AI Hedge Fund 5zu bietet eine vollständige Pipeline für quantitativen Handel: eine anpassbare Umgebung zur Simulation mehrerer Vermögenskategorien, Agentenmodule auf Verstärkendem Lernen-Basis, Backtesting-Tools, Echtzeit-Marktdatenintegration und Risikomanagement-Tools. Nutzer können Datenquellen konfigurieren, Belohnungsfunktionen definieren, Agenten mit historischen Daten trainieren und die Leistung anhand wichtiger Finanzkennzahlen bewerten. Das Framework unterstützt modulare Strategienentwicklung und kann für den Einsatz an Live-Broker-APIs erweitert werden, um produktionsreife Handel-Bots zu deployen.

KI-Agenten für Schere, Stein, Papier ist ein Open-Source-Python-Projekt, das zeigt, wie man verschiedene KI-Strategien—Zufallsspiel, regelbasierte Mustererkennung und Verstärkungslernen (Q-Learning)—im klassischen Spiel Schere, Stein, Papier aufbaut, trainiert und bewertet. Es bietet modulare Agentenklassen, einen konfigurierbaren Spiel-Runner, Leistungsprotokollierung und Visualisierungswerkzeuge. Benutzer können Agenten leicht austauschen, Lernparameter anpassen und KI-Verhalten in Wettbewerbsumgebungen erkunden.

Die Beer Game Environment bietet eine diskrete Zeitsimulation einer vierstufigen Bierlieferkette — Einzelhändler, Großhändler, Distributor und Hersteller — mit einer OpenAI Gym-Schnittstelle. Agenten erhalten Beobachtungen wie Bestände, Pipeline-Bestände und eingehende Bestellungen und geben Bestellmengen aus. Die Umgebung berechnet Per-Schritt-Kosten für Lagerhaltung und Rückstände und unterstützt anpassbare Nachfragesdistributoren und Vorlaufzeiten. Sie integriert sich nahtlos mit beliebten RL-Bibliotheken wie Stable Baselines3, was Forschern und Lehrenden ermöglicht, Algorithmen im Bereich Supply-Chain-Optimierung zu benchmarken und zu trainieren.

BotPlayers ist ein vielseitiges Open-Source-Framework, das die Entwicklung und den Einsatz KI-gesteuerter Spiel-Agents vereinfacht. Es verfügt über eine flexible Umgebungsabstraktionsschicht, die Bildschirmabgreifen, Web-APIs oder benutzerdefinierte Simulationsschnittstellen unterstützt, sodass Bots mit verschiedenen Spielen interagieren können. Das Framework umfasst eingebaute Verstärkendes Lernen-Algorithmen, genetische Algorithmen und regelbasierte Heuristiken sowie Werkzeuge für Datenprotokollierung, Modell-Checkpointing und Leistungsvisualisierung. Das modulare Plugin-System ermöglicht Entwicklern die Anpassung von Sensoren, Aktionen und KI-Richtlinien in Python oder Java. BotPlayers bietet außerdem YAML-basierte Konfigurationen für schnelle Prototypenentwicklung und automatisierte Pipelines für Training und Evaluation. Mit plattformübergreifender Unterstützung auf Windows, Linux und macOS beschleunigt dieses Framework Experimente und die Produktion intelligenter Spiel-Agents.

CityLearn bietet eine modulare Simulationsplattform für die Energieforschung mittels Verstärkungslernen. Benutzer können mehrzonenfähige Gebäudepakete, HVAC-Systeme, Speichereinheiten und erneuerbare Energiequellen definieren und RL-Agenten gegen Demand-Response-Ereignisse trainieren. Die Umgebung liefert Zustandsbeobachtungen wie Temperaturen, Lastprofile und Energiepreise, während Aktionen Setpoints und Speichersteuerung übernehmen. Eine flexible Belohnungs-API ermöglicht benutzerdefinierte Metriken—wie Kosteneinsparungen oder Emissionsreduktionen—and Logging-Tools unterstützen die Leistungsanalyse. CityLearn ist ideal für Benchmarking, Curriculum-Learning und die Entwicklung neuer Steuerungskonzepte in einem reproduzierbaren Forschungsrahmen.

