Add CLAUDE.md guide and preprocessing comparison script

feat: auto_trade 每小时预测结果写入预测表并回填上一小时实际结果
- 导入 PredictionModel，预测完成后保存到 model_predictions 表 - 当前小时预测 actual_result/is_correct/close_price 留空（未收盘） - 新增 _update_previous_prediction：每次整点回填上一小时实际涨跌（收盘价 vs 开盘价） Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>
2026-02-10 23:26:44 +08:00 · 2026-02-10 23:19:57 +08:00 · 2026-02-10 23:05:17 +08:00 · 2026-02-08 15:05:09 +08:00 · 2026-02-07 22:28:46 +08:00 · 2026-02-07 22:26:07 +08:00
18 changed files with 1644 additions and 187 deletions
@@ -12,7 +12,12 @@
      "Bash(git push:*)",
      "Bash(conda activate:*)",
      "WebSearch",
-      "Bash(pip install:*)"
+      "Bash(pip install:*)",
+      "Bash(git status:*)",
+      "Bash(git -C /Users/xxz/PycharmProjects/crypto_predictor check-ignore -v test_dlinear_jan_2026_create_labels.py)",
+      "Bash(git -C /Users/xxz/PycharmProjects/crypto_predictor status)",
+      "Bash(git -C /Users/xxz/PycharmProjects/crypto_predictor diff)",
+      "Bash(git -C /Users/xxz/PycharmProjects/crypto_predictor log --oneline -5)"
    ]
  }
 }
@@ -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。
-*   **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。
+*   **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/`, `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**:
-    ```bash
-    pip install -r requirements.txt
-    ```
+## 3. 项目结构说明 (Project Structure)

-## 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**:
-    ```bash
-    pytest
-    ```
+### 4.1 时区处理 (Timezone)
+*   **存储**: 数据库中时间戳通常为 **UTC** 或 **ET (美东时间)**。
+*   **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)**:
-    ```bash
-    pytest tests/test_example.py
-    ```
+### 4.2 代码风格
+*   **注释**: 必须使用**中文**解释“为什么这样做”。
+*   **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)**:
-    用于专注调试某一个功能：
-    ```bash
-    pytest tests/test_example.py::test_specific_function
-    ```
+### 4.3 数据库操作
+*   **禁止**使用 SQLite。
+*   使用 `pymysql` 或 `sqlalchemy` 进行操作。
+*   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)**:
-    ```bash
-    pytest -s tests/test_example.py
-    ```
+## 5. 测试与验证 (Testing & QA)

-*   **代码格式化与检查**:
-    ```bash
-    black .          # 格式化代码
-    flake8 .         # 代码风格检查
-    ```
+*   **运行测试**: `pytest`
+*   **代码检查**: `flake8 .`
+*   **本地验证**:
+    *   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)
-
-*   **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)
+## 6. 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。*
@@ -0,0 +1,83 @@
+# CLAUDE.md
+
+This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.
+
+## 项目概述
+
+基于深度学习的 BTC 小时级涨跌预测系统，包含模型训练、FastAPI 后端、Vue 3 看板、Polymarket 自动交易。当前最佳模型 DLinear 准确率 53.10%。
+
+## 环境与构建
+
+```bash
+# Python 环境（必须使用 Conda，禁止 venv/poetry）
+conda activate crypto_pred_312
+
+# 安装依赖（PyTorch 需根据平台单独安装，requirements.txt 不含 torch）
+pip install -r requirements.txt
+
+# 数据库：仅支持 MySQL，禁止 SQLite
+# 配置：复制 .env.example 为 .env 并填写 MySQL 连接信息
+```
+
+## 常用命令
+
+```bash
+# 启动完整系统（API + 自动交易）
+python start_system.py
+
+# 单独启动 API 服务
+python -m uvicorn api.main:app --host 0.0.0.0 --port 8000
+
+# 单独启动自动交易
+python auto_trade_polymarket.py
+
+# 训练 DLinear 分类模型
+python train_classification_full.py
+
+# 测试模型（2026年数据）
+python test_models_feb_2026.py
+
+# 集成预测
+python ensemble_predict.py
+
+# 测试与检查
+pytest
+flake8 .
+```
+
+## 架构
+
+```
+数据流: Binance API → data/fetcher.py → data/preprocessor.py (技术指标) → data/dataset.py → 模型推理
+交易流: 模型预测 → auto_trade_polymarket.py → Polymarket 下单 → MySQL 记录
+服务流: FastAPI (api/main.py) → 前端看板 (api/static/) → http://localhost:8000
+```
+
+### 核心模块
+
+- **`data/`** — 数据层：`fetcher.py`(Binance数据获取)、`preprocessor.py`(特征工程: RSI+MACD)、`dataset.py`(PyTorch数据集)、`database.py`(市场数据MySQL)、`trading_db.py`(交易历史MySQL)
+- **`models/`** — 模型层：`dlinear/model.py`(主力模型，时序分解+线性层)、`nbeats/`、`base.py`(抽象基类)
+- **`models/checkpoints/dlinear_classification_2026/`** — 训练产物：`best_model.pt`、`preprocessor.pkl`、`test_2026_results.json`
+- **`training/`** — 训练层：`trainer.py`(训练循环，支持 MPS/CUDA/CPU)、`config.py`(超参数)、`evaluator.py`(评估)
+- **`api/`** — 服务层：`main.py`(FastAPI入口)、`models.py`(DB操作+时区转换)、`prediction_service.py`(预测服务)、`polymarket_client.py`(交易客户端)
+- **`start_system.py`** — 统一启动入口（同时启动 API 和自动交易）
+- **`auto_trade_polymarket.py`** — 自动交易主程序（每小时执行预测+下单）
+
+### DLinear 模型结构
+
+输入 (168h × 9特征) → MovingAvg 时序分解 → 季节性/趋势分量各经线性层 → MLP 聚合 → logits 输出 (BCEWithLogitsLoss)
+
+## 开发约束
+
+- **数据库**：仅 MySQL（`pymysql`），禁止 SQLite。连接使用 `data/database.py` 的 `DatabaseManager` 或 `api/models.py` 的 `get_db_connection`
+- **时区**：数据库存 UTC/ET，前端展示 CST（北京时间），转换用 `api.models.convert_to_cst()`
+- **代码注释**：中文，解释"为什么"
+- **命名**：变量/函数 `snake_case`，类 `PascalCase`
+- **代理访问 Binance**：需在 `.env` 配置 `SOCKS5_PROXY` 和 `USE_PROXY=true`
+- **日志**：交易日志在 `logs/polymarket_trading.log`（10MB 轮转）
+
+## 禁止事项
+
+- 禁止引入 SQLite 或恢复已删除的 SQLite 代码
+- 禁止在未确认的情况下升级核心库版本（torch, pandas 等）
+- 禁止删除看似无用但可能被外部脚本调用的代码
@@ -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
-                ORDER BY date DESC
+                GROUP BY date_cst, model_name
+                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 
-                WHERE date = %s
-                ORDER BY hour, model_name
+                SELECT 
+                    *,
+                    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']
-                if hour not in hourly_data:
-                    # 将 timestamp 转换为 CST 时间
+                hour_cst = row_dict['hour_cst']  # 使用 CST 小时
+                if hour_cst not in hourly_data:
+                    # 将 timestamp 转换为 CST 时间字符串
                    timestamp_cst = convert_to_cst(row_dict.get('timestamp', ''))
-                    hourly_data[hour] = {
-                        "hour": hour,
+                    hourly_data[hour_cst] = {
+                        "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
@@ -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 
-                                   'cuda' if torch.cuda.is_available() else 'cpu')
+        # 设备选择：macOS 用 MPS，Windows/Linux 用 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()
        
