Initial commit: BTC 1h prediction model (53.10% accuracy)

🎯 项目成果：
- 准确率: 53.10% (2026年测试集)
- 任务类型: 二分类 (预测涨/跌)
- 特征: OHLCV + RSI + MACD (9个特征)
- 训练数据: 2020-2025年BTC小时数据 (52,351序列)
- 测试数据: 2026年1-29日 (484序列)

📊 性能指标：
- 精确率: 51.79%
- 召回率: 49.36%
- F1分数: 0.5054
- 预测分布: 非常平衡 (偏差仅-11个)

🔬 实验历史：
- 尝试了5种方案 (回归/分类, 不同数据划分)
- 分类任务优于回归任务 (53.10% vs 49.5%)
- 全量训练避免了过拟合问题

📦 主要模型文件：
- models/checkpoints/dlinear_classification_2026/
  - best_model.pt (最佳模型)
  - preprocessor.pkl (预处理器)
  - test_2026_results.json (测试结果)

Co-Authored-By: Claude Sonnet 4.5 <noreply@anthropic.com>

diagnose_simple.py

@@ -0,0 +1,134 @@
+"""简化版模型诊断（无需matplotlib）"""
+
+import torch
+import numpy as np
+from models.dlinear.model import DLinear, DLinearConfig
+from data.fetcher import BinanceDataFetcher
+from data.preprocessor import CryptoPreprocessor, split_data
+from data.dataset import create_dataloaders
+
+def diagnose():
+    print("="*80)
+    print("🔍 模型预测偏差诊断报告")
+    print("="*80)
+
+    # 加载模型
+    print("\n[1/4] 加载已训练模型...")
+    model_path = './models/checkpoints/dlinear_btc_1h_balanced/best_model.pt'
+    device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
+    checkpoint = torch.load(model_path, map_location=device, weights_only=False)
+
+    config = checkpoint['config']
+    model = DLinear(config)
+    model.load_state_dict(checkpoint['model_state_dict'])
+    model = model.to(device)
+    model.eval()
+    print(f"✓ 模型配置: task={config.task}, hidden_dim={config.hidden_dim}")
+
+    # 准备数据
+    print("\n[2/4] 加载测试数据...")
+    fetcher = BinanceDataFetcher()
+    df = fetcher.fetch_ohlcv('BTC', '1h', use_cache=True)
+    preprocessor = CryptoPreprocessor(lookback=168, forecast_horizon=24, price_change_threshold=0.0)
+    X, y, _ = preprocessor.preprocess_pipeline(df, task='classification', fit=True)
+    _, _, test_data = split_data(X, y, train_split=0.7, val_split=0.15)
+    _, _, test_loader = create_dataloaders(test_data, test_data, test_data, batch_size=64)
+
+    # 收集输出
+    print("\n[3/4] 分析模型输出...")
+    all_outputs = []
+    all_labels = []
+
+    with torch.no_grad():
+        for batch_X, batch_y in test_loader:
+            batch_X = batch_X.to(device)
+            outputs = model(batch_X).squeeze()
+            all_outputs.extend(outputs.cpu().numpy().flatten())
+            all_labels.extend(batch_y.numpy().flatten())
+
+    all_outputs = np.array(all_outputs)
+    all_labels = np.array(all_labels)
+
+    # 统计分析
+    print("\n" + "="*80)
+    print("📊 关键发现")
+    print("="*80)
+
+    print(f"\n1️⃣  模型输出统计（已经过Sigmoid）:")
+    print(f"   最小值:  {all_outputs.min():.6f}")
+    print(f"   最大值:  {all_outputs.max():.6f}")
+    print(f"   均值:    {all_outputs.mean():.6f} ← 应该接近0.5")
+    print(f"   中位数:  {np.median(all_outputs):.6f}")
+    print(f"   标准差:  {all_outputs.std():.6f}")
+
+    print(f"\n2️⃣  预测阈值分析:")
+    for threshold in [0.5, 0.4, 0.3, 0.2, 0.1]:
+        count = (all_outputs > threshold).sum()
+        pct = (all_outputs > threshold).mean() * 100
+        print(f"   输出 > {threshold}: {count:4d} 个 ({pct:5.2f}%)")
+
+    print(f"\n3️⃣  真实标签分布:")
+    n_down = (all_labels == 0).sum()
+    n_up = (all_labels == 1).sum()
+    print(f"   下跌(0): {n_down} ({n_down/len(all_labels)*100:.1f}%)")
+    print(f"   上涨(1): {n_up} ({n_up/len(all_labels)*100:.1f}%)")
+
+    # 验证双重sigmoid问题
+    print("\n" + "="*80)
+    print("🔴 问题诊断：双重Sigmoid Bug")
+    print("="*80)
+
+    print("\n📋 当前架构:")
+    print("   模型输出层: self.output_activation = nn.Sigmoid()  (models/dlinear/model.py:128)")
+    print("   损失函数:   BCEWithLogitsLoss()                   (models/base.py:74)")
+
+    print("\n⚠️  问题:")
+    print("   BCEWithLogitsLoss 内部包含 Sigmoid，期望输入是 logits（未激活）")
+    print("   但模型已经输出了 sigmoid(logits)")
+    print("   → 损失函数再次应用: sigmoid(sigmoid(logits)) ← 双重激活！")
+
+    print("\n🧪 双重Sigmoid效果演示:")
+    test_logits = np.array([-3, -1, 0, 1, 3])
+    single = 1 / (1 + np.exp(-test_logits))
+    double = 1 / (1 + np.exp(-single))
+
+    print(f"   原始logits:      {test_logits}")
+    print(f"   单次sigmoid:     {np.round(single, 4)}")
+    print(f"   双重sigmoid:     {np.round(double, 4)} ← 全部压缩到~0.5")
+
+    print("\n💥 后果:")
+    print(f"   - 模型输出均值仅 {all_outputs.mean():.1%}（期望~50%）")
+    print(f"   - {(all_outputs>0.5).sum()} 个样本输出>0.5（共{len(all_outputs)}个）")
+    print(f"   - 模型永远预测类别0（下跌），因为没有输出超过阈值0.5")
+    print(f"   - 梯度消失，模型无法有效学习")
+
+    # 解决方案
+    print("\n" + "="*80)
+    print("✅ 修复方案")
+    print("="*80)
+
+    print("\n方案1（推荐）：移除模型的Sigmoid输出")
+    print("   文件: models/dlinear/model.py")
+    print("   位置: 第127-130行")
+    print("   修改前: if config.task == 'classification':")
+    print("              self.output_activation = nn.Sigmoid()")
+    print("   修改后: if config.task == 'classification':")
+    print("              self.output_activation = nn.Identity()  # 输出logits")
+    print("   说明: 保持损失函数为BCEWithLogitsLoss")
+
+    print("\n方案2：更换损失函数（不推荐）")
+    print("   文件: models/base.py")
+    print("   位置: 第70-76行")
+    print("   修改: 将 BCEWithLogitsLoss 改为 BCELoss")
+    print("   说明: 保持模型输出Sigmoid，但BCELoss数值稳定性较差")
+
+    print("\n" + "="*80)
+    print("📌 结论")
+    print("="*80)
+    print("✓ 预测偏差的根本原因是【双重Sigmoid Bug】")
+    print("✓ 与数据处理、类别平衡、特征工程无关")
+    print("✓ 修复后需要重新训练模型")
+    print("="*80)
+
+if __name__ == "__main__":
+    diagnose()