取\n├── examples\u002F\n│   ├── training\u002F         # 训练脚本\n│   └── notebooks\u002F        # Jupyter 教程\n├── docs\u002F\n│   ├── tutorials\u002F        # 学习课程\n│   └── EXPERIMENTS.md    # 研究日志\n└── tests\u002F\n```\n\n---\n\n## 故障排除\n\n| 问题 | 解决方案 |\n|-------|----------|\n| “没有流满足选择器” | 更新至 v1.0.4-dev1+ |\n| Ray 安装失败 | 先运行 `pip install --upgrade pip` |\n| NumPy 版本冲突 | `pip install \"numpy>=1.26.4,\u003C2.0\"` |\n| TensorFlow CUDA 问题 | `pip install tensorflow[and-cuda]>=2.15.1` |\n\n---\n\n## 贡献\n\n请参阅 [CONTRIBUTING.md](CONTRIBUTING.md) 获取贡献指南。\n\n优先领域：\n1. 交易频率降低（仓位大小、持仓周期）\n2. 考虑佣金的奖励机制\n3. 替代动作空间\n\n---\n\n## 社区\n\n- [Discord](https:\u002F\u002Fdiscord.gg\u002FZZ7BGWh)\n- [GitHub Issues](https:\u002F\u002Fgithub.com\u002Fnotadamking\u002Ftensortrade\u002Fissues)\n- [文档](https:\u002F\u002Fwww.tensortrade.org\u002F)\n\n---\n\n## 许可证\n\n[Apache 2.0](LICENSE)","# TensorTrade 快速上手指南\n\nTensorTrade 是一个开源的 Python 框架，专为构建、训练和评估用于算法交易的强化学习（RL）智能体而设计。它提供了可组合的环境、动作方案、奖励函数和数据源组件，帮助开发者打造自定义的交易系统。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：**Python 3.12+** (强烈建议使用 3.12 版本)\n*   **包管理工具**：`pip`\n*   **可选依赖**：若需使用分布式训练或超参数优化，需安装 Ray\u002FRLlib 和 Optuna 相关依赖。\n\n> **提示**：国内用户建议在创建虚拟环境后，临时切换至国内镜像源（如清华源或阿里源）以加速依赖下载。\n\n## 2. 安装步骤\n\n以下是标准的安装流程，包含虚拟环境创建、核心库安装及训练依赖安装。\n\n### 第一步：创建并激活虚拟环境\n\n```bash\n# 创建名为 tensortrade-env 的虚拟环境 (需 Python 3.12)\npython3.12 -m venv tensortrade-env\n\n# 激活环境\n# Linux\u002FmacOS:\nsource tensortrade-env\u002Fbin\u002Factivate\n# Windows:\n# tensortrade-env\\Scripts\\activate\n```\n\n### 第二步：安装核心库\n\n建议先升级 pip，然后安装项目依赖及 TensorTrade 本身。\n\n```bash\n# 升级 pip\npip install --upgrade pip\n\n# (可选) 国内用户推荐使用清华源加速\n# pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装基础依赖\npip install -r requirements.txt\n\n# 以编辑模式安装 TensorTrade\npip install -e .\n```\n\n### 第三步：安装训练依赖（推荐）\n\n如果您计划运行示例中的训练脚本（基于 Ray\u002FRLlib），请安装额外的训练依赖包：\n\n```bash\npip install -r examples\u002Frequirements.txt\n```\n\n### 第四步：验证安装\n\n运行单元测试以确保环境配置正确：\n\n```bash\npytest tests\u002Ftensortrade\u002Funit -v\n```\n\n## 3. 基本使用\n\n安装完成后，您可以直接运行官方提供的示例脚本来体验完整的训练流程。以下是最简单的入门示例，它将训练一个基础的强化学习代理并在 BTC\u002FUSD 数据上进行回测。\n\n### 运行简单训练示例\n\n在项目根目录下执行以下命令：\n\n```bash\npython examples\u002Ftraining\u002Ftrain_simple.py\n```\n\n**脚本说明：**\n*   该脚本会初始化一个交易环境（`TradingEnv`）。\n*   加载默认的观察者（Observer）和动作方案（ActionScheme，默认为买\u002F卖\u002F持有）。\n*   使用 PPO 算法训练智能体。\n*   输出训练过程中的奖励变化及最终的资产净值曲线。\n\n### 下一步学习\n\n成功运行上述脚本后，建议查阅项目文档中的教程索引以深入理解核心概念：\n\n*   **三大支柱**：理解 RL、交易与数据的结合。\n*   **架构详解**：了解 Observer、Agent、ActionScheme 如何协同工作。\n*   **首次训练**：深入学习 Ray RLlib 的配置与优化。\n\n文档地址：[https:\u002F\u002Fwww.tensortrade.org](https:\u002F\u002Fwww.tensortrade.org)","某量化团队正尝试利用强化学习开发一个能自动适应比特币市场波动的交易机器人，以替代传统的固定规则策略。