@@ -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>
@@ -35,6 +35,7 @@ sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))

 from data.fetcher import BinanceDataFetcher
 from data.trading_db import TradingDatabase
+from api.models import PredictionModel

 load_dotenv()

@@ -123,24 +124,44 @@ class ClassificationPreprocessor:
        df = self.add_features(df)
        df = self.create_labels(df)
        df = df.dropna().reset_index(drop=True)
-        
-        feature_cols = ['open', 'high', 'low', 'close', 'volume', 
+
+        feature_cols = ['open', 'high', 'low', 'close', 'volume',
                       'rsi', 'macd', 'macd_hist', 'macd_signal']
-        
+
        if fit:
            scaled_features = self.scaler.fit_transform(df[feature_cols])
            self.is_fitted = True
            self.feature_columns = feature_cols
        else:
            scaled_features = self.scaler.transform(df[feature_cols])
-        
+
        X, y = [], []
        for i in range(len(scaled_features) - self.lookback):
            X.append(scaled_features[i:i + self.lookback])
            y.append(df['label'].iloc[i + self.lookback])
-        
+
        return np.array(X), np.array(y), df

+    def preprocess_for_inference(self, df: pd.DataFrame):
+        """推理专用预处理：不调用create_labels，整个df一次性处理
+
+        与test_dlinear_jan_2026.py逻辑一致：
+        加特征 -> dropna -> scaler.transform -> 构建窗口
+        """
+        df = self.add_features(df)
+        df = df.dropna().reset_index(drop=True)
+
+        feature_cols = ['open', 'high', 'low', 'close', 'volume',
+                       'rsi', 'macd', 'macd_hist', 'macd_signal']
+
+        scaled_features = self.scaler.transform(df[feature_cols])
+
+        X = []
+        for i in range(len(scaled_features) - self.lookback):
+            X.append(scaled_features[i:i + self.lookback])
+
+        return np.array(X), df
+

 class PolymarketBTCTrader:
    """Polymarket BTC Hourly交易器"""
@@ -175,9 +196,13 @@ class PolymarketBTCTrader:
            headers={'Accept-Encoding': 'identity'}
        )
        
-        # 设备
-        self.device = torch.device('mps' if torch.backends.mps.is_available() else 
-                                   'cuda' if torch.cuda.is_available() else 'cpu')
+        # 设备选择：macOS 用 MPS，Windows/Linux 用 CPU
+        import platform
+        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
@@ -610,13 +635,25 @@ class PolymarketBTCTrader:
        logger.info(f"  上一K线时间: {prev_time} (用于预测)")
        logger.info(f"  上一收盘价: ${prev_close:,.2f}")
        logger.info(f"  当前K线时间: {current_time} (预测目标)")
-        logger.info(f"  当前收盘价: ${current_close:,.2f} (实际结果)")
+        logger.info(f"  当前收盘价: ${current_close:,.2f} (未收盘)")
+
+        # 回填上一小时的实际结果
+        # prev_time的K线已收盘，用它的收盘价(prev_close) vs 再前一根的收盘价来判断涨跌
+        self._update_previous_prediction(df)
        
-        # 用除最后一根外的数据进行预测
+        # 用除最后一根外的数据进行预测（无create_labels，与test逻辑一致）
        df_for_prediction = df.iloc[:-1]
-        X, _, _ = self.preprocessor.preprocess(df_for_prediction, fit=False)
+        X, processed_df = self.preprocessor.preprocess_for_inference(df_for_prediction)
+
+        # 打印模型输入的最后一根K线数据
+        last_input_row = df_for_prediction.iloc[-1]
+        logger.info(f"  📌 模型输入末根K线: {last_input_row['timestamp']} "
+                     f"O:{last_input_row['open']:.2f} H:{last_input_row['high']:.2f} "
+                     f"L:{last_input_row['low']:.2f} C:{last_input_row['close']:.2f} "
+                     f"V:{last_input_row['volume']:.0f}")
+
        X_last = torch.FloatTensor(X[-1:]).to(self.device)
-        
+
        with torch.no_grad():
            logits = self.model(X_last).cpu().numpy()
            prob = 1 / (1 + np.exp(-logits))
@@ -627,17 +664,72 @@ class PolymarketBTCTrader:
        confidence = probability if prediction == 1 else 1 - probability
        logger.info(f"🤖 DLinear预测: {direction}")
        logger.info(f"   置信度: {confidence:.2%}")
-        
-        # 显示预测是否正确 (用于验证)
-        actual_up = current_close > prev_close
-        if prediction == 1:
-            correct = actual_up
-        else:
-            correct = not actual_up
-        logger.info(f"   实际涨跌: {'📈 涨' if actual_up else '📉 跌'} ({'✅ 正确' if correct else '❌ 错误'})")
-        
+
+        # 保存预测结果到 model_predictions 表
+        # 当前K线尚未收盘，actual_result 和 is_correct 留空，等收盘后更新
+        try:
+            et_tz = ZoneInfo('America/New_York')
+            # current_time 是目标K线的UTC时间戳（当前正在进行的K线）
+            current_time_utc = pd.Timestamp(current_time)
+            current_time_et = current_time_utc.tz_localize('UTC').tz_convert(et_tz)
+
+            prediction_data = {
+                "timestamp": current_time_utc.isoformat(),
+                "timestamp_et": current_time_et.isoformat(),
+                "date": current_time_et.strftime('%Y-%m-%d'),
+                "hour": current_time_et.hour,
+                "model_name": "DLinear",
+                "prediction": prediction,
+                "probability": probability,
+                "actual_result": None,
+                "is_correct": None,
+                "open_price": float(df['open'].iloc[-1]),
+                "close_price": None,
+            }
+            PredictionModel.save_prediction(prediction_data)
+            logger.info(f"💾 预测记录已保存 (ET {current_time_et.strftime('%Y-%m-%d %H:%M')})")
+        except Exception as e:
+            logger.error(f"保存预测记录失败: {e}")
+
        return prediction, probability
-    
+
+    def _update_previous_prediction(self, df: pd.DataFrame):
+        """回填上一小时预测的实际结果
+
+        df.iloc[-2] 是上一小时已收盘K线，收盘价 vs 开盘价即为实际涨跌。
+        """
+        if len(df) < 2:
+            return
+
+        try:
+            et_tz = ZoneInfo('America/New_York')
+            prev_row = df.iloc[-2]
+            prev_utc = pd.Timestamp(prev_row['timestamp'])
+            prev_et = prev_utc.tz_localize('UTC').tz_convert(et_tz)
+            prev_date = prev_et.strftime('%Y-%m-%d')
+            prev_hour = prev_et.hour
+
+            prev_open = float(prev_row['open'])
+            prev_close = float(prev_row['close'])
+            actual_result = 1 if prev_close > prev_open else 0
+
+            updated = PredictionModel.update_actual_result(
+                date=prev_date,
+                hour=prev_hour,
+                model_name="DLinear",
+                actual_result=actual_result,
+                close_price=prev_close
+            )
+            if updated:
+                record = PredictionModel.get_prediction(prev_date, prev_hour, "DLinear")
+                is_correct = record.get('is_correct') if record else None
+                correct_str = '✅ 正确' if is_correct == 1 else '❌ 错误' if is_correct == 0 else '未知'
+                logger.info(f"📝 回填上一小时结果: ET {prev_date} {prev_hour}:00, "
+                            f"开:{prev_open:.2f} 收:{prev_close:.2f} "
+                            f"实际{'涨' if actual_result == 1 else '跌'}, {correct_str}")
+        except Exception as e:
+            logger.error(f"回填上一小时结果失败: {e}")
+
    def run_once(self) -> Dict:
        """运行一次交易流程（不等待整点）"""
        logger.info("运行单次交易...")
@@ -780,9 +872,9 @@ class PolymarketBTCTrader:
        logger.info(f"  上一K线: {prev_time} 收盘价: ${prev_close:,.2f}")
        logger.info(f"  当前K线: {current_time} 收盘价: ${current_close:,.2f}")
        
