仓库
陈苏泽宇/FinRL-Tutorials
FinRL-Tutorials 中创建数百个用户友好的演示。在1-引言部分，提供了适合初学者的notebooks，包括：1.1-第一个使用 5 种 DRL 算法交易道琼斯 30 的教程笔记本；1.2-提供在道琼斯 30 进行投资组合分配的基本设置；1.3-将收益报告中的基本指标（如“ROA”、“ROE”、“PE”等）与技术指标合并。
最近更新: 20天前陈苏泽宇/OccFormer
摘要：基于视觉的自动驾驶感知已经经历了从鸟瞰图 （BEV） 表示到 3D 语义占用的转变。与 BEV 平面相比，3D 语义占用进一步提供了沿垂直方向的结构信息。本文介绍了 OccFormer，这是一种双路径变压器网络，可有效处理 3D 体积以进行语义占用预测。OccFormer 实现了相机生成的 3D 体素特征的长距离、动态和高效编码。
最近更新: 21天前
陈苏泽宇/OpenOccupancy
Python
语义占用感知对于自动驾驶至关重要，因为自动驾驶汽车需要对3D城市结构进行细粒度感知。然而，现有的相关基准在城市场景中缺乏多样性，并且它们仅评估前视图预测。为了对周围感知算法进行全面的基准测试，我们提出了OpenOccupancy，这是第一个周围语义占用感知基准。在OpenOccupancy基准测试中，我们用密集的语义占用注释扩展了大规模的nuScenes数据集。
最近更新: 2个月前陈苏泽宇/FinRL
FinRL 是用于金融领域强化学习的开源库。它具有易用性、专业性和可扩展性。可用于交易策略优化、风险管理及市场预测等场景。为投资者和研究人员提供新工具，结合金融知识与强化学习，助力在金融市场中获取更高收益、降低风险并进行准确市场趋势预测。
最近更新: 2个月前陈苏泽宇/Deep-Reinforcement-LSTM-Stock-Trading
这是论文 “Financial Trading as a Game： A Deep Reinforcement Learning Approach” 的代码实现。 【要点】：本文提出了一种基于深度强化学习的金融交易MDP模型，并通过改进的DRQN算法实现了高效的自动交易策略，创新点包括使用小容量回放内存、动作增强技术以及长序列训练。
最近更新: 2个月前陈苏泽宇/Deep-Reinforcement-Learning-for-Automated-Stock-Trading
股票交易策略在投资中起着至关重要的作用。然而，在复杂而动态的股票市场中设计一个有利可图的策略是具有挑战性的。在本文中，我们提出了一种深度集成强化学习方案，通过最大化投资回报来自动学习股票交易策略。我们训练一个深度强化学习代理，并使用三种基于 Actor-critic 的算法获得集成交易策略：近端策略优化 （PPO）、优势参与者批评者 （A2C） 和深度确定性策略梯度 （DDPG）。
最近更新: 2个月前陈苏泽宇/BEVDepth
我们提出了一种名为 BEVDepth，具有可靠深度估计的新型 3D 物体检测器，用于基于摄像头的鸟瞰图（BEV）3D 物体检测。我们的工作基于一个关键观察：考虑到深度对于摄像头 3D 检测至关重要。我们的 BEVDepth 通过利用明确的深度监督来解决这个问题。还引入了一个具有摄像头感知的深度估计模块，以促进深度预测能力。此外，我们设计了一种深度细化模块，以抵消不精确的特征反投影带来的副作用。
最近更新: 2个月前陈苏泽宇/nuscenes-devkit
nuScenes数据集是一个公共的大规模自动驾驶数据集，由motion(以前的nuTonomy)团队开发。 motion正在让无人驾驶汽车成为一个安全、可靠、可接近的现实。通过向公众发布我们的一部分数据，motion旨在支持计算机视觉和自动驾驶的公共研究。为此，我们在波士顿和新加坡收集了1000个驾驶场景，这两个城市以其密集的交通和极具挑战性的驾驶环境而闻名。
最近更新: 2个月前