feat: 添加 ONNX 导出功能及 DLinear 模型导出

移除的依赖：
- gluonts: 项目中未使用
- pytorch-lightning: 非必需
- torchmetrics: 非必需
- onnx/onnxruntime: 非核心功能
- sqlalchemy: 使用 pymysql 直连
- jupyter/matplotlib/seaborn/pytest: 开发工具，非运行必需

保留的核心依赖：
- pandas, numpy, scikit-learn: 数据处理
- granite-tsfm: TTM-R2 模型
- pandas-ta: 技术指标
- fastapi, uvicorn: API 服务
- httpx, python-binance: 数据获取
- schedule: 任务调度
- pymysql, cryptography: 数据库

注意：PyTorch 需要单独安装（Windows 用 CPU 版本）

AGENTS.md

@@ -8,104 +8,66 @@
 *   **语言要求**：所有回答必须使用**中文**。
 *   **称呼要求**：每次回答必须加上**“主人”**。
 *   **最小改动 (Minimal Change)**：只修改完成任务所必须的代码。**禁止**为了“最佳实践”或“代码美观”而进行未被请求的重构。
-*   **环境约束**：本项目严格使用 **Conda** 环境。禁止使用 venv/poetry/pipenv。
+*   **环境约束**：本项目严格使用 **Conda** 环境 (`crypto_pred_312`)。禁止使用 venv/poetry/pipenv。
-*   **复用优先**：在编写新功能前，必须检查 `data/`, `models/`, `utils/` 下是否已有类似实现。
+*   **复用优先**：在编写新功能前，必须检查 `data/`, `models/`, `api/` 下是否已有类似实现。
 
 ## 2. 环境与构建 (Environment & Build)
 
-本项目依赖管理基于 `requirements.txt`, conda环境名称**crypto_pred_312**
+*   **Python 环境**: `conda activate crypto_pred_312`
+*   **依赖安装**: `pip install -r requirements.txt`
+*   **数据库**:
+    *   **仅支持 MySQL**。禁止引入 SQLite 代码。
+    *   配置：通过 `.env` 文件配置 `MYSQL_HOST`, `MYSQL_USER` 等参数。
+    *   连接管理：使用 `data/database.py` 中的 `DatabaseManager` 或 `api/models.py` 中的 `get_db_connection`。
 
-*   **安装依赖**:
+## 3. 项目结构说明 (Project Structure)
-    ```bash
-    pip install -r requirements.txt
-    ```
 
-## 3. 测试与质量保证 (Testing & QA)
+*   **`api/`**: 核心服务层
+    *   `main.py`: FastAPI 主应用入口。
+    *   `models.py`: 数据库模型与操作（MySQL），包含时区转换逻辑。
+    *   `prediction_service.py`: 预测业务逻辑。
+    *   `static/`: Vue 3 前端静态资源（Dashboard）。
+*   **`data/`**: 数据层
+    *   `database.py`: 市场数据 (OHLCV) 数据库管理。
+    *   `trading_db.py`: 交易历史数据库管理。
+*   **`models/`**: 机器学习模型定义 (DLinear, TTM-R2 等) 及训练产物。
+*   **`scripts/`**: 辅助工具脚本。
+*   **根目录**:
+    *   `start_system.py`: **系统统一启动脚本**（同时启动 API 和自动交易）。
+    *   `auto_trade_polymarket.py`: 自动交易主程序。
 
-使用 `pytest` 作为测试框架。在提交修改前，必须确保相关测试通过。
+## 4. 开发规范 (Development Standards)
 
-*   **运行所有测试**:
+### 4.1 时区处理 (Timezone)
-    ```bash
+*   **存储**: 数据库中时间戳通常为 **UTC** 或 **ET (美东时间)**。
-    pytest
+*   **展示**: 前端及日志输出必须转换为 **CST (北京时间)**。
-    ```
+*   **工具**: 使用 `api.models.convert_to_cst` 进行转换。
 
-*   **运行单个测试文件 (常用)**:
+### 4.2 代码风格
-    ```bash
+*   **注释**: 必须使用**中文**解释“为什么这样做”。
-    pytest tests/test_example.py
+*   **命名**: 变量/函数 `snake_case`，类名 `PascalCase`。
-    ```
+*   **类型提示**: 推荐在关键接口使用 Type Hints。
 
-*   **运行单个测试用例 (推荐)**:
+### 4.3 数据库操作
-    用于专注调试某一个功能：
+*   **禁止**使用 SQLite。
-    ```bash
+*   使用 `pymysql` 或 `sqlalchemy` 进行操作。
-    pytest tests/test_example.py::test_specific_function
+*   确保所有数据库连接都使用上下文管理器 (`with` 语句) 以自动关闭。
-    ```
 
-*   **显示打印输出 (Debug模式)**:
+## 5. 测试与验证 (Testing & QA)
-    ```bash
-    pytest -s tests/test_example.py
-    ```
 
-*   **代码格式化与检查**:
+*   **运行测试**: `pytest`
-    ```bash
+*   **代码检查**: `flake8 .`
-    black .          # 格式化代码
+*   **本地验证**:
-    flake8 .         # 代码风格检查
+    *   修改 API 或前端后，运行 `./start_system.py` 并访问 `http://localhost:8000` 验证。
-    ```
+    *   修改模型后，运行 `python ensemble_predict.py` 验证预测逻辑。
 