-        # 进行预测
+        # 进行预测（无create_labels，与test逻辑一致）
        df_for_prediction = df.iloc[:-1]
-        X, _, _ = self.preprocessor.preprocess(df_for_prediction, fit=False)
+        X, _ = self.preprocessor.preprocess_for_inference(df_for_prediction)
        X_last = torch.FloatTensor(X[-1:]).to(self.device)
        
        with torch.no_grad():
@@ -0,0 +1,380 @@
+"""对比 test 旧逻辑 vs auto_trade 逻辑的数据处理差异
+
+两种预处理方式：
+- test旧逻辑：整个df一次性预处理，无create_labels，按索引遍历窗口
+- auto_trade逻辑：截取到当前K线的df，含create_labels，取X[-1]预测
+
+对比内容：
+1. 预处理后的df行数差异
+2. 同一时间点的特征值差异（RSI、MACD等）
+3. scaler transform后的值差异
+4. 最终输入窗口的数值差异
+5. 模型输出logits/概率/预测结果差异
+"""
+
+import sys
+import os
+sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
+
+import torch
+import numpy as np
+import pandas as pd
+import pickle
+import pandas_ta as ta
+from datetime import timedelta
+from sklearn.preprocessing import StandardScaler
+from data.fetcher import BinanceDataFetcher
+
+# ==================== pickle反序列化需要的占位类 ====================
+
+class ClassificationPreprocessor:
+    """pkl文件中保存的类，pickle.load时需要能找到这个类名"""
+    def __init__(self, lookback=168, forecast_horizon=1):
+        self.lookback = lookback
+        self.forecast_horizon = forecast_horizon
+        self.scaler = StandardScaler()
+        self.is_fitted = False
+
+# ==================== 两种预处理器 ====================
+
+class TestPreprocessor:
+    """test旧逻辑：无create_labels"""
+    def __init__(self, lookback=168):
+        self.lookback = lookback
+        self.scaler = StandardScaler()
+
+    def preprocess(self, df, fit=True):
+        df = df.copy()
+        df['rsi'] = ta.rsi(df['close'], length=14)
+        macd = ta.macd(df['close'])
+        if macd is not None and not macd.empty:
+            df['macd'] = macd.iloc[:, 0]
+            df['macd_hist'] = macd.iloc[:, 1]
+            df['macd_signal'] = macd.iloc[:, 2]
+
+        df = df.dropna().reset_index(drop=True)
+
+        feature_cols = ['open', 'high', 'low', 'close', 'volume',
+                       'rsi', 'macd', 'macd_hist', 'macd_signal']
+
+        if fit:
+            scaled_features = self.scaler.fit_transform(df[feature_cols])
+        else:
+            scaled_features = self.scaler.transform(df[feature_cols])
+
+        X = []
+        valid_indices = []
+        for i in range(len(scaled_features) - self.lookback):
+            X.append(scaled_features[i:i + self.lookback])
+            valid_indices.append(i + self.lookback - 1)
+
+        return np.array(X), df, valid_indices, scaled_features
+
+
+class AutoTradePreprocessor:
+    """auto_trade逻辑：含create_labels"""
+    def __init__(self, lookback=168, forecast_horizon=1):
+        self.lookback = lookback
+        self.forecast_horizon = forecast_horizon
+        self.scaler = StandardScaler()
+
+    def preprocess(self, df, fit=True):
+        df = df.copy()
+        df['rsi'] = ta.rsi(df['close'], length=14)
+        macd = ta.macd(df['close'])
+        if macd is not None and not macd.empty:
+            df['macd'] = macd.iloc[:, 0]
+            df['macd_hist'] = macd.iloc[:, 1]
+            df['macd_signal'] = macd.iloc[:, 2]
+
+        # create_labels: shift + 砍最后一行
+        df['future_price'] = df['close'].shift(-self.forecast_horizon)
+        df['future_return'] = (df['future_price'] - df['close']) / df['close']
+        df['label'] = (df['future_return'] > 0).astype(int)
+        df = df[:-self.forecast_horizon]
+
+        df = df.dropna().reset_index(drop=True)
+
+        feature_cols = ['open', 'high', 'low', 'close', 'volume',
+                       'rsi', 'macd', 'macd_hist', 'macd_signal']
+
+        if fit:
+            scaled_features = self.scaler.fit_transform(df[feature_cols])
+        else:
+            scaled_features = self.scaler.transform(df[feature_cols])
+
+        X = []
+        for i in range(len(scaled_features) - self.lookback):
+            X.append(scaled_features[i:i + self.lookback])
+
+        return np.array(X), df, scaled_features
+
+
+def utc_to_beijing(ts):
+    return ts + timedelta(hours=8)
+
+
+def main():
+    print("=" * 100)
+    print("数据处理对比：test旧逻辑 vs auto_trade逻辑")
+    print("=" * 100)
+
+    device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
+
+    # 加载模型和训练时的scaler
+    from models.dlinear.model import DLinear
+    checkpoint = torch.load('./models/checkpoints/dlinear_classification_2026/best_model.pt',
+                            map_location=device, weights_only=False)
+    model = DLinear(checkpoint['config']).to(device).eval()
+    with open('./models/checkpoints/dlinear_classification_2026/preprocessor.pkl', 'rb') as f:
+        trained_preprocessor = pickle.load(f)
+
+    # 提取训练时的scaler参数
+    trained_scaler = trained_preprocessor.scaler
+    print(f"训练时scaler均值: {trained_scaler.mean_}")
+    print(f"训练时scaler方差: {trained_scaler.scale_}")
+
+    # 获取数据
+    print("\n获取数据...")
+    fetcher = BinanceDataFetcher()
+    df_full = fetcher.fetch_ohlcv('BTC', '1h', start_date='2025-12-01', end_date='2026-03-01', use_cache=False)
+    print(f"总行数: {len(df_full)}")
+
+    # 选几个2月10日（北京时间）的时间点做对比
+    # 北京时间02-10 00:00 = UTC 02-09 16:00
+    test_targets_utc = [
+        '2026-02-09 16:00:00',  # 北京 02-10 00:00