\n\n### 没有 tensortrade 时\n- **重复造轮子**：开发人员需从零编写复杂的交易环境、订单执行逻辑和奖励函数，耗费数周时间搭建基础框架。\n- **策略验证困难**：缺乏标准化的回测模块，难以快速对比新策略与“买入并持有”基准的表现，容易陷入过拟合陷阱。\n- **调参成本高昂**：手动调整强化学习超参数效率极低，且无法有效整合 Ray\u002FRLlib 等分布式训练工具，模型收敛慢。\n- **忽略交易摩擦**：初期原型往往忽略手续费影响，导致实盘时因高频交易产生的佣金成本吞噬所有利润。\n\n### 使用 tensortrade 后\n- **模块化快速构建**：直接调用预置的可组合组件（如动作方案、数据源），几天内即可搭建出定制化的交易环境。\n- **科学评估体系**：内置走步前向验证（Walk-Forward Validation）和佣金分析工具，能真实模拟含手续费场景，提前识别无效策略。\n- **高效训练优化**：无缝集成 Ray RLlib 和 Optuna，支持分布式训练与自动超参数搜索，大幅缩短模型迭代周期。\n- **稳健实盘部署**：基于经过严格压力测试的架构，生成的智能体在扣除 0.1% 佣金后仍能清晰评估盈亏来源，避免盲目上线。\n\ntensortrade 通过将复杂的强化学习交易流程标准化，让团队从繁琐的基础设施建设中解放出来，专注于策略逻辑本身的创新与优化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensortrade-org_tensortrade_c597bf36.jpg","tensortrade-org","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftensortrade-org_fa31fb31.png","TensorTrade is an open source Python framework for building, training, evaluating, and deploying robust trading algorithms using reinforcement learning.",null,"https:\u002F\u002Ftensortrade.org","https:\u002F\u002Fgithub.com\u002Ftensortrade-org",[82,86,90],{"name":83,"color":84,"percentage":85},"Python","#3572A5",99.2,{"name":87,"color":88,"percentage":89},"Makefile","#427819",0.6,{"name":91,"color":92,"percentage":93},"Dockerfile","#384d54",0.3,6124,1219,"2026-04-05T16:18:58","Apache-2.0","Linux, macOS, Windows","非必需。若使用 TensorFlow CUDA 加速，需安装 tensorflow[and-cuda]>=2.15.1（具体显卡型号和显存未说明）","未说明",{"notes":102,"python":103,"dependencies":104},"建议使用 Python 虚拟环境（venv）进行隔离安装。若遇到 Ray 安装失败，请先升级 pip。若出现 NumPy 版本冲突，需强制安装指定版本范围。Docker 用户可使用 Makefile 命令运行 Notebook、文档或测试套件。该工具主要用于强化学习交易策略训练，默认示例涉及 BTC\u002FUSD 数据。","3.11, 3.12",[105,106,107,108,109,110],"numpy>=1.26.4,\u003C2.0","tensorflow>=2.15.1 (可选 CUDA 支持)","ray","rllib","optuna","pytest",[13,15],"2026-03-27T02:49:30.150509","2026-04-06T08:46:01.421628",[],[116,121,126,130,134,138,142],{"id":117,"version":118,"summary_zh":119,"released_at":120},108892,"v1.0.4","## 主要特性\n* @abstractguy 对示例进行了大量修改和优化\n* @PSS1998 在 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F392 中实现了在数据集中随机启动的功能\n* 官方支持 Ray 作为主要的训练框架，现已升级至最新版本 Ray 1.10.0\n* 测试覆盖率得到扩展，支持 Python 3.7、3.8 和 3.9\n* 现已不再支持 Python 3.6（该版本已于 2021 年 12 月结束支持）\n\n## 变更内容（自动生成）\n* @hugoch642 在 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F329 中进行了小幅修改，允许在一个环境步骤中执行多个订单\n* feat(docker): 将示例作为卷挂载，由 @Industrial 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F334\n* 添加使用 LSTM 的示例笔记本，由 @leeavas 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F339\n* 更新 ray.md 文件，由 @zeeshanalipanhwar 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F341\n* 