-## 4. 代码风格规范 (Code Style)
+## 6. 禁止事项 (Constraints)
-
-*   **注释 (Comments)**:
-    *   **必须使用中文**编写所有注释和文档字符串 (Docstrings)。
-    *   Docstring 风格推荐 Google Style 或简单的多行注释。
-    *   注释应解释“为什么这样做” (Why)，而不是“做了什么” (What)。
-
-*   **命名约定 (Naming)**:
-    *   变量/函数: `snake_case` (如 `add_technical_features`)
-    *   类名: `PascalCase` (如 `BinanceDataFetcher`)
-    *   常量: `UPPER_CASE` (如 `MAX_RETRIES`)
-    *   私有成员: `_snake_case` (前缀下划线)
-
-*   **导入 (Imports)**:
-    *   顺序：标准库 -> 第三方库 -> 本地模块。
-    *   尽量使用绝对导入。
-    *   注意：项目中部分脚本使用了 `sys.path.insert` hack，修改时需保持兼容，不要随意删除。
-
-*   **类型提示 (Type Hints)**:
-    *   推荐在函数签名中添加类型提示，但不强制要求全覆盖。
-    *   示例: `def process_data(df: pd.DataFrame) -> np.ndarray:`
-
-*   **错误处理 (Error Handling)**:
-    *   使用具体的异常类型 (如 `ValueError`, `FileNotFoundError`)，避免裸 `except:`。
-    *   在 API 调用或网络请求处必须添加重试或错误捕获逻辑。
-
-## 5. 项目结构说明 (Project Structure)
-
-在修改代码前，请参考以下结构定位文件：
-
-*   **`api/`**: FastAPI 接口服务代码。
-*   **`data/`**: 数据获取 (BinanceFetcher等) 和预处理逻辑。
-*   **`models/`**: 模型定义 (N-BEATS, DLinear, CatBoost 等) 和 训练好的模型文件。
-*   **`tests/`**: 单元测试和集成测试。
-*   **`scripts/`**: 辅助脚本。
-*   **`training/`** & **`logs/`**: 训练日志和过程文件。
-*   **根目录脚本**: 包含多个入口脚本 (如 `ensemble_predict.py`, `train_catboost.py`)，修改时需格外小心，避免破坏生产流程。
-
-## 6. 开发流程 (Workflow)
-
-1.  **理解需求**: 先阅读代码，确认需求范围。如果有歧义，**先询问主人**。
-2.  **定位代码**: 使用 `grep` 或 `glob` 查找相关文件。
-3.  **制定计划**: 思考修改方案，优先考虑不破坏现有逻辑的“加法”修改。
-4.  **实施修改**: 编辑代码，保持风格一致。
-5.  **验证**:
-    *   运行 `flake8` 检查语法错误。
-    *   运行 `pytest` 验证逻辑。
-    *   如果是脚本，尝试带 `--help` 或测试参数运行以确保无运行时错误。
-
-## 7. 禁止事项 (Constraints)
 
 *   ❌ **禁止**猜测业务逻辑。
 *   ❌ **禁止**删除看似无用但可能被外部脚本调用的代码。
 *   ❌ **禁止**在未确认的情况下升级核心库版本 (如 torch, pandas)。
 *   ❌ **禁止**输出英语回复 (代码变量名除外)。
+*   ❌ **禁止**恢复已删除的 SQLite 相关代码。
 
 ---
 *遵循此指南，确保高效、安全地协助主人完成任务。*

api/models.py

@@ -17,12 +17,13 @@ TZ_ET = ZoneInfo('America/New_York')  # 美东时间 (Polymarket)
 TZ_CST = ZoneInfo('Asia/Shanghai')     # 中国标准时间 (前端显示)
 
 
-def convert_to_cst(timestamp_val) -> str:
+def convert_to_cst(timestamp_val, source_tz: str = 'UTC') -> str:
     """
     将时间戳转换为 CST 时间字符串
     
     Args:
-        timestamp_val: datetime 对象或 ISO 格式时间戳字符串 (假设是 UTC)
+        timestamp_val: datetime 对象或 ISO 格式时间戳字符串
+        source_tz: 输入时区 - 'UTC'(默认，币安数据), 'ET'(Polymarket), 'CST'(已是北京时间)
     
     Returns:
         CST 时间字符串 (YYYY-MM-DD HH:MM:SS)
@@ -37,9 +38,19 @@ def convert_to_cst(timestamp_val) -> str:
             # 字符串格式
             dt = datetime.fromisoformat(str(timestamp_val).replace('Z', '+00:00'))
         
-        # 如果没有时区信息，假设是 UTC
+        # 根据来源时区设置时区信息
         if dt.tzinfo is None:
-            dt = dt.replace(tzinfo=TZ_UTC)
+            if source_tz == 'ET':
+                dt = dt.replace(tzinfo=TZ_ET)
+            elif source_tz == 'CST':
+                # 已经是 CST，直接格式化返回
+                return dt.strftime('%Y-%m-%d %H:%M:%S')
+            else:  # 默认 UTC
+                dt = dt.replace(tzinfo=TZ_UTC)
+        
+        # 如果来源已经是 CST，直接格式化
+        if source_tz == 'CST':
+            return dt.strftime('%Y-%m-%d %H:%M:%S')
         