+        '2026-02-09 20:00:00',  # 北京 02-10 04:00
+        '2026-02-10 00:00:00',  # 北京 02-10 08:00
+        '2026-02-10 04:00:00',  # 北京 02-10 12:00
+        '2026-02-10 08:00:00',  # 北京 02-10 16:00
+        '2026-02-10 12:00:00',  # 北京 02-10 20:00
+    ]
+
+    feature_cols = ['open', 'high', 'low', 'close', 'volume',
+                   'rsi', 'macd', 'macd_hist', 'macd_signal']
+
+    for target_utc_str in test_targets_utc:
+        target_utc = pd.Timestamp(target_utc_str)
+        target_bj = utc_to_beijing(target_utc)
+
+        # 找到目标K线在df中的索引
+        target_mask = df_full['timestamp'] == target_utc
+        if not target_mask.any():
+            print(f"\n⚠ 找不到 {target_utc_str}，跳过")
+            continue
+
+        target_idx = df_full[target_mask].index[0]
+        input_idx = target_idx - 1  # 输入的最后一根K线
+
+        input_row = df_full.iloc[input_idx]
+        target_row = df_full.iloc[target_idx]
+
+        print(f"\n{'=' * 100}")
+        print(f"目标K线: 北京{target_bj.strftime('%m-%d %H:%M')} (UTC {target_utc_str})")
+        print(f"输入末根: UTC {input_row['timestamp']}  O:{input_row['open']:.2f} H:{input_row['high']:.2f} L:{input_row['low']:.2f} C:{input_row['close']:.2f}")
+        print(f"目标K线: UTC {target_row['timestamp']}  收盘:{target_row['close']:.2f}")
+        print("-" * 100)
+
+        # ===== 方式A: test旧逻辑 =====
+        # 对整个df一次性预处理，按索引找到对应窗口
+        test_prep = TestPreprocessor(lookback=168)
+        test_prep.scaler = trained_scaler  # 使用训练时的scaler
+        X_test, df_test, idx_test, scaled_test = test_prep.preprocess(df_full, fit=False)
+
+        # 找到input_idx对应的窗口
+        # idx_test[i] = i + 168 - 1，所以 input_idx 在 df_test 中的位置需要查找
+        # df_test 是 dropna 后 reset_index 的，timestamp 可能对应不同的行号
+        test_input_mask = df_test['timestamp'] == input_row['timestamp']
+        if test_input_mask.any():
+            test_df_idx = df_test[test_input_mask].index[0]
+            # 对应的窗口序号
+            test_window_i = test_df_idx - 168 + 1
+            if 0 <= test_window_i < len(X_test):
+                X_test_window = X_test[test_window_i]
+            else:
+                X_test_window = None
+                print("  [test] 窗口索引越界")
+        else:
+            test_df_idx = None
+            X_test_window = None
+            print("  [test] 在df_test中找不到对应时间")
+
+        # ===== 方式B: auto_trade逻辑 =====
+        # 截取到input_idx为止，含create_labels
+        df_up_to_t = df_full.iloc[:input_idx + 1]
+        auto_prep = AutoTradePreprocessor(lookback=168)
+        auto_prep.scaler = trained_scaler  # 使用训练时的scaler
+        X_auto, df_auto, scaled_auto = auto_prep.preprocess(df_up_to_t, fit=False)
+
+        if len(X_auto) > 0:
+            X_auto_window = X_auto[-1]  # 取最后一个窗口
+        else:
+            X_auto_window = None
+            print("  [auto] X为空")
+
+        # ===== 对比 =====
+
+        # 1. df行数对比
+        print(f"\n[1] 预处理后df行数")
+        print(f"  test:  {len(df_test)} 行 (整个df, 无create_labels)")
+        print(f"  auto:  {len(df_auto)} 行 (截取到input, 含create_labels砍尾)")
+
+        # 2. 最后一行时间对比
+        print(f"\n[2] 预处理后df最后一行")
+        print(f"  test最后一行: {df_test.iloc[-1]['timestamp']}  close={df_test.iloc[-1]['close']:.2f}")
+        print(f"  auto最后一行: {df_auto.iloc[-1]['timestamp']}  close={df_auto.iloc[-1]['close']:.2f}")
+
+        # 3. 输入末根K线的原始特征对比
+        if test_df_idx is not None:
+            test_features = df_test.loc[test_df_idx, feature_cols]
+            auto_last_row = df_auto.iloc[-1]
+            auto_features = auto_last_row[feature_cols]
+
+            print(f"\n[3] 输入末根K线原始特征值")
+            print(f"  {'特征':<15} {'test值':>15} {'auto值':>15} {'差异':>15}")
+            print(f"  {'-'*60}")
+            for col in feature_cols:
+                tv = test_features[col]
+                av = auto_features[col]
+                diff = tv - av
+                marker = " ⚠" if abs(diff) > 1e-6 else ""
+                print(f"  {col:<15} {tv:>15.6f} {av:>15.6f} {diff:>15.8f}{marker}")
+
+        # 4. scaler transform 后的值对比（输入末根K线）
+        if test_df_idx is not None and X_test_window is not None and X_auto_window is not None:
+            test_scaled_last = scaled_test[test_df_idx]
+            auto_scaled_last = scaled_auto[-1]
+
+            print(f"\n[4] scaler transform 后的值（输入末根K线）")
+            print(f"  {'特征':<15} {'test值':>15} {'auto值':>15} {'差异':>15}")
+            print(f"  {'-'*60}")
+            for j, col in enumerate(feature_cols):
+                tv = test_scaled_last[j]
+                av = auto_scaled_last[j]
+                diff = tv - av
+                marker = " ⚠" if abs(diff) > 1e-6 else ""
+                print(f"  {col:<15} {tv:>15.6f} {av:>15.6f} {diff:>15.8f}{marker}")
+
+        # 5. 输入窗口对比（整个168步窗口）
+        if X_test_window is not None and X_auto_window is not None:
+            window_diff = X_test_window - X_auto_window
+            max_diff = np.max(np.abs(window_diff))
+            mean_diff = np.mean(np.abs(window_diff))
+            nonzero_count = np.count_nonzero(np.abs(window_diff) > 1e-6)
+
+            print(f"\n[5] 输入窗口对比 (168步 × 9特征 = 1512个值)")
+            print(f"  最大绝对差异: {max_diff:.10f}")
