研究者/学生
用股票/加密示例系统学习强化学习交易方法。
Applications
5 类应用对照
每类应用对应 applications 下的一个子目录。
| 应用 | 目录 | 任务 |
|---|---|---|
| 股票交易 | stock_trading | 在股票组合上学习买卖决策（经典示例：道指 30） |
| 加密货币交易 | cryptocurrency_trading | 在加密市场学习交易策略（Binance/CCXT 数据） |
| 高频交易 | high_frequency_trading | 高频/日内交易决策（需高频数据源） |
| 组合配置 | portfolio_allocation | 动态调整资产配置权重 |
| 模仿学习 | imitation_learning | 模仿专家策略，降低冷启动探索成本 |
Example
股票交易示例（2026 教程）
最完整的示例是股票交易，官方 2026 教程三步走。
数据
下载道指 30 股票 + 技术指标 + VIX + turbulence，切训练/交易集。
训练
训练 5 个 DRL 智能体（A2C/DDPG/PPO/TD3/SAC）。
回测
对比 MVO 与 DJIA 基线，输出收益曲线。
Who fits
适用人群
FinRL 经典版面向学习与研究，不同应用对数据与算力要求不同。
开发者
基于三层架构自定义环境、算法与应用。
量化团队
生产级多账户、风控走 FinRL-X/FinRL-Trading。
Caution
应用层面的边界
不同市场的强化学习差异很大，别把股票策略直接搬到加密或高频。
市场差异：加密 24 小时交易、高频对延迟敏感、组合强调风险分散，各自奖励与动作空间都要重设计。
研究边界：经典版应用是研究原型，不构成收益保证；实盘需自行充分验证。
FAQ
常见问题
FinRL 能做哪些交易任务？
股票交易、加密货币交易、高频交易、组合配置与模仿学习五类，同一套三层架构。
FinRL 能直接用于实盘吗？
经典版是研究框架，实盘基础支持 Alpaca；生产级多账户与风控走 FinRL-X/FinRL-Trading。任何策略都需先充分验证。
股票策略能直接搬到加密货币吗？
不能直接搬。加密市场交易时长、波动、数据源都不同，环境与奖励设计需重新调整。
模仿学习是什么？
让智能体模仿专家/规则策略，降低强化学习冷启动的探索成本，是 applications 下的一类应用。