         # 转换为 CST
         dt_cst = dt.astimezone(TZ_CST)
@@ -122,7 +133,8 @@ class TradeModel:
             row = cursor.fetchone()
             result = _dict_from_row(row)
             if result and result.get('timestamp'):
-                result['timestamp_cst'] = convert_to_cst(result['timestamp'])
+                # 交易记录时间已经是 CST，直接格式化
+                result['timestamp_cst'] = convert_to_cst(result['timestamp'], source_tz='CST')
             return result
     
     @staticmethod
@@ -173,7 +185,8 @@ class TradeModel:
             for row in rows:
                 item = _dict_from_row(row)
                 if item and item.get('timestamp'):
-                    item['timestamp_cst'] = convert_to_cst(item['timestamp'])
+                    # 交易记录时间已经是 CST，直接格式化
+                    item['timestamp_cst'] = convert_to_cst(item['timestamp'], source_tz='CST')
                 data_list.append(item)
             
             return {
@@ -292,7 +305,7 @@ class PredictionModel:
                     SUM(CASE WHEN is_correct = 1 THEN 1 ELSE 0 END) as correct,
                     SUM(CASE WHEN is_correct = 0 THEN 1 ELSE 0 END) as incorrect
                 FROM model_predictions 
-                WHERE DATE_FORMAT(date, '%%Y-%%m') = %s
+                WHERE DATE_FORMAT(CONVERT_TZ(timestamp, '+00:00', '+08:00'), '%%Y-%%m') = %s
                   AND actual_result IS NOT NULL
                 GROUP BY model_name
             """
@@ -333,16 +346,16 @@ class PredictionModel:
             
             sql = """
                 SELECT 
-                    date,
+                    DATE(CONVERT_TZ(timestamp, '+00:00', '+08:00')) as date_cst,
                     model_name,
                     COUNT(*) as total,
                     SUM(CASE WHEN is_correct = 1 THEN 1 ELSE 0 END) as correct,
                     SUM(CASE WHEN is_correct = 0 THEN 1 ELSE 0 END) as incorrect
                 FROM model_predictions 
-                WHERE DATE_FORMAT(date, '%%Y-%%m') = %s
+                WHERE DATE_FORMAT(CONVERT_TZ(timestamp, '+00:00', '+08:00'), '%%Y-%%m') = %s
                   AND actual_result IS NOT NULL
-                GROUP BY date, model_name
+                GROUP BY date_cst, model_name
-                ORDER BY date DESC
+                ORDER BY date_cst DESC
             """
             cursor.execute(sql, (month,))
             
@@ -352,7 +365,7 @@ class PredictionModel:
             daily_data = {}
             for row in rows:
                 row_dict = _dict_from_row(row)
-                date = row_dict['date']
+                date = str(row_dict['date_cst'])  # CST 日期
                 if date not in daily_data:
                     daily_data[date] = {"date": date}
                 
@@ -391,28 +404,33 @@ class PredictionModel:
         获取指定日期的每小时详情
         
         Args:
-            date: 日期 (YYYY-MM-DD)
+            date: 日期 (YYYY-MM-DD, CST 北京时间)
         """
         with get_db_connection() as conn:
             cursor = conn.cursor()
+            # 按 CST 日期筛选，并获取 CST 小时
             cursor.execute("""
-                SELECT * FROM model_predictions 
+                SELECT 
-                WHERE date = %s
+                    *,
-                ORDER BY hour, model_name
+                    HOUR(CONVERT_TZ(timestamp, '+00:00', '+08:00')) as hour_cst,
+                    CONVERT_TZ(timestamp, '+00:00', '+08:00') as timestamp_cst_dt
+                FROM model_predictions 
+                WHERE DATE(CONVERT_TZ(timestamp, '+00:00', '+08:00')) = %s
+                ORDER BY hour_cst, model_name
             """, (date,))
             
             rows = cursor.fetchall()
             
-            # 按小时重组数据
+            # 按 CST 小时重组数据
             hourly_data = {}
             for row in rows:
                 row_dict = _dict_from_row(row)
-                hour = row_dict['hour']
+                hour_cst = row_dict['hour_cst']  # 使用 CST 小时
-                if hour not in hourly_data:
+                if hour_cst not in hourly_data:
-                    # 将 timestamp 转换为 CST 时间
+                    # 将 timestamp 转换为 CST 时间字符串
                     timestamp_cst = convert_to_cst(row_dict.get('timestamp', ''))
-                    hourly_data[hour] = {
+                    hourly_data[hour_cst] = {
-                        "hour": hour,
+                        "hour": hour_cst,  # 返回 CST 小时
                         "timestamp_et": row_dict['timestamp_et'],
                         "timestamp_cst": timestamp_cst,
                         "open_price": row_dict['open_price'],
@@ -422,13 +440,13 @@ class PredictionModel:
                     }
                 
                 model = row_dict['model_name']
-                hourly_data[hour]["models"][model] = {
+                hourly_data[hour_cst]["models"][model] = {
                     "prediction": row_dict['prediction'],
                     "probability": row_dict['probability'],
                     "is_correct": row_dict['is_correct']
                 }
             