+            print(f"  平均绝对差异: {mean_diff:.10f}")
+            print(f"  差异>1e-6的值: {nonzero_count} / 1512")
+
+            if nonzero_count > 0:
+                # 找到差异最大的位置
+                max_pos = np.unravel_index(np.argmax(np.abs(window_diff)), window_diff.shape)
+                print(f"  最大差异位置: 步={max_pos[0]} 特征={feature_cols[max_pos[1]]}")
+                print(f"    test值: {X_test_window[max_pos]:.10f}")
+                print(f"    auto值: {X_auto_window[max_pos]:.10f}")
+
+        # 6. 模型推理对比
+        if X_test_window is not None and X_auto_window is not None:
+            with torch.no_grad():
+                test_tensor = torch.FloatTensor(X_test_window[np.newaxis]).to(device)
+                auto_tensor = torch.FloatTensor(X_auto_window[np.newaxis]).to(device)
+
+                test_logits = model(test_tensor).cpu().numpy().item()
+                auto_logits = model(auto_tensor).cpu().numpy().item()
+
+                test_prob = 1 / (1 + np.exp(-test_logits))
+                auto_prob = 1 / (1 + np.exp(-auto_logits))
+
+                test_pred = "涨" if test_prob > 0.5 else "跌"
+                auto_pred = "涨" if auto_prob > 0.5 else "跌"
+
+                match = "✓ 一致" if test_pred == auto_pred else "✗ 不一致"
+
+            print(f"\n[6] 模型推理结果")
+            print(f"  {'':15} {'test':>15} {'auto':>15} {'差异':>15}")
+            print(f"  {'-'*60}")
+            print(f"  {'logits':<15} {test_logits:>15.8f} {auto_logits:>15.8f} {test_logits-auto_logits:>15.8f}")
+            print(f"  {'概率':<15} {test_prob:>15.8f} {auto_prob:>15.8f} {test_prob-auto_prob:>15.8f}")
+            print(f"  {'预测':<15} {test_pred:>15} {auto_pred:>15} {match:>15}")
+
+    # ===== 全量对比：2月所有小时 =====
+    print(f"\n\n{'=' * 100}")
+    print("全量对比：2月份所有小时预测结果差异统计")
+    print("=" * 100)
+
+    # test方式：一次性预处理
+    test_prep_full = TestPreprocessor(lookback=168)
+    test_prep_full.scaler = trained_scaler
+    X_test_full, df_test_full, idx_test_full, _ = test_prep_full.preprocess(df_full, fit=False)
+
+    # 构建 timestamp -> test窗口索引 的映射
+    test_ts_map = {}
+    for i, idx in enumerate(idx_test_full):
+        ts = df_test_full.iloc[idx]['timestamp']
+        test_ts_map[ts] = i
+
+    total = 0
+    same = 0
+    diff_list = []
+
+    for target_idx in range(1, len(df_full)):
+        target_time_utc = df_full.iloc[target_idx]['timestamp']
+        target_time_bj = utc_to_beijing(target_time_utc)
+        if not (target_time_bj.year == 2026 and target_time_bj.month == 2):
+            continue
+
+        input_idx = target_idx - 1
+        input_ts = df_full.iloc[input_idx]['timestamp']
+
+        # test方式
+        test_i = test_ts_map.get(input_ts)
+        if test_i is None or test_i >= len(X_test_full):
+            continue
+
+        # auto方式
+        df_up_to_t = df_full.iloc[:input_idx + 1]
+        auto_prep_tmp = AutoTradePreprocessor(lookback=168)
+        auto_prep_tmp.scaler = trained_scaler
+        X_auto_tmp, _, _ = auto_prep_tmp.preprocess(df_up_to_t, fit=False)
+        if len(X_auto_tmp) == 0:
+            continue
+
+        with torch.no_grad():
+            test_logits = model(torch.FloatTensor(X_test_full[test_i:test_i+1]).to(device)).cpu().numpy().item()
+            auto_logits = model(torch.FloatTensor(X_auto_tmp[-1:]).to(device)).cpu().numpy().item()
+
+        test_prob = 1 / (1 + np.exp(-test_logits))
+        auto_prob = 1 / (1 + np.exp(-auto_logits))
+        test_pred = 1 if test_prob > 0.5 else 0
+        auto_pred = 1 if auto_prob > 0.5 else 0
+
+        total += 1
+        if test_pred == auto_pred:
+            same += 1
+        else:
+            diff_list.append({
+                'time_bj': target_time_bj.strftime('%m-%d %H:%M'),
+                'test_prob': test_prob,
+                'auto_prob': auto_prob,
+                'test_pred': '涨' if test_pred == 1 else '跌',
+                'auto_pred': '涨' if auto_pred == 1 else '跌',
+            })
+
+    print(f"总预测数: {total}")
+    print(f"结果一致: {same} ({same/total:.1%})")
+    print(f"结果不同: {len(diff_list)} ({len(diff_list)/total:.1%})")
+
+    if diff_list:
+        print(f"\n不一致的时间点:")
+        print(f"  {'北京时间':<15} {'test概率':>10} {'test预测':>8} {'auto概率':>10} {'auto预测':>8}")
+        print(f"  {'-'*55}")
+        for d in diff_list:
+            print(f"  {d['time_bj']:<15} {d['test_prob']:>10.6f} {d['test_pred']:>8} {d['auto_prob']:>10.6f} {d['auto_pred']:>8}")
+
+    print("=" * 100)
+
+
+if __name__ == "__main__":
+    main()
@@ -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。*
@@ -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
@@ -1,45 +1,69 @@
-# Core dependencies
-torch>=2.0.0
-torchvision
-torchaudio
-python-binance>=1.0.19
+# ==============================================
+# 加密货币预测系统依赖
+# Python 3.12 | 支持 macOS (MPS) 和 Windows (CPU)
+# ==============================================
+
+# ----------------------------------------------
+# 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
-onnxruntime>=1.15.0
+# ----------------------------------------------
+# 时序模型
+# ----------------------------------------------
+# IBM Granite TTM-R2 (导入名: tsfm_public)
+granite-tsfm>=0.3.0