使用 Unix 时间戳作为日期来源，由 @Industrial 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F336\n* fix: 修复渲染器文档示例中的拼写错误，由 @wnz99 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F353\n* [docs] 添加 Ray 训练示例，由 @carlogrisetti 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F354\n* Plotly 渲染修复及预热变量维护，由 @charlesedwards 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F259\n* 细微调整：似乎需要添加一个“e”，由 @MichaelQuaMan 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F369\n* 更新 renderers_and_plotly_chart.md 文件，由 @MichaelQuaMan 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F376\n* 更新 train_and_evaluate_using_ray.md 文件，由 @Grahlus 分别提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F374 和 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F375\n* 奖励计算速度提升，特别感谢 Ingolf Sommer 的贡献，由 @carlogrisetti 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F378\n* 细微调整：语法修正，由 @MichaelQuaMan 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F383\n* 重写了 Docker 安装说明，新增超过 400 项功能，包括 BTCUSD 数据集拆分、Optuna、ASHA 调度器、PPO-LSTM、PPO-AttentionNet、DQN-ChronoNet 等，由 @abstractguy 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F381\n* 扩展测试覆盖率（针对不同 Python 版本），由 @carlogrisetti 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F385\n* 弃用内置智能体，由 @carlogrisetti 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F387\n* 更多功能、归一化处理及参数修复，由 @abstractguy 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F388\n* 按特征进行归一化处理，并提供 Quantstats 报告示例，由 @abstractguy 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F389\n* 编写了奖励机制及统计信息，由 @abstractguy 提交于 https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade\u002Fpull\u002F390\n* 另一种奖励机制及基础特征工程，由 @abstractguy 提交于","2026-02-06T14:42:25",{"id":122,"version":123,"summary_zh":124,"released_at":125},108893,"v1.0.3","本版本合并了一系列修复和拉取请求。这将使新用户能够更轻松地从最新代码入手。\n\n目前仅有一处破坏性变更：训练时可传入的 `max_allowed_loss` 参数的含义发生了反转——在 0.90 版本之前，该参数值为 0.10 时表示允许 10% 的损失；而自 0.90 版本起，0.10 则表示允许 10% 的损失。\n\n若想始终使用最新的修复和改进，请通过 `pip install git+https:\u002F\u002Fgithub.com\u002Ftensortrade-org\u002Ftensortrade.git` 从 `master` 分支安装。\n\n感谢各位的贡献！请记住，这是一个持续进行中的项目。欢迎随时向我们提供反馈！","2021-05-10T18:04:30",{"id":127,"version":128,"summary_zh":78,"released_at":129},108894,"v0.2.0beta.1","2020-02-03T23:35:20",{"id":131,"version":132,"summary_zh":78,"released_at":133},108895,"v0.2.0beta.0","2020-01-28T06:11:52",{"id":135,"version":136,"summary_zh":78,"released_at":137},108896,"v0.1.0rc1","2019-11-11T05:10:19",{"id":139,"version":140,"summary_zh":78,"released_at":141},108897,"v0.1.0rc0","2019-11-10T06:12:38",{"id":143,"version":144,"summary_zh":78,"released_at":145},108898,"v0.0.2rc0","2019-10-31T16:46:15"]