-            # 按小时排序返回
+            # 按 CST 小时排序返回
             return [hourly_data[h] for h in sorted(hourly_data.keys())]
     
     @staticmethod

api/prediction_service.py

@@ -87,12 +87,18 @@ class PredictionService:
     
     def __init__(self):
         import threading
+        import platform
         # 初始化锁
         if PredictionService._prediction_lock is None:
             PredictionService._prediction_lock = threading.Lock()
         
-        self.device = torch.device('mps' if torch.backends.mps.is_available() else 
+        # 设备选择：macOS 用 MPS，Windows/Linux 用 CPU
-                                   'cuda' if torch.cuda.is_available() else 'cpu')
+        if platform.system() == 'Darwin':  # macOS
+            self.device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
+        else:  # Windows / Linux
+            self.device = torch.device('cpu')
+        print(f"使用设备: {self.device}")
+        
         self.et_tz = ZoneInfo('America/New_York')
         self.fetcher = BinanceDataFetcher()
         

api/static/index.html

@@ -259,7 +259,7 @@
                             <table class="table table-hover mb-0">
                                 <thead class="table-light">
                                     <tr>
-                                        <th>日期</th>
+                                        <th>日期 (北京)</th>
                                         <th>DLinear 预测</th>
                                         <th>DLinear 准确率</th>
                                         <th>TTM-R2 预测</th>
@@ -341,7 +341,7 @@
                 <div class="modal-content">
                     <div class="modal-header">
                         <h5 class="modal-title">
-                            <i class="bi bi-clock"></i> {{ hourlyModal.date }} 每小时预测详情
+                            <i class="bi bi-clock"></i> {{ hourlyModal.date }} 每小时预测详情 (北京时间)
                         </h5>
                         <button type="button" class="btn-close" data-bs-dismiss="modal"></button>
                     </div>

auto_trade_polymarket.py

@@ -175,9 +175,13 @@ class PolymarketBTCTrader:
             headers={'Accept-Encoding': 'identity'}
         )
         
-        # 设备
+        # 设备选择：macOS 用 MPS，Windows/Linux 用 CPU
-        self.device = torch.device('mps' if torch.backends.mps.is_available() else 
+        import platform
-                                   'cuda' if torch.cuda.is_available() else 'cpu')
+        if platform.system() == 'Darwin':  # macOS
+            self.device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
+        else:  # Windows / Linux
+            self.device = torch.device('cpu')
+        print(f"使用设备: {self.device}")
         