CryptoTrader Agents stellt ein umfassendes Werkzeugset bereit, um KI-gesteuerte Handelsstrategien in Kryptowährungsmärkten zu entwerfen, zu trainieren und zu implementieren. Es enthält eine modulare Umgebung für Datenaufnahme, Merkmalsengineering und benutzerdefinierte Belohnungsfunktionen. Nutzer können vorinstallierte Verstärkendes Lernen-Algorithmen nutzen oder eigene Modelle integrieren. Die Plattform bietet simuliertes Backtesting auf historischen Preisdaten, Risikomanagement-Kontrollen und detailliertes Metrik-Tracking. Bei Fertigstellung können Agenten Verbindungen zu Live-APIs der Börsen für automatische Ausführung herstellen. Basierend auf Python ist das Framework vollständig erweiterbar, um neue Taktiken zu prototypisieren, Parameter-Sweeps durchzuführen und die Leistung in Echtzeit zu überwachen.

Fast Reinforcement Learning ist ein spezialisiertes Python-Framework, das die Entwicklung und Ausführung von Verstärkungslern-Agenten beschleunigen soll. Es bietet standardmäßig Unterstützung für beliebte Algorithmen wie PPO, A2C, DDPG und SAC, kombiniert mit hochdurchsatzfähiger Verwaltung vektorisierten Umgebungen. Nutzer können Policy-Netzwerke einfach konfigurieren, Trainingsschleifen anpassen und GPU-Beschleunigung für groß angelegte Experimente nutzen. Das modulare Design der Bibliothek sorgt für nahtlose Integration mit OpenAI Gym-Umgebungen, sodass Forscher und Praktiker Prototypen erstellen, Benchmarks durchführen und Agenten in verschiedenen Steuerungs-, Spiel- und Simulationsaufgaben einsetzen können.

DeepSeek R1 stellt einen bedeutenden Durchbruch in der künstlichen Intelligenz dar und bietet erstklassige Leistung bei Denk-, Mathematik- und Codierungsaufgaben. Durch den Einsatz einer komplexen MoE (Mixture of Experts)-Architektur mit 37B aktivierten Parametern und 671B Gesamtparametern implementiert DeepSeek R1 fortschrittliche Verstärkungstechniken, um Spitzenergebnisse zu erzielen. Das Modell bietet eine robuste Leistung, darunter 97,3 % Genauigkeit beim MATH-500 und eine 96,3 % Perzentil-Rang in Codeforces. Seine Open-Source-Natur und kosteneffektiven Bereitstellungsoptionen machen es für eine Vielzahl von Anwendungen zugänglich.

Dino Reinforcement Learning bietet ein umfassendes Werkzeugset zum Trainieren eines KI-Agenten, um das Chrome-Dinosaurierspiel durch reinforcement learning zu spielen. Durch die Integration mit einem headless Chrome-Exemplar über Selenium erfasst es Echtzeit-Spielbilder und verarbeitet sie zu Zustandsdarstellungen, die für Eingaben in tiefe Q-Netzwerke optimiert sind. Das Framework umfasst Module für Replay-Speicher, Epsilon-Greedy-Exploration, Convolutional Neural Network-Modelle und Trainingsschleifen mit anpassbaren Hyperparametern. Nutzer können den Trainingsfortschritt über Konsolenprotokolle überwachen und Checkpoints für die spätere Bewertung speichern. Nach dem Training kann der Agent eingesetzt werden, um Live-Spiele autonom zu spielen oder gegen verschiedene Modellarchitekturen getestet zu werden. Das modulare Design erlaubt einen einfachen Austausch der RL-Algorithmen, was es zu einer flexiblen Plattform für Experimente macht.

DQN-Deep-Q-Network-Atari-Breakout-TensorFlow bietet eine vollständige Implementierung des DQN-Algorithmus, speziell für die Atari Breakout-Umgebung. Es verwendet ein konvolutionales neuronales Netzwerk zur Approximation der Q-Werte, nutzt Erfahrungsreplay, um Korrelationen zwischen aufeinanderfolgenden Beobachtungen zu unterbrechen, und verwendet ein periodisch aktualisiertes Zielnetzwerk, um das Training zu stabilisieren. Der Agent folgt einer epsilon-greedy-Strategie zur Erkundung und kann von Grund auf mit rohem Pixelinput trainiert werden. Das Repository umfasst Konfigurationsdateien, Trainingsscripte zur Überwachung des Belohnungswachstums, Bewertungsskripte für das Testen trainierter Modelle und TensorBoard-Tools zur Visualisierung von Trainingsmetriken. Nutzer können Hyperparameter wie Lernrate, Replay-Puffergröße und Batch-Größe anpassen, um verschiedene Setups zu testen.