-# Model-specific dependencies
-darts>=0.27.0
-u8darts[torch]>=0.27.0
-tsfm_public>=0.2.0
-gluonts[torch]>=0.14.0
+# ----------------------------------------------
+# 技术指标
+# ----------------------------------------------
+pandas-ta>=0.3.14b

-# 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
-matplotlib>=3.7.0
-seaborn>=0.12.0
-pytest>=7.4.0
-black>=23.0.0
-flake8>=6.0.0
+# ----------------------------------------------
+# 数据源
+# ----------------------------------------------
+python-binance>=1.0.19

-# 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
@@ -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()
@@ -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
@@ -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"
+}
@@ -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
-GREEN = '\033[92m'
-YELLOW = '\033[93m'
-RED = '\033[91m'
-RESET = '\033[0m'
+# 检测操作系统
+IS_WINDOWS = platform.system() == 'Windows'
+
+# 颜色代码 (Windows CMD 默认不支持 ANSI，但现代 Windows Terminal 支持)
+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(
-            command,
-            shell=True,
-            stdout=sys.stdout,
-            stderr=sys.stderr,
-            preexec_fn=os.setsid  # 创建新的进程组，方便统一杀掉
-        )
+        if IS_WINDOWS:
+            # Windows: 不使用 preexec_fn，使用 CREATE_NEW_PROCESS_GROUP
+            process = subprocess.Popen(
+                command,
+                shell=True,
+                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:
-            os.killpg(os.getpgid(api_process.pid), signal.SIGTERM)
-        if trade_process:
-            os.killpg(os.getpgid(trade_process.pid), signal.SIGTERM)
+        terminate_process(api_process, "API 服务")
+        terminate_process(trade_process, "自动交易程序")
        
        log("所有服务已停止", GREEN)