         # 加载模型
         self.model = None

docs/WINDOWS_INSTALL.md

@@ -0,0 +1,295 @@
+# Windows 环境安装指南
+
+本指南帮助您在 Windows 系统上部署加密货币预测系统。
+
+---
+
+## 一、前置要求
+
+- Windows 10/11 (64位)
+- 至少 8GB 内存
+- 至少 10GB 可用磁盘空间
+- 网络连接（需访问 GitHub、PyPI、Binance API）
+
+---
+
+## 二、安装 Miniconda
+
+### 1. 下载 Miniconda
+
+访问 [Miniconda 官网](https://docs.conda.io/en/latest/miniconda.html) 下载 Windows 64-bit 安装包，或直接下载：
+
+```
+https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe
+```
+
+### 2. 安装
+
+1. 双击运行安装程序
+2. 选择 "Just Me" (仅为当前用户安装)
+3. 安装路径建议使用默认值或 `C:\Miniconda3`
+4. **重要**：勾选 "Add Miniconda3 to my PATH environment variable"
+5. 完成安装
+
+### 3. 验证安装
+
+打开 **命令提示符 (CMD)** 或 **PowerShell**：
+
+```powershell
+conda --version
+# 应显示类似: conda 24.x.x
+```
+
+---
+
+## 三、创建 Conda 环境
+
+### 1. 创建 Python 3.12 环境
+
+```powershell
+conda create -n crypto_pred_312 python=3.12 -y
+```
+
+### 2. 激活环境
+
+```powershell
+conda activate crypto_pred_312
+```
+
+激活后，命令行前缀应显示 `(crypto_pred_312)`
+
+---
+
+## 四、克隆项目
+
+### 1. 安装 Git (如未安装)
+
+下载并安装 [Git for Windows](https://git-scm.com/download/win)
+
+### 2. 克隆仓库
+
+```powershell
+cd C:\Projects  # 或您喜欢的目录
+git clone http://192.168.50.24:3000/subuhui/crpto_predictor.git
+cd crpto_predictor
+```
+
+---
+
+## 五、安装依赖
+
+### 1. 安装 PyTorch (CPU 版本)
+
+```powershell
+# CPU 版本 PyTorch（Windows 不使用 GPU）
+pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
+```
+
+### 2. 安装项目依赖
+
+```powershell
+pip install -r requirements.txt
+```
+
+### 3. 安装 IBM 时序模型 (TTM-R2)
+
+```powershell
+# PyPI 包名是 granite-tsfm，导入时用 tsfm_public
+pip install granite-tsfm
+```
+
+验证安装：
+```powershell
+python -c "from tsfm_public.models.tinytimemixer import TinyTimeMixerForPrediction; print('TTM-R2 安装成功')"
+```
+
+---
+
+## 六、配置环境变量
+
+### 1. 复制环境变量模板
+
+```powershell
+copy .env.example .env
+```
+
+### 2. 编辑 .env 文件
+
+使用记事本或 VSCode 编辑 `.env` 文件：
+
+```ini
+# MySQL 数据库配置
+MYSQL_HOST=your_mysql_host
+MYSQL_PORT=3306
+MYSQL_USER=your_username
+MYSQL_PASSWORD=your_password
+MYSQL_DB=crypto_predictor
+
+# Binance API (可选，用于实时数据)
+BINANCE_API_KEY=your_api_key
+BINANCE_API_SECRET=your_api_secret
+
+# Polymarket 配置 (可选，用于自动交易)
+POLYMARKET_PRIVATE_KEY=your_private_key
+DRY_RUN=true  # 设为 true 进行模拟交易
+
+# 代理配置 (可选)
+USE_PROXY=false
+SOCKS5_PROXY=socks5://127.0.0.1:1080
+```
+
+---
+
+## 七、数据库配置
+
+### 1. 安装 MySQL
+
+下载并安装 [MySQL Community Server](https://dev.mysql.com/downloads/mysql/)
+
+或使用 Docker:
+```powershell
+docker run -d --name mysql -p 3306:3306 -e MYSQL_ROOT_PASSWORD=yourpassword mysql:8.0
+```
+
+### 2. 创建数据库
+
+```sql
+CREATE DATABASE crypto_predictor CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
+```
+
+### 3. 初始化表结构
+
+首次运行时会自动创建表，或手动执行：
+```powershell
+python -c "from api.models import init_model_predictions_table; from data.trading_db import TradingDatabase; TradingDatabase()"
+```
+
+---
+
+## 八、验证安装
+
+### 1. 测试 PyTorch
+
+```powershell
+python -c "import torch; print(f'PyTorch: {torch.__version__}'); print(f'Device: cpu')"
+```
+
+### 2. 测试模型加载
+
+```powershell
+python -c "from training.config import TrainingConfig; c = TrainingConfig(); print(f'Device: {c.get_device()}')"
+# 应输出: Device: cpu
+```
+
+### 3. 测试数据库连接
+
+```powershell
+python -c "from api.models import get_db_connection; conn = get_db_connection(); print('数据库连接成功!')"
+```
+
+---
+
+## 九、运行系统
+
+### 方式一：双击批处理脚本 (推荐)
+
+双击项目根目录的 `start_system.bat`
+
+### 方式二：PowerShell 脚本
+
+```powershell
+.\start_system.ps1
+```
+
+### 方式三：Python 脚本
+
+```powershell
+python start_system.py
+```
+
+### 方式四：分别启动
+
+```powershell
+# 终端 1: API 服务
+python -m uvicorn api.main:app --host 0.0.0.0 --port 8000
+
+# 终端 2: 自动交易
+python auto_trade_polymarket.py
+```
+
+---
+
+## 十、访问系统
+
+- **前端看板**: http://localhost:8000
+- **API 文档**: http://localhost:8000/docs
+
+---
+
+## 常见问题
+
+### Q1: `conda activate` 不生效
+
+在 PowerShell 中需要先初始化 conda：
+```powershell
+conda init powershell
+# 重启 PowerShell
+```
+
+### Q2: pip 安装超时
+
+使用国内镜像：
+```powershell
+pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
+```
+
+### Q3: PyTorch 安装失败
+
+确保使用 CPU 版本的安装命令，不要安装 CUDA 版本。
+
+### Q4: 数据库连接失败
+
+1. 检查 MySQL 服务是否运行
+2. 检查 `.env` 中的数据库配置
+3. 检查防火墙是否允许 3306 端口
+
+### Q5: 模型文件缺失
+
+确保 `models/checkpoints/` 目录包含预训练模型文件。如缺失，联系管理员获取。
+
+---
+
+## 目录结构
+
+```
+crpto_predictor/
+├── api/                    # API 服务
+│   ├── main.py            # FastAPI 入口
+│   ├── models.py          # 数据库模型
+│   ├── prediction_service.py  # 预测服务
+│   └── static/            # 前端静态文件
+├── models/                 # 模型定义和权重
+│   ├── checkpoints/       # 模型权重文件
+│   └── dlinear/           # DLinear 模型
+├── data/                   # 数据层
+├── training/               # 训练配置
+├── start_system.py        # 跨平台启动脚本
+├── start_system.bat       # Windows CMD 脚本
+├── start_system.ps1       # Windows PowerShell 脚本
+├── auto_trade_polymarket.py  # 自动交易程序
+├── requirements.txt       # 依赖列表
+└── .env                   # 环境变量 (需自行创建)
+```
+
+---
+
+## 更新项目
+
+```powershell
+git pull origin main
+pip install -r requirements.txt
+```
+
+---
+
+*如有问题，请联系管理员。*

