crypto_predictorandClaude Sonnet 4.5
9bbdc8d42b
🎯 项目成果： - 准确率: 53.10% (2026年测试集) - 任务类型: 二分类 (预测涨/跌) - 特征: OHLCV + RSI + MACD (9个特征) - 训练数据: 2020-2025年BTC小时数据 (52,351序列) - 测试数据: 2026年1-29日 (484序列) 📊 性能指标： - 精确率: 51.79% - 召回率: 49.36% - F1分数: 0.5054 - 预测分布: 非常平衡 (偏差仅-11个) 🔬 实验历史： - 尝试了5种方案 (回归/分类, 不同数据划分) - 分类任务优于回归任务 (53.10% vs 49.5%) - 全量训练避免了过拟合问题 📦 主要模型文件： - models/checkpoints/dlinear_classification_2026/ - best_model.pt (最佳模型) - preprocessor.pkl (预处理器) - test_2026_results.json (测试结果) Co-Authored-By: Claude Sonnet 4.5 <noreply@anthropic.com>
98 lines
2.6 KiB
Python
98 lines
2.6 KiB
Python
"""生成测试数据以便在无法连接Binance时使用"""
|
|
|
|
import pandas as pd
|
|
import numpy as np
|
|
from datetime import datetime, timedelta
|
|
from pathlib import Path
|
|
|
|
|
|
def generate_sample_data(
|
|
symbol: str = 'BTC',
|
|
timeframe: str = '1h',
|
|
num_days: int = 365
|
|
):
|
|
"""生成模拟的OHLCV数据用于测试
|
|
|
|
Args:
|
|
symbol: 币种符号
|
|
timeframe: 时间框架
|
|
num_days: 生成数据的天数
|
|
"""
|
|
# 计算数据点数量
|
|
if timeframe == '1h':
|
|
periods = num_days * 24
|
|
elif timeframe == '15m':
|
|
periods = num_days * 24 * 4
|
|
else:
|
|
periods = num_days * 24
|
|
|
|
# 生成时间戳
|
|
end_time = datetime.now()
|
|
start_time = end_time - timedelta(days=num_days)
|
|
|
|
if timeframe == '1h':
|
|
timestamps = pd.date_range(start=start_time, end=end_time, freq='h')
|
|
else: # 15m
|
|
timestamps = pd.date_range(start=start_time, end=end_time, freq='15min')
|
|
|
|
# 生成价格数据（随机游走）
|
|
base_price = {
|
|
'BTC': 45000,
|
|
'ETH': 2500,
|
|
'SOL': 100
|
|
}.get(symbol, 10000)
|
|
|
|
np.random.seed(42) # 固定种子以便复现
|
|
|
|
# 生成收益率
|
|
returns = np.random.normal(0.0001, 0.02, len(timestamps))
|
|
prices = base_price * np.exp(np.cumsum(returns))
|
|
|
|
# 生成OHLCV数据
|
|
data = []
|
|
for i, (ts, close) in enumerate(zip(timestamps, prices)):
|
|
# 生成高低价
|
|
volatility = close * 0.01
|
|
high = close + np.random.uniform(0, volatility)
|
|
low = close - np.random.uniform(0, volatility)
|
|
|
|
# 开盘价（前一个收盘价）
|
|
if i == 0:
|
|
open_price = close
|
|
else:
|
|
open_price = prices[i-1]
|
|
|
|
# 成交量
|
|
volume = np.random.uniform(1000, 10000)
|
|
|
|
data.append({
|
|
'timestamp': ts,
|
|
'open': open_price,
|
|
'high': high,
|
|
'low': low,
|
|
'close': close,
|
|
'volume': volume
|
|
})
|
|
|
|
df = pd.DataFrame(data)
|
|
|
|
# 保存到缓存
|
|
cache_dir = Path('./data/cache')
|
|
cache_dir.mkdir(parents=True, exist_ok=True)
|
|
|
|
cache_file = cache_dir / f"{symbol}_{timeframe}_1y_now.csv"
|
|
df.to_csv(cache_file, index=False)
|
|
|
|
print(f"✓ 已生成 {len(df)} 行模拟数据并保存到：{cache_file}")
|
|
return df
|
|
|
|
|
|
if __name__ == "__main__":
|
|
# 生成BTC、ETH、SOL的测试数据
|
|
for symbol in ['BTC', 'ETH', 'SOL']:
|
|
for timeframe in ['1h', '15m']:
|
|
print(f"\n生成 {symbol} {timeframe} 数据...")
|
|
generate_sample_data(symbol, timeframe)
|
|
|
|
print("\n✓ 所有测试数据已生成！")
|