@@ -0,0 +1,305 @@
+"""2026年1月BTC数据 - DLinear 准确率测试 (create_labels版)
+
+与test_dlinear_jan_2026.py对比：
+- 本脚本使用create_labels预处理方式（auto_trade旧逻辑）
+- 每个目标K线截取到input_idx的df，调用create_labels后取X[-1]预测
+- 用于验证create_labels对预测结果的影响
+
+输入数据：预测K线的前一根（即用截止到t的数据预测t+1）
+价格对比：预测结果与预测K线(t+1)的收盘价做对比
+时间：币安数据UTC，输出转为北京时间(UTC+8)，按北京时间分天
+"""
+
+import sys
+import os
+sys.path.insert(0, os.path.dirname(os.path.abspath(__file__)))
+
+import torch
+import numpy as np
+import pandas as pd
+import pickle
+import pandas_ta as ta
+from datetime import timedelta
+from sklearn.preprocessing import StandardScaler
+from data.fetcher import BinanceDataFetcher
+
+# ==================== 时区与美股判断 ====================
+
+def utc_to_beijing(ts):
+    """UTC时间转北京时间(UTC+8)"""
+    return ts + timedelta(hours=8)
+
+def is_us_stock_open_by_utc(utc_ts):
+    """根据UTC时间判断美股当天是否开盘
+
+    美股交易日基于美东时间(ET)，UTC-5(冬令时)
+    2026年1月在冬令时范围内（夏令时3月第二个周日开始）
+    所以美东 = UTC - 5h
+    """
+    et_ts = utc_ts - timedelta(hours=5)
+    et_date = pd.Timestamp(et_ts.date())
+
+    us_holidays_jan_2026 = {
+        pd.Timestamp('2026-01-01'),  # 元旦 New Year's Day
+        pd.Timestamp('2026-01-19'),  # 马丁·路德·金日 MLK Day
+    }
+
+    if et_date.weekday() >= 5:
+        return False
+    if et_date in us_holidays_jan_2026:
+        return False
+    return True
+
+# ==================== pickle反序列化占位类 ====================
+
+class ClassificationPreprocessor:
+    """pickle.load时需要能找到这个类名"""
+    def __init__(self, lookback=168, forecast_horizon=1):
+        self.lookback = lookback
+        self.forecast_horizon = forecast_horizon
+        self.scaler = StandardScaler()
+        self.is_fitted = False
+
+# ==================== create_labels预处理 ====================
+
+def preprocess_with_create_labels(df, scaler, lookback=168, forecast_horizon=1):
+    """使用create_labels方式预处理（auto_trade旧逻辑）
+
+    步骤：加特征 -> create_labels(shift + 砍尾) -> dropna -> scaler.transform -> 构建窗口
+    """
+    df = df.copy()
+    # 加特征
+    df['rsi'] = ta.rsi(df['close'], length=14)
+    macd = ta.macd(df['close'])
+    if macd is not None and not macd.empty:
+        df['macd'] = macd.iloc[:, 0]
+        df['macd_hist'] = macd.iloc[:, 1]
+        df['macd_signal'] = macd.iloc[:, 2]
+
+    # create_labels: shift + 砍最后一行
+    df['future_price'] = df['close'].shift(-forecast_horizon)
+    df['future_return'] = (df['future_price'] - df['close']) / df['close']
+    df['label'] = (df['future_return'] > 0).astype(int)
+    df = df[:-forecast_horizon]
+
+    df = df.dropna().reset_index(drop=True)
+
+    feature_cols = ['open', 'high', 'low', 'close', 'volume',
+                   'rsi', 'macd', 'macd_hist', 'macd_signal']
+
+    scaled_features = scaler.transform(df[feature_cols])
+
+    X = []
+    for i in range(len(scaled_features) - lookback):
+        X.append(scaled_features[i:i + lookback])
+
+    return np.array(X), df
+
+# ==================== 工具函数 ====================
+
+def fmt_pred(val):
+    """格式化预测结果"""
+    if val is None or (isinstance(val, float) and np.isnan(val)):
+        return "N/A"
+    return "涨" if int(val) == 1 else "跌"
+
+def fmt_result(pred, actual):
+    """格式化对错"""
+    if pred is None or (isinstance(pred, float) and np.isnan(pred)):
+        return "  "
+    return "✓" if int(pred) == int(actual) else "✗"
+
+
+def main():
+    print("=" * 90)
+    print("2026年1月 BTC 1h 涨跌预测准确率测试 (DLinear - create_labels版)")
+    print("输入：预测K线的前一根 | 对比：预测结果 vs 预测K线收盘价 | 时间：北京时间(UTC+8)")
+    print("预处理：截取到input的df，调用create_labels后取X[-1]")
+    print("=" * 90)
+
+    device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
+    print(f"使用设备: {device}")
+
+    # ========== 步骤1: 加载模型 ==========
+    print("\n[1/4] 加载模型...")
+
+    from models.dlinear.model import DLinear
+    checkpoint = torch.load('./models/checkpoints/dlinear_classification_2026/best_model.pt',
+                            map_location=device, weights_only=False)
+    model = DLinear(checkpoint['config'])
+    model.load_state_dict(checkpoint['model_state_dict'])
+    model = model.to(device).eval()
+    with open('./models/checkpoints/dlinear_classification_2026/preprocessor.pkl', 'rb') as f:
+        preprocessor = pickle.load(f)
+    print("  ✓ DLinear已加载")
+
+    # ========== 步骤2: 获取测试数据 ==========
+    print("\n[2/4] 获取数据...")
+    fetcher = BinanceDataFetcher()
+    df = fetcher.fetch_ohlcv('BTC', '1h', start_date='2025-10-01', end_date='2026-02-01', use_cache=False)
+
+    print(f"数据范围(UTC): {df['timestamp'].min()} -> {df['timestamp'].max()}")
+    print(f"总行数: {len(df)}")
+
+    # ========== 步骤3: 预处理与预测 ==========
+    print("\n[3/4] 运行预测...")
+
+    lookback = preprocessor.lookback
+    scaler = preprocessor.scaler
+
+    # 找出1月（北京时间）的所有预测目标K线索引
+    jan_targets = []
+    for target_idx in range(1, len(df)):
+        target_time_utc = df.iloc[target_idx]['timestamp']
+        target_time_bj = utc_to_beijing(target_time_utc)
+        if target_time_bj.year == 2026 and target_time_bj.month == 1:
+            jan_targets.append(target_idx)
+
+    print(f"1月（北京时间）目标K线数: {len(jan_targets)}")
+
+    results = []
+
+    for target_idx in jan_targets:
+        target_time_utc = df.iloc[target_idx]['timestamp']
+        target_time_bj = utc_to_beijing(target_time_utc)
+
+        # 输入K线索引（前一根）
+        input_idx = target_idx - 1
+        current_close = df.iloc[input_idx]['close']
+        target_close = df.iloc[target_idx]['close']
+        actual_label = 1 if target_close > current_close else 0
+
+        # --- DLinear 预测（create_labels方式：截取到input_idx，取X[-1]） ---
+        dl_pred = None
+        dl_prob = None
+
+        df_up_to_input = df.iloc[:input_idx + 1]
+        X, _ = preprocess_with_create_labels(df_up_to_input, scaler, lookback)
+
+        if len(X) > 0:
+            x_tensor = torch.FloatTensor(X[-1:]).to(device)
+            with torch.no_grad():
+                logits = model(x_tensor).cpu().numpy()
+                prob = 1 / (1 + np.exp(-logits))
+                dl_pred = int(prob.item() > 0.5)
+                dl_prob = float(prob.item())
+
+        results.append({
+            'time_utc': target_time_utc,
+            'time_bj': target_time_bj,
+            'current_close': current_close,
+            'target_close': target_close,
+            'actual': actual_label,
+            'dlinear': dl_pred,
+            'dl_prob': dl_prob,
+        })
+
+    # ========== 步骤4: 输出结果 ==========
+    if not results:
+        print("没有找到符合条件的测试样本")
+        return
+
+    df_res = pd.DataFrame(results)
+    df_res['date_bj'] = df_res['time_bj'].dt.date
+    df_res['us_open'] = df_res['time_utc'].apply(is_us_stock_open_by_utc)
+
+    total_samples = len(df_res)
+
+    print(f"\n[4/4] 准确率统计 (2026年1月，北京时间)")