install_windows.bat

@@ -0,0 +1,58 @@
+@echo off
+chcp 65001 >nul
+REM ============================================
+REM  Windows 环境安装脚本
+REM  安装所有依赖和模型
+REM ============================================
+
+echo ==========================================
+echo   加密货币预测系统 - Windows 安装脚本
+echo ==========================================
+echo.
+
+REM 检查 conda
+where conda >nul 2>&1
+if %errorlevel% neq 0 (
+    echo [错误] 未找到 conda
+    echo 请先安装 Miniconda: https://docs.conda.io/en/latest/miniconda.html
+    pause
+    exit /b 1
+)
+
+echo [1/6] 创建 conda 环境...
+call conda create -n crypto_pred_312 python=3.12 -y
+if %errorlevel% neq 0 (
+    echo [警告] 环境可能已存在，继续...
+)
+
+echo.
+echo [2/6] 激活环境...
+call conda activate crypto_pred_312
+
+echo.
+echo [3/6] 安装 PyTorch (CPU 版本)...
+pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
+
+echo.
+echo [4/5] 安装项目依赖...
+pip install -r requirements.txt
+
+echo.
+echo [5/5] 验证安装...
+python -c "import torch; print(f'PyTorch: {torch.__version__}')"
+python -c "from tsfm_public.models.tinytimemixer import TinyTimeMixerForPrediction; print('TTM-R2: 已安装')"
+python -c "import pandas_ta; print('pandas-ta: 已安装')"
+python -c "from training.config import TrainingConfig; c=TrainingConfig(); print(f'设备: {c.get_device()}')"
+
+echo.
+echo ==========================================
+echo   安装完成!
+echo ==========================================
+echo.
+echo 下一步:
+echo   1. 复制 .env.example 为 .env 并配置数据库
+echo   2. 双击 start_system.bat 启动系统
+echo   3. 访问 http://localhost:8000
+echo.
+
+pause

requirements.txt

@@ -1,45 +1,69 @@
-# Core dependencies
+# ==============================================
-torch>=2.0.0
+# 加密货币预测系统依赖
-torchvision
+# Python 3.12 | 支持 macOS (MPS) 和 Windows (CPU)
-torchaudio
+# ==============================================
-python-binance>=1.0.19
+
+# ----------------------------------------------
+# PyTorch (根据平台单独安装)
+# ----------------------------------------------
+# macOS: pip install torch torchvision torchaudio
+# Windows CPU: pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu
+# 注意：requirements.txt 中不包含 torch，需要手动安装
+
+# ----------------------------------------------
+# 数据处理
+# ----------------------------------------------
 pandas>=2.0.0
 numpy>=1.24.0
 scikit-learn>=1.3.0
 pytz
-python-dotenv>=1.0.0
 
-# ONNX
+# ----------------------------------------------
-onnx>=1.14.0
+# 时序模型
-onnxruntime>=1.15.0
+# ----------------------------------------------
+# IBM Granite TTM-R2 (导入名: tsfm_public)
+granite-tsfm>=0.3.0
 
-# Model-specific dependencies
+# ----------------------------------------------
-darts>=0.27.0
+# 技术指标
-u8darts[torch]>=0.27.0
+# ----------------------------------------------
-tsfm_public>=0.2.0
+pandas-ta>=0.3.14b
-gluonts[torch]>=0.14.0
 
-# API dependencies
+# ----------------------------------------------
+# API 服务
+# ----------------------------------------------
 fastapi>=0.104.0
 uvicorn[standard]>=0.24.0
 pydantic>=2.0.0
 python-multipart>=0.0.6
 
-# Technical indicators
+# ----------------------------------------------
-pandas-ta>=0.3.14b
+# HTTP 客户端
+# ----------------------------------------------
+httpx>=0.25.0
 
-# Development tools
+# ----------------------------------------------
-jupyter>=1.0.0
+# 数据源
-matplotlib>=3.7.0
+# ----------------------------------------------
-seaborn>=0.12.0
+python-binance>=1.0.19
-pytest>=7.4.0
-black>=23.0.0
-flake8>=6.0.0
 
-# Utilities
+# ----------------------------------------------
-tqdm>=4.66.0
+# 任务调度
+# ----------------------------------------------
+schedule>=1.2.0
 
-# Database
+# ----------------------------------------------
+# 数据库
+# ----------------------------------------------
 pymysql>=1.1.0
-sqlalchemy>=2.0.0
 cryptography>=41.0.0
+
+# ----------------------------------------------
+# 环境变量
+# ----------------------------------------------
+python-dotenv>=1.0.0
+
+# ----------------------------------------------
+# 进度条
+# ----------------------------------------------
+tqdm>=4.66.0

scripts/export_onnx.py

@@ -0,0 +1,37 @@
+"""导出 DLinear 模型为 ONNX 格式。
+
+用法:
+    python scripts/export_onnx.py
+
+输出:
+    models/checkpoints/dlinear_classification_2026/model.onnx
+"""
+
+import sys
+from pathlib import Path
+
+# 添加项目根目录到路径
+project_root = Path(__file__).parent.parent
+sys.path.insert(0, str(project_root))
+
+from models.dlinear.model import DLinear
+
+
+def main():
+    # 模型路径
+    checkpoint_path = project_root / "models/checkpoints/dlinear_classification_2026/best_model.pt"
+    output_path = checkpoint_path.parent / "model.onnx"
+
+    print(f"加载模型: {checkpoint_path}")
+    model = DLinear.load(str(checkpoint_path), device='cpu')
+
+    print(f"模型配置: lookback={model.config.lookback}, input_dim={model.config.input_dim}")
+    print(f"参数量: {model.count_parameters():,}")
+
+    # 导出为 ONNX
+    model.to_onnx(str(output_path))
+    print(f"✓ ONNX 模型已保存到: {output_path}")
+
+
+if __name__ == "__main__":
+    main()

