بررسی روی داده‌های ترید ۵ ثانیه‌ای با یادگیری تقویتی (RL)

سلام در حال بررسی روی پیاده‌سازی یادگیری تقویتی برای ترید خودکار هستم و یک دیتاست خام با حدود 740 هزار ردیف دارم . می‌خوام یک نمونه ساده از pipeline زیر ساخته بشه: پیش‌پردازش داده‌ها شامل نرمال‌سازی و آماده‌سازی ویژگی‌ها (مثل قیمت‌ها، حجم معاملات و…) تعریف یک محیط ساده معاملاتی با 3 اکشن (Buy / Sell / Hold) پیاده‌سازی مدل RL ساده مثل DQN یا PPO برای آموزش عامل اجرای مدل روی 1000 ردیف اول برای تست سریع، سپس روی کل دیتا نمایش چند متریک پایه‌ای مثل Total Profit یا Sharpe Ratio ترجیحاً تو Google Colab اجرا بشه و کدها حتماً کامنت داشته باشن چون می‌خوام ازش یاد بگیرم و بعد توسعه‌ش بدم. ممنون از شما