Тут я набросал простенького агента, потому что писать систему оценивания без него не совсем удобно, также я набросал примерный вид среды (если что, то работая с реальной средой, я бы, конечно, делал все отталкиваясь от нее), при необходимости все можно поменять, также по идее, у агента должна быть какая-то база с активами, я не стал это реализовывать, потому что сейчас не имею доступа к таковой, а просто добавил имя актива как параметр, так что, если что, с ней будет необходимо немного переделать сам механизм обучения агента, но тк это был по факту каркас агента, я этого не реализовывал Теперь к системе оценивания:
- за успешное открытие сделок я решил давать 100 очков, потому что они приносят профит, компания не теряет деньги
- за успешное закрытие сделок я решил давать 150 очков, потому что - это приносит основной доход, а это главная цель агента
- за попытку продажи актива, при условии, что его нет, я решил давать -150 очков, иначе это будет выкидывать ошибки и агент, не будет учиться, а для среды ничего принципиально меняться не будет
- за hold я решил пока давать 100, потому что в тз сказано награждать за него также, как и за успешные сделки, но мне кажется, что за него не стоит награждать как за закрытие
- за любые действия со сделками не по правилу успешной продажи, будет даваться -100 очков, потому что, хоть это и то, чего мы стараемся избежать, агент хотя бы будет учиться
Также, я открыт к критике и, если не получу приглашения на следующий этап, очень надеюсь на обратную связь, что не понравилось, что подтянуть и тп