start_system.bat

@@ -0,0 +1,47 @@
+@echo off
+chcp 65001 >nul
+REM ============================================
+REM  系统启动脚本 (Windows)
+REM  启动 API 服务和自动交易程序
+REM ============================================
+
+echo [%date% %time%] 正在启动系统...
+
+REM 检查 conda 环境
+where conda >nul 2>&1
+if %errorlevel% neq 0 (
+    echo [错误] 未找到 conda，请先安装 Anaconda 或 Miniconda
+    pause
+    exit /b 1
+)
+
+REM 激活 conda 环境
+echo [%date% %time%] 激活 conda 环境: crypto_pred_312
+call conda activate crypto_pred_312
+if %errorlevel% neq 0 (
+    echo [错误] 无法激活 conda 环境 crypto_pred_312
+    echo 请先创建环境: conda create -n crypto_pred_312 python=3.12
+    pause
+    exit /b 1
+)
+
+REM 启动 API 服务 (后台运行)
+echo [%date% %time%] 启动 API 服务...
+start "API服务" cmd /c "python -m uvicorn api.main:app --host 0.0.0.0 --port 8000"
+
+REM 等待 API 启动
+timeout /t 3 /nobreak >nul
+
+REM 启动自动交易程序 (后台运行)
+echo [%date% %time%] 启动自动交易程序...
+start "自动交易" cmd /c "python -u auto_trade_polymarket.py"
+
+echo.
+echo ============================================
+echo   系统启动完成!
+echo   前端访问: http://localhost:8000
+echo   关闭窗口可停止对应服务
+echo ============================================
+echo.
+
+pause

start_system.ps1

@@ -0,0 +1,90 @@
+# ============================================
+#  系统启动脚本 (Windows PowerShell)
+#  启动 API 服务和自动交易程序
+# ============================================
+
+$ErrorActionPreference = "Stop"
+
+function Write-Log {
+    param([string]$Message, [string]$Color = "White")
+    $timestamp = Get-Date -Format "yyyy-MM-dd HH:mm:ss"
+    Write-Host "[$timestamp] $Message" -ForegroundColor $Color
+}
+
+Write-Log "正在启动系统..." "Yellow"
+
+# 检查 conda
+$condaPath = Get-Command conda -ErrorAction SilentlyContinue
+if (-not $condaPath) {
+    Write-Log "错误: 未找到 conda，请先安装 Anaconda 或 Miniconda" "Red"
+    Read-Host "按回车键退出"
+    exit 1
+}
+
+# 激活 conda 环境
+Write-Log "激活 conda 环境: crypto_pred_312" "Yellow"
+try {
+    conda activate crypto_pred_312
+} catch {
+    Write-Log "错误: 无法激活 conda 环境 crypto_pred_312" "Red"
+    Write-Log "请先创建环境: conda create -n crypto_pred_312 python=3.12" "Yellow"
+    Read-Host "按回车键退出"
+    exit 1
+}
+
+# 启动 API 服务
+Write-Log "启动 API 服务..." "Yellow"
+$apiProcess = Start-Process -FilePath "python" `
+    -ArgumentList "-m uvicorn api.main:app --host 0.0.0.0 --port 8000" `
+    -PassThru -NoNewWindow
+
+Write-Log "API 服务已启动 (PID: $($apiProcess.Id))" "Green"
+
+# 等待 API 启动
+Start-Sleep -Seconds 3
+
+# 启动自动交易程序
+Write-Log "启动自动交易程序..." "Yellow"
+$tradeProcess = Start-Process -FilePath "python" `
+    -ArgumentList "-u auto_trade_polymarket.py" `
+    -PassThru -NoNewWindow
+
+Write-Log "自动交易程序已启动 (PID: $($tradeProcess.Id))" "Green"
+
+Write-Host ""
+Write-Host "============================================" -ForegroundColor Cyan
+Write-Host "  系统启动完成!" -ForegroundColor Green
+Write-Host "  前端访问: http://localhost:8000" -ForegroundColor Green
+Write-Host "  按 Ctrl+C 停止所有服务" -ForegroundColor Yellow
+Write-Host "============================================" -ForegroundColor Cyan
+Write-Host ""
+
+# 等待用户中断
+try {
+    while ($true) {
+        # 检查进程状态
+        if ($apiProcess.HasExited) {
+            Write-Log "API 服务意外退出" "Red"
+            break
+        }
+        if ($tradeProcess.HasExited) {
+            Write-Log "自动交易程序意外退出" "Red"
+            break
+        }
+        Start-Sleep -Seconds 1
+    }
+} finally {
+    Write-Log "正在停止服务..." "Yellow"
+    
+    if (-not $apiProcess.HasExited) {
+        Stop-Process -Id $apiProcess.Id -Force -ErrorAction SilentlyContinue
+        Write-Log "API 服务已停止" "Green"
+    }
+    
+    if (-not $tradeProcess.HasExited) {
+        Stop-Process -Id $tradeProcess.Id -Force -ErrorAction SilentlyContinue
+        Write-Log "自动交易程序已停止" "Green"
+    }
+    
+    Write-Log "所有服务已停止" "Green"
+}

start_system.py

@@ -4,41 +4,93 @@
 同时启动：
 1. FastAPI 后端服务 (提供前端看板 API)
 2. Polymarket 自动交易程序
+
+支持平台：macOS, Linux, Windows
 """
 import subprocess
 import sys
 import time
 import signal
 import os
+import platform
 from datetime import datetime
 