Emergente Kommunikation in Agenten ist ein Open-Source-PyTorch-Framework, das Forschern ermöglicht zu untersuchen, wie Multi-Agenten-Systeme ihre eigenen Kommunikationsprotokolle entwickeln. Die Bibliothek bietet flexible Implementierungen kooperativer Verstärkungslernaufgaben, einschließlich Referenzspielen, Kombinationsspielen und Objekterkennungsaufgaben. Benutzer definieren Sprecher- und Zuhörer-Agentenarchitekturen, spezifizieren Eigenschaften der Nachrichtkanäle wie Wortschatzgröße und Sequenzlänge und wählen Trainingsstrategien wie Politikgradienten oder überwachtes Lernen. Das Framework umfasst End-to-End-Skripte für Experimentdurchführung, Analyse der Kommunikationseffizienz und Visualisierung emergenter Sprachen. Das modulare Design ermöglicht eine einfache Erweiterung mit neuen Spielumgebungen oder benutzerdefinierten Verlustfunktionen. Forscher können veröffentlichte Studien reproduzieren, neue Algorithmen benchmarken und die Kompositionalität sowie Semantik der Agentensprachen untersuchen.

Gym-Recsys ist ein Werkzeugkasten, der Empfehlungaufgaben in OpenAI Gym-Umgebungen verpackt und Verstärkungslern-Algorithmen ermöglicht, Schritt für Schritt mit simulierten Benutzer-Objekt-Tabellen zu interagieren. Es bietet synthetische Benutzungsverhaltensgeneratoren, unterstützt das Laden beliebter Datensätze und liefert Standardempfehlungsmetriken wie Precision@K und NDCG. Benutzer können Belohnungsfunktionen, Benutzermodelle und Objektpools anpassen, um verschiedene RL-basierte Empfehlungstrategien reproduzierbar zu experimentieren.

GridWorldEnvs bietet eine umfassende Sammlung von Grid-Welt-Umgebungen, die das Design, Testen und Benchmarking von Verstärkungslern- und Mehragentensystemen unterstützen. Benutzer können leicht Gittergrößen, Startpositionen der Agenten, Zielorte, Hindernisse, Belohnungsstrukturen und Aktionsräume konfigurieren. Die Bibliothek enthält vorgefertigte Templates wie klassische Gitternavigation, Hindernisvermeidung und Kooperationsaufgaben, sowie die Möglichkeit, eigene Szenarien via JSON oder Python-Klassen zu gestalten. Die nahtlose Integration mit der OpenAI Gym-API ermöglicht die direkte Anwendung standardmäßiger RL-Algorithmen. Zudem unterstützt GridWorldEnvs einzelne sowie mehrere Agenten-Experimente, Logging und Visualisierungswerkzeuge zur Verfolgung der Agentenleistung.

gym-fx ist eine Open-Source-Python-Bibliothek, die eine simulierte Forex-Handelsumgebung mit der OpenAI Gym-Schnittstelle implementiert. Sie bietet Unterstützung für mehrere Währungspaare, die Integration historischer Kursdaten, technische Indikatoren und vollständig anpassbare Belohnungsfunktionen. Durch eine standardisierte API vereinfacht gym-fx das Benchmarking und die Entwicklung von Reinforcement-Learning-Algorithmen für den algorithmischen Handel. Nutzer können Marktschlitzung, Transaktionskosten und Beobachtungsräume konfigurieren, um realistische Handelsszenarien nachzubilden, was die Entwicklung und Bewertung robuster Strategien fördert.

gym-llm erweitert das OpenAI Gym-Ökosystem für große Sprachmodelle, indem textbasierte Umgebungen definiert werden, bei denen LLM-Agenten durch Eingabeaufforderungen und Aktionen interagieren. Jede Umgebung folgt den Gym-Konventionen für Schritt, Zurücksetzen und Rendern, gibt Beobachtungen als Text aus und akzeptiert modellgenerierte Antworten als Aktionen. Entwickler können benutzerdefinierte Aufgaben erstellen, indem sie Vorlage-Templates, Belohnungsberechnungen und Abbruchbedingungen spezifizieren, was komplexe Entscheidungsfindung und konversationsbasierte Benchmarks ermöglicht. Die Integration mit beliebten RL-Bibliotheken, Protokollierungstools und konfigurierbaren Bewertungsmetriken erleichtert End-to-End-Experimente. Ob beim Beurteilen der Fähigkeit eines LLMs, Rätsel zu lösen, Dialoge zu verwalten oder strukturierte Aufgaben zu navigieren – gym-llm bietet einen standardisierten, reproduzierbaren Rahmen für die Forschung und Entwicklung fortschrittlicher Sprachagenten.

