# Crypto Predictor

基于深度学习的加密货币价格预测系统，使用DLinear模型预测BTC未来1小时涨跌方向。

## 🎯 项目概况

**当前最佳模型性能**：
- **准确率**: 53.10% ✅ (在2026年测试集上)
- **任务类型**: 二分类（预测涨/跌）
- **特征**: OHLCV + RSI + MACD (9个特征)
- **训练数据**: 2020-2025年BTC小时数据（52,351个序列）
- **测试数据**: 2026年1-29日（484个序列）

## 📊 模型性能指标

```
准确率 (Accuracy):  53.10%
精确率 (Precision): 51.79%
召回率 (Recall):    49.36%
F1分数:             0.5054

混淆矩阵:
  预测涨且真涨: 116 (24.0%)
  预测跌且真跌: 141 (29.1%)
  预测涨但真跌: 108 (22.3%)
  预测跌但真涨: 119 (24.6%)

预测分布:
  预测上涨: 224 (46.3%)
  预测下跌: 260 (53.7%)
  实际上涨: 235 (48.6%)
  实际下跌: 249 (51.4%)
  偏差: -11个 (非常平衡)
```

## 🏗️ 项目结构

```
crypto_predictor/
├── data/
│   ├── fetcher.py              # Binance数据获取
│   ├── preprocessor.py         # 数据预处理
│   └── dataset.py              # PyTorch数据集
├── models/
│   ├── base.py                 # 基础模型类
│   ├── dlinear/
│   │   └── model.py            # DLinear模型实现
│   └── checkpoints/
│       └── dlinear_classification_2026/  # 最佳模型（53.10%）
│           ├── best_model.pt
│           ├── preprocessor.pkl
│           └── test_2026_results.json
├── training/
│   ├── trainer.py              # 训练器
│   ├── config.py               # 训练配置
│   └── evaluator.py            # 评估器
├── train_classification_full.py  # 分类任务训练脚本
├── test_2026_classification.py   # 2026年测试脚本
└── requirements.txt
```

## 🚀 快速开始

### 1. 环境准备

```bash
# 创建conda环境
conda create -n crypto_pred python=3.12
conda activate crypto_pred

# 安装依赖
pip install -r requirements.txt
```

### 2. 训练模型

```bash
# 使用2020-2025年数据训练分类模型
python train_classification_full.py
```

### 3. 测试模型

```bash
# 在2026年数据上测试
python test_2026_classification.py
```

## 📈 使用最佳模型进行预测

```python
import torch
import pickle
from data.fetcher import BinanceDataFetcher
from models.dlinear.model import DLinear

# 加载模型
device = torch.device('mps' if torch.backends.mps.is_available() else 'cpu')
checkpoint = torch.load('./models/checkpoints/dlinear_classification_2026/best_model.pt',
                       map_location=device)
model = DLinear(checkpoint['config'])
model.load_state_dict(checkpoint['model_state_dict'])
model.eval()

# 加载预处理器
with open('./models/checkpoints/dlinear_classification_2026/preprocessor.pkl', 'rb') as f:
    preprocessor = pickle.load(f)

# 获取最新数据并预测
fetcher = BinanceDataFetcher()
df = fetcher.fetch_ohlcv('BTC', '1h', use_cache=False)
X, y, _ = preprocessor.preprocess(df, fit=False)

# 预测
with torch.no_grad():
    logits = model(torch.FloatTensor(X[-1:]).to(device))
    prob = torch.sigmoid(logits).item()
    prediction = "上涨" if prob > 0.5 else "下跌"

print(f"预测: {prediction} (概率: {prob:.2%})")
```

## 🔬 实验历史

| 方案 | 任务类型 | 数据划分 | 准确率 | 主要问题 |
|------|---------|---------|--------|---------|
| 1 | 回归（收益率） | 95:5 | 50.23% | 接近随机 |
| 2 | 回归（收益率） | 直接2026 | 49.48% | 偏向预测上涨 |
| 3 | 回归（价格） | 直接2026 | 49.48% | MAPE 0.42% |
| 4 | 回归（价格） | 8:1:1 | 49.64% | 90%预测下跌 |
| **5** | **分类（涨跌）** | **全量训练** | **53.10%** ✅ | **预测平衡** |

## ⚠️ 注意事项

1. **53.10%准确率说明**：仅比随机猜测高3.1%，适合小仓位测试
2. **1小时预测的局限性**：价格变化接近随机游走，技术指标效果有限
3. **数据要求**：需要至少169小时的历史数据

## 📄 许可

MIT License