-# 颜色代码
+# 检测操作系统
-GREEN = '\033[92m'
+IS_WINDOWS = platform.system() == 'Windows'
-YELLOW = '\033[93m'
+
-RED = '\033[91m'
+# 颜色代码 (Windows CMD 默认不支持 ANSI，但现代 Windows Terminal 支持)
-RESET = '\033[0m'
+if IS_WINDOWS:
+    # 尝试启用 Windows ANSI 支持
+    try:
+        import ctypes
+        kernel32 = ctypes.windll.kernel32
+        kernel32.SetConsoleMode(kernel32.GetStdHandle(-11), 7)
+        ANSI_SUPPORTED = True
+    except Exception:
+        ANSI_SUPPORTED = False
+else:
+    ANSI_SUPPORTED = True
+
+if ANSI_SUPPORTED:
+    GREEN = '\033[92m'
+    YELLOW = '\033[93m'
+    RED = '\033[91m'
+    RESET = '\033[0m'
+else:
+    GREEN = YELLOW = RED = RESET = ''
 
 def log(message, color=RESET):
     timestamp = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
     print(f"{color}[{timestamp}] {message}{RESET}")
 
 def start_process(command, name):
-    """启动子进程"""
+    """启动子进程（跨平台兼容）"""
     log(f"正在启动 {name}...", YELLOW)
     try:
-        process = subprocess.Popen(
+        if IS_WINDOWS:
-            command,
+            # Windows: 不使用 preexec_fn，使用 CREATE_NEW_PROCESS_GROUP
-            shell=True,
+            process = subprocess.Popen(
-            stdout=sys.stdout,
+                command,
-            stderr=sys.stderr,
+                shell=True,
-            preexec_fn=os.setsid  # 创建新的进程组，方便统一杀掉
+                stdout=sys.stdout,
-        )
+                stderr=sys.stderr,
+                creationflags=subprocess.CREATE_NEW_PROCESS_GROUP
+            )
+        else:
+            # macOS / Linux: 使用 setsid 创建新进程组
+            process = subprocess.Popen(
+                command,
+                shell=True,
+                stdout=sys.stdout,
+                stderr=sys.stderr,
+                preexec_fn=os.setsid
+            )
         log(f"{name} 已启动 (PID: {process.pid})", GREEN)
         return process
     except Exception as e:
         log(f"启动 {name} 失败: {e}", RED)
         return None
 
+def terminate_process(process, name):
+    """终止进程（跨平台兼容）"""
+    if process is None:
+        return
+    try:
+        if IS_WINDOWS:
+            # Windows: 使用 terminate() 或发送 CTRL_BREAK_EVENT
+            process.terminate()
+        else:
+            # macOS / Linux: 终止整个进程组
+            os.killpg(os.getpgid(process.pid), signal.SIGTERM)
+        log(f"{name} 已停止", GREEN)
+    except Exception as e:
+        log(f"停止 {name} 时出错: {e}", RED)
+        # 强制杀死
+        try:
+            process.kill()
+        except Exception:
+            pass
+
 def main():
     # 激活 Conda 环境
     # 注意：在子进程中直接使用当前已激活的 python 解释器路径，避免 conda activate 问题
@@ -64,10 +116,10 @@ def main():
     try:
         # 监控子进程状态
         while True:
-            if api_process.poll() is not None:
+            if api_process and api_process.poll() is not None:
                 log("API 服务意外退出", RED)
                 break
-            if trade_process.poll() is not None:
+            if trade_process and trade_process.poll() is not None:
                 log("自动交易程序意外退出", RED)
                 break
             time.sleep(1)
@@ -76,10 +128,8 @@ def main():
         log("\n正在停止服务...", YELLOW)
     finally:
         # 优雅退出
-        if api_process:
+        terminate_process(api_process, "API 服务")
-            os.killpg(os.getpgid(api_process.pid), signal.SIGTERM)
+        terminate_process(trade_process, "自动交易程序")
-        if trade_process:
-            os.killpg(os.getpgid(trade_process.pid), signal.SIGTERM)
         
         log("所有服务已停止", GREEN)
 

training/config.py

@@ -38,18 +38,23 @@ class TrainingConfig:
 
         Returns:
             Device string ('mps', 'cuda', or 'cpu')
+        
+        Note:
+            macOS 使用 MPS，Windows/Linux 使用 CPU
         """
         import torch
+        import platform
 
         if self.device != 'auto':
             return self.device
 
-        # Auto-detect best available device
+        # 根据操作系统选择设备：macOS 用 MPS，Windows/Linux 用 CPU
-        if torch.backends.mps.is_available():
+        if platform.system() == 'Darwin':  # macOS
-            return 'mps'
+            if torch.backends.mps.is_available():
-        elif torch.cuda.is_available():
+                return 'mps'
-            return 'cuda'
+            else:
-        else:
+                return 'cpu'
+        else:  # Windows / Linux
             return 'cpu'