Список проголосовавших за комментарий "ПBМ, в этом коде среда упрощена. в общем-то моделирование среды, reward function — основные задачи. результаты очень сильно зависят от модели вознаграждения. если брать чистый return, то агенты часто выбирают поведение вообще не торговать:)"