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>

scripts/generate_sample_data.py

@@ -0,0 +1,97 @@
+"""生成测试数据以便在无法连接Binance时使用"""
+
+import pandas as pd
+import numpy as np
+from datetime import datetime, timedelta
+from pathlib import Path
+
+
+def generate_sample_data(
+    symbol: str = 'BTC',
+    timeframe: str = '1h',
+    num_days: int = 365
+):
+    """生成模拟的OHLCV数据用于测试
+
+    Args:
+        symbol: 币种符号
+        timeframe: 时间框架
+        num_days: 生成数据的天数
+    """
+    # 计算数据点数量
+    if timeframe == '1h':
+        periods = num_days * 24
+    elif timeframe == '15m':
+        periods = num_days * 24 * 4
+    else:
+        periods = num_days * 24
+
+    # 生成时间戳
+    end_time = datetime.now()
+    start_time = end_time - timedelta(days=num_days)
+
+    if timeframe == '1h':
+        timestamps = pd.date_range(start=start_time, end=end_time, freq='h')
+    else:  # 15m
+        timestamps = pd.date_range(start=start_time, end=end_time, freq='15min')
+
+    # 生成价格数据（随机游走）
+    base_price = {
+        'BTC': 45000,
+        'ETH': 2500,
+        'SOL': 100
+    }.get(symbol, 10000)
+
+    np.random.seed(42)  # 固定种子以便复现
+
+    # 生成收益率
+    returns = np.random.normal(0.0001, 0.02, len(timestamps))
+    prices = base_price * np.exp(np.cumsum(returns))
+
+    # 生成OHLCV数据
+    data = []
+    for i, (ts, close) in enumerate(zip(timestamps, prices)):
+        # 生成高低价
+        volatility = close * 0.01
+        high = close + np.random.uniform(0, volatility)
+        low = close - np.random.uniform(0, volatility)
+
+        # 开盘价（前一个收盘价）
+        if i == 0:
+            open_price = close
+        else:
+            open_price = prices[i-1]
+
+        # 成交量
+        volume = np.random.uniform(1000, 10000)
+
+        data.append({
+            'timestamp': ts,
+            'open': open_price,
+            'high': high,
+            'low': low,
+            'close': close,
+            'volume': volume
+        })
+
+    df = pd.DataFrame(data)
+
+    # 保存到缓存
+    cache_dir = Path('./data/cache')
+    cache_dir.mkdir(parents=True, exist_ok=True)
+
+    cache_file = cache_dir / f"{symbol}_{timeframe}_1y_now.csv"
+    df.to_csv(cache_file, index=False)
+
+    print(f"✓ 已生成 {len(df)} 行模拟数据并保存到：{cache_file}")
+    return df
+
+
+if __name__ == "__main__":
+    # 生成BTC、ETH、SOL的测试数据
+    for symbol in ['BTC', 'ETH', 'SOL']:
+        for timeframe in ['1h', '15m']:
+            print(f"\n生成 {symbol} {timeframe} 数据...")
+            generate_sample_data(symbol, timeframe)
+
+    print("\n✓ 所有测试数据已生成！")