gym-multigrid stellt eine Reihe von anpassbaren Gitterwelten bereit, die für Mehrzimmer-Navigation und Erkundungsaufgaben im Reinforcement Learning entwickelt wurden. Jede Umgebung besteht aus verbundenen Räumen, die mit Objekten, Schlüsseln, Türen und Hindernissen gefüllt sind. Benutzer können die Gittergröße, Raumkonfigurationen und Objektplatzierungen programmatisch anpassen. Die Bibliothek unterstützt sowohl Voll- als auch Teilbeobachtungsmodi und bietet RGB- oder Matrizen-Zustandsdarstellungen. Aktionen umfassen Bewegung, Objekthandhabung und Türmanipulation. Durch die Integration als Gym-Umgebung können Forscher jeden Gym-kompatiblen Agent nutzen, um Algorithmen nahtlos auf Aufgaben wie Schlüssel-Tür-Puzzles, Objektsuche und hierarchische Planung zu trainieren und zu bewerten. Das modulare Design und minimale Abhängigkeiten von gym-multigrid machen es ideal für den Benchmarking neuer KI-Strategien.

HFO_DQN kombiniert Python und TensorFlow, um eine vollständige Pipeline für das Training von Fußballagenten mithilfe von Deep Q-Networks bereitzustellen. Benutzer können das Repository klonen, Abhängigkeiten einschließlich des HFO-Simulators und Python-Bibliotheken installieren sowie Trainingsparameter in YAML-Dateien konfigurieren. Das Framework implementiert Erfahrungsspeicherung, Zielnetzwerk-Updates, epsilon-greedy Erkundung und Belohnungsformung, die speziell für die Half-Field-Offense-Domäne angepasst sind. Es verfügt über Skripte für das Training von Agenten, Leistungsprotokollierung, Evaluierungsspiele und Ergebnisvisualisierung. Modulare Code-Struktur ermöglicht die Integration eigener neuronaler Netzwerkarchitekturen, alternativer RL-Algorithmen und Multi-Agenten-Koordinationsstrategien. Die Ausgaben umfassen trainierte Modelle, Leistungsmetriken und Verhaltensvisualisierungen, die die Forschung im Bereich Reinforcement Learning und Multi-Agent-Systeme erleichtern.

Jason-RL fügt dem Jason Multi-Agenten-Framework eine Verstärkendes Lernen-Schicht hinzu, die es AgentSpeak-BDI-Agenten ermöglicht, Aktions-Auswahl-Politiken durch Belohnungsfeedback zu erlernen. Es implementiert Q-Learning und SARSA, unterstützt die Konfiguration von Lernparametern (Lernrate, Diskontfaktor, Explorationsstrategie) und protokolliert Trainingsmetriken. Durch die Definition von Belohnungsfunktionen in Agentenplänen und das Ausführen von Simulationen können Entwickler beobachten, wie Agenten im Laufe der Zeit Entscheidungsfindung verbessern und sich an sich ändernde Umgebungen anpassen, ohne manuell Politiken zu codieren.

MARFT ist ein in Python entwickeltes LLM, das reproduzierbare Experimente und schnelle Prototypentwicklung für kollaborative KI-Systeme ermöglicht.

MineLand stellt eine flexible 3D-Sandbox-Umgebung inspiriert von Minecraft bereit, um Verstärkungslern-Agenten zu trainieren. Es verfügt über Gym-kompatible APIs für nahtlose Integration mit bestehenden RL-Bibliotheken wie Stable Baselines, RLlib und eigenen Implementierungen. Nutzer erhalten Zugriff auf eine Bibliothek von Aufgaben, darunter Ressourcensammlung, Navigation und Konstruktionsherausforderungen, jede mit konfigurierbarer Schwierigkeit und Belohnungsstruktur. Echtzeit-Rendering, Multi-Agenten-Szenarien und Headless-Modi ermöglichen skalierbares Training und Benchmarking. Entwickler können neue Karten entwerfen, eigene Belohnungsfunktionen definieren und zusätzliche Sensoren oder Steuerungen integrieren. MineLand’s Open-Source-Codebasis fördert reproduzierbare Forschung, kollaborative Entwicklung und schnelles Prototyping von KI-Agenten in komplexen virtuellen Welten.