2 dépôts
Processes of fetching, cleaning, and transforming raw financial market data into features for model training.
Distinct from Financial Market Data: The candidates are either too specific (Brazilian data) or too broad (general market data streams), not capturing the engineering pipeline.
Explore 2 awesome GitHub repositories matching data & databases · Financial Data Engineering. Refine with filters or upvote what's useful.
FinRL is a financial reinforcement learning framework and quantitative trading library. It provides a specialized system for developing, training, and simulating autonomous agents designed to automate financial trading and portfolio management. The project serves as an automated portfolio optimizer and financial market simulator. It enables the creation of decision-making policies to balance asset allocations, maximize potential returns, and minimize financial risk through reinforcement learning. The framework includes capabilities for financial market data engineering, algorithmic trading s
Fetches and prepares raw market data into technical indicator datasets for training autonomous trading agents.
mlfinlab est une bibliothèque Python d'apprentissage automatique pour la finance, conçue pour construire et valider des modèles utilisés dans le trading quantitatif et la gestion de portefeuille. Elle fournit une boîte à outils d'ingénierie de données financières et un framework de backtesting de stratégie quantitative pour transformer les données de marché brutes en signaux prédictifs et classes cibles. La bibliothèque inclut un générateur de données financières synthétiques pour créer des jeux de données artificiels qui imitent les propriétés statistiques des actifs réels pour les tests de résistance. Elle fournit également des outils spécialisés pour l'étiquetage et l'échantillonnage des séries temporelles financières afin d'éviter les fuites de données dans les marchés non stationnaires. Le projet couvre une large surface de capacités quantitatives, notamment l'ingénierie des caractéristiques, l'analyse de la codépendance des actifs pour la diversification de portefeuille et le dimensionnement des paris ajusté au risque pour l'allocation de capital. Il fournit en outre des utilitaires pour l'optimisation des modèles via le clustering et la validation croisée afin d'évaluer la robustesse des stratégies de trading.
Transforms raw financial market data into target classes and features for model training.