+    print(f"总样本数: {total_samples}")
+
+    # ========== 每小时详细数据 ==========
+    print("\n" + "=" * 90)
+    print("每小时详细数据")
+    print("=" * 90)
+
+    hourly_header = (
+        f"{'北京时间':<18} {'前收盘':>10} {'现收盘':>10} {'实际':>4} "
+        f"{'DL':>3} {'':>1} {'概率':>6}"
+    )
+
+    for date_bj, day_group in df_res.groupby('date_bj'):
+        us_open = day_group['us_open'].iloc[0]
+        us_str = "美股开盘" if us_open else "美股休市"
+
+        dl_day_correct = (day_group['dlinear'] == day_group['actual']).sum()
+        dl_day_total = day_group['dlinear'].notna().sum()
+        dl_day_acc = dl_day_correct / dl_day_total if dl_day_total > 0 else 0
+
+        print(f"\n--- {date_bj} ({us_str}) --- DL准确率:{dl_day_acc:.1%} ({dl_day_correct}/{dl_day_total})")
+        print(hourly_header)
+        print("-" * 90)
+
+        for _, row in day_group.iterrows():
+            time_str = row['time_bj'].strftime('%m-%d %H:%M')
+            actual_str = fmt_pred(row['actual'])
+            dl_str = fmt_pred(row['dlinear'])
+            dl_r = fmt_result(row['dlinear'], row['actual'])
+            prob_str = f"{row['dl_prob']:.3f}" if row['dl_prob'] is not None else "  N/A"
+
+            print(
+                f"{time_str:<18} {row['current_close']:>10.2f} {row['target_close']:>10.2f} {actual_str:>4} "
+                f"{dl_str:>3} {dl_r:>1} {prob_str:>6}"
+            )
+
+    # ========== 每日准确率汇总表 ==========
+    print("\n\n" + "=" * 90)
+    print("每日准确率汇总 (北京时间)")
+    print("=" * 90)
+
+    header = f"{'日期':<14} {'样本':>4} {'美股':>6}  {'DLinear':>8}"
+    print(header)
+    print("-" * 90)
+
+    for date_bj, group in df_res.groupby('date_bj'):
+        total = len(group)
+        us_open = group['us_open'].iloc[0]
+        us_str = "开盘" if us_open else "休市"
+
+        dl_valid = group.dropna(subset=['dlinear'])
+        dl_acc = (dl_valid['dlinear'] == dl_valid['actual']).mean() if len(dl_valid) > 0 else 0
+        dl_str = f"{dl_acc:.1%}"
+
+        print(f"{str(date_bj):<14} {total:>4} {us_str:>6}  {dl_str:>8}")
+
+    print("-" * 90)
+
+    # --- 总准确率 ---
+    dl_valid_all = df_res.dropna(subset=['dlinear'])
+    dl_total = (dl_valid_all['dlinear'] == dl_valid_all['actual']).mean() if len(dl_valid_all) > 0 else 0
+
+    print(f"{'总计':<14} {total_samples:>4} {'':>6}  {dl_total:.2%}")
+    print("=" * 90)
+
+    # --- 美股开盘日 vs 休市日对比 ---
+    print("\n[美股开盘日 vs 休市日 准确率对比]")
+    print("-" * 60)
+    for label, flag in [("开盘日", True), ("休市日", False)]:
+        subset = df_res[df_res['us_open'] == flag]
+        if len(subset) == 0:
+            continue
+        n = len(subset)
+        dl_s = subset.dropna(subset=['dlinear'])
+        dl_a = (dl_s['dlinear'] == dl_s['actual']).mean() if len(dl_s) > 0 else 0
+        print(f"  {label} ({n}样本): DLinear={dl_a:.2%}")
+
+    print("-" * 60)
+
+    # --- 预测分布统计 ---
+    print("\n[预测分布统计]")
+    print("-" * 60)
+    actual_up = (df_res['actual'] == 1).sum()
+    actual_down = (df_res['actual'] == 0).sum()
+    print(f"  实际: 上涨={actual_up} ({actual_up/total_samples:.1%})  下跌={actual_down} ({actual_down/total_samples:.1%})")
+
+    dl_valid = df_res['dlinear'].dropna()
+    if len(dl_valid) > 0:
+        up = (dl_valid == 1).sum()
+        down = (dl_valid == 0).sum()
+        print(f"  DLinear: 预测上涨={up} ({up/len(dl_valid):.1%})  预测下跌={down} ({down/len(dl_valid):.1%})")
+
+    print("=" * 90)
+
+
+if __name__ == "__main__":
+    main()
@@ -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
-        if torch.backends.mps.is_available():
-            return 'mps'
-        elif torch.cuda.is_available():
-            return 'cuda'
-        else:
+        # 根据操作系统选择设备：macOS 用 MPS，Windows/Linux 用 CPU
+        if platform.system() == 'Darwin':  # macOS
+            if torch.backends.mps.is_available():
+                return 'mps'
+            else:
+                return 'cpu'
+        else:  # Windows / Linux
            return 'cpu'
Author	SHA1	Message	Date
crypto_predictor	d34b67f522	Add CLAUDE.md guide and preprocessing comparison script	2026-02-10 23:26:44 +08:00
crypto_predictorandClaude Opus 4.6	84288a687a	feat: auto_trade 每小时预测结果写入预测表并回填上一小时实际结果 - 导入 PredictionModel，预测完成后保存到 model_predictions 表 - 当前小时预测 actual_result/is_correct/close_price 留空（未收盘） - 新增 _update_previous_prediction：每次整点回填上一小时实际涨跌（收盘价 vs 开盘价） Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>	2026-02-10 23:19:57 +08:00
crypto_predictorandClaude Opus 4.6	e78836bf42	fix: 修复 auto_trade 推理预处理逻辑，新增 create_labels 版对比测试脚本 auto_trade_polymarket.py: 新增 preprocess_for_inference 方法，推理时不调用 create_labels（避免 df[:-1] 砍掉输入K线），与 test 脚本逻辑一致。 test_dlinear_jan_2026_create_labels.py: 使用 create_labels 方式的 DLinear 测试脚本，用于对比两种预处理方式的准确率差异。 Co-Authored-By: Claude Opus 4.6 <noreply@anthropic.com>	2026-02-10 23:05:17 +08:00
crypto_predictor	7990312878	feat: 添加 ONNX 导出功能及 DLinear 模型导出	2026-02-08 15:05:09 +08:00
crypto_predictor	5ca1779d7d	fix: 精简 requirements.txt，移除未使用的依赖移除的依赖： - 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）	2026-02-07 22:28:46 +08:00
crypto_predictor	9320b79730	refactor: 重新整理 requirements.txt 主要更改： - 修正 TTM 模型包名: tsfm_public -> granite-tsfm - 添加缺失依赖: httpx, schedule, pytorch-lightning, torchmetrics - 移除过时依赖: darts, u8darts - 按功能分类组织依赖 - 添加 Windows/macOS 安装说明注释 - 更新安装脚本和文档中的包名	2026-02-07 22:26:07 +08:00
crypto_predictor	06800ddb43	fix: 修正 tsfm-public 包名，添加一键安装脚本 - 添加 install_windows.bat 一键安装脚本 - 修正文档中 tsfm_public -> tsfm-public (PyPI 包名用连字符) - 添加 GitHub 备用安装方式	2026-02-07 22:02:56 +08:00
crypto_predictor	340c11d4ab	docs: 添加 Windows 环境安装指南包含完整的安装流程： - Miniconda 安装 - Conda 环境创建 - PyTorch CPU 版本安装 - 项目依赖安装 - 数据库配置 - 环境变量配置 - 运行和验证步骤 - 常见问题解答	2026-02-07 21:55:56 +08:00
crypto_predictor	d0696a42ba	feat: 添加 Windows 启动脚本 - start_system.bat: CMD 批处理脚本，双击即可运行 - start_system.ps1: PowerShell 脚本，支持进程监控和优雅退出两个脚本都会： 1. 激活 crypto_pred_312 conda 环境 2. 启动 API 服务 (端口 8000) 3. 启动自动交易程序	2026-02-07 21:54:46 +08:00
crypto_predictor	233f0c5d10	feat: 添加 Windows 兼容性支持，优化设备选择逻辑 - start_system.py: 跨平台进程管理 - Windows 使用 CREATE_NEW_PROCESS_GROUP 和 terminate() - Unix 使用 setsid 和 killpg - 自动检测并启用 Windows ANSI 颜色支持 - 设备选择逻辑优化： - macOS: 优先使用 MPS，回退到 CPU - Windows/Linux: 强制使用 CPU（无 CUDA 依赖） - 影响文件： - api/prediction_service.py - auto_trade_polymarket.py - training/config.py	2026-02-07 21:48:06 +08:00
crypto_predictor	8cdfb2a8e2	fix: 统一时区处理，准确率统计使用CST时间分组 - 增强 convert_to_cst() 函数，新增 source_tz 参数支持 UTC/ET/CST 输入 - 修改 get_monthly_stats() 使用 CONVERT_TZ 按 CST 月份统计 - 修改 get_daily_stats() 使用 CONVERT_TZ 按 CST 日期分组 - 修改 get_hourly_details() 按 CST 日期筛选和小时排序 - 交易记录使用 source_tz='CST' 避免重复转换 - 前端表头添加'(北京)'时区标注	2026-02-07 18:14:37 +08:00
crypto_predictor	6182630203	docs: 更新 AGENTS.md 开发指南，反映最新的架构变更	2026-02-07 16:58:44 +08:00