OpenFinGym: единая среда для проверки агентов в задачах количественных финансов
Исследователи представили OpenFinGym, унифицированную gym‑среду для разработки и оценки агентов в области quantitative finance. Проект пытается решить проблему разрозненных тестов. Сейчас агентов на базе больших языковых моделей часто проверяют на отдельных задачах, хотя реальные финансовые процессы устроены сложнее и состоят из связанных этапов: прогнозирование, построение стратегий, управление рисками и торговля.
Авторы обращают внимание на ограниченность существующих платформ. Обычно они сосредоточены на одной задаче, поэтому результаты нередко создают слишком оптимистичную картину возможностей агентов. В таких условиях сложнее заметить проблемы с обобщением, взаимодействием с рынком и принятием финансово значимых решений. Как сообщает arXiv cs.AI (Artificial Intelligence), OpenFinGym объединяет несколько типов задач в одной среде выполнения и проверки, среди них forecasting, market generation, real-time trading и fraud detection.
В платформу также встроен автоматизированный конвейер генерации задач. Он преобразует публикации по quantitative finance в исполняемые пакеты задач. Для запуска экспериментов используется containerised runtime с host-side verifier service. Такая архитектура позволяет масштабировать запуски агентов и одновременно предотвращает runtime train-test leakage.
Ключевые факты
На arXiv опубликована работа «OpenFinGym: A Verifiable Multi-Task Gym Environment for Evaluating Quant Agents» (arXiv:2606.26350v1).
OpenFinGym представлен как единая gym‑среда для разработки агентов количественных финансов, объединяющая прогнозирование, генерацию рынков, торговлю в реальном времени и обнаружение мошенничества в одном интерфейсе выполнения и верификации.
Платформа включает автоматизированный конвейер построения задач, который превращает публикации по количественным финансам в исполняемые пакеты задач.
В OpenFinGym используется контейнеризированная среда выполнения с сервисом верификации на стороне хоста, предназначенная для масштабируемых запусков агентов и предотвращения утечки train-test во время выполнения.