Awesome GitHub RepositoriesMultivariate Series Alignment

GluonTS este o bibliotecă de serii temporale probabilistice și un framework de prognoză prin deep learning. Oferă un toolkit pentru construirea, antrenarea și evaluarea arhitecturilor de rețele neuronale care prezic valori viitoare ca distribuții de probabilitate pentru a cuantifica incertitudinea. Proiectul se distinge prin suportul pentru prognoza zero-shot și integrarea unor abordări de modelare diverse, incluzând rețele neuronale probabilistice profunde și wrapper-e pentru biblioteci statistice externe precum Prophet și R forecast. Implementează primitive arhitecturale specializate precum convoluțiile cauzale și rețelele reziduale inversabile pentru a preveni scurgerea informațiilor și a mapa reprezentările latente în distribuții de probabilitate valide. Framework-ul acoperă o suprafață cuprinzătoare de inginerie a datelor, incluzând scalarea seriilor temporale, transformări bijective și modelare ierarhică. Utilizează Apache Arrow și Parquet pentru streaming-ul seturilor de date de înaltă performanță și gestionarea accesului aleatoriu. Pentru evaluarea modelului, include o suită de evaluare pentru măsurarea acurateței prognozei și a acoperirii probabilistice folosind metrici precum quantile loss și continuous rank probability scores. Biblioteca suportă implementarea modelului prin integrarea cu Amazon SageMaker.

GluonTS este un framework pentru prognoza probabilistică a seriilor temporale, conceput pentru a prezice valori viitoare ca distribuții de probabilitate cu intervale de încredere. Suportă atât antrenarea modelelor tradiționale, cât și prognoza zero-shot, unde modelele preantrenate generează predicții pentru serii noi fără antrenare suplimentară. Proiectul se distinge prin integrarea unei mari varietăți de abordări de prognoză într-un flux de lucru unificat. Aceasta include arhitecturi de deep learning precum rețelele neuronale recurente și convoluțiile cauzale, precum și integrarea modelelor statistice externe, a bibliotecii Prophet și a pachetelor R. Toolkit-ul oferă o suprafață cuprinzătoare pentru ingineria datelor de serii temporale, acoperind scalarea seturilor de date, divizarea și transformarea datelor temporale brute în tensori. Include, de asemenea, o suită de instrumente de evaluare pentru măsurarea acurateței prognozei și a intervalelor de incertitudine, precum și utilitare pentru persistența seturilor de date folosind formate precum Arrow și Parquet. Framework-ul suportă implementarea modelelor de prognoză în cadrul infrastructurii cloud.

pyalgotrade este o bibliotecă Python pentru tranzacționare algoritmică, concepută pentru dezvoltarea, backtesting-ul și execuția strategiilor de tranzacționare automatizate. Oferă un framework cuprinzător pentru backtesting-ul strategiilor financiare, o bibliotecă de analiză tehnică pentru calcularea indicatorilor matematici și conectori pentru integrarea cu exchange-uri de criptomonede. Proiectul se distinge prin suportul pentru tranzacționarea bazată pe sentiment, prin integrarea fluxurilor de social media în timp real și a fluxurilor de cuvinte cheie. Dispune de un instrument de vizualizare a tranzacționării cantitative pentru reprezentarea grafică a evoluției prețurilor și a curbelor de capital, alături de optimizarea paralelă a parametrilor pentru a identifica cele mai eficiente setări ale strategiei. Biblioteca acoperă o gamă largă de capabilități, inclusiv construirea de pipeline-uri de date financiare pentru ingestia și resamplarea datelor de piață, gestionarea ciclului de viață al ordinelor atât pentru tranzacționarea live, cât și pentru cea de tip paper trading, și analiza performanței cantitative pentru calcularea randamentelor ajustate la risc și a drawdown-urilor. Include, de asemenea, instrumente pentru analiză tehnică, cum ar fi benzile de volatilitate și indicatorii de momentum, precum și simulări care iau în calcul slippage-ul ordinelor și comisioanele de tranzacționare.