ianzeng123
স্থির ওজন থেকে নিউরাল নেটওয়ার্ক: পাইন কৌশলের একটি মেশিন লার্নিং রূপান্তর অনুশীলন
2
533
পাইনের একটি আকর্ষণীয় কৌশলে হোঁচট খেয়েছি
কয়েকদিন আগে, আমি ইনভেন্টর ফোরামে কৌশলগুলি ব্রাউজ করছিলাম এবং একটি পোস্ট দেখলাম যার নাম ছিলPanel Pro+ Quantum SmartPromptকোডটি পর্যালোচনা করার পর, আমার কাছে অন্তর্নিহিত ধারণাটি বেশ আকর্ষণীয় মনে হয়েছে: এটি ১০টি প্রযুক্তিগত সূচক ব্যবহার করে, বাজারের অবস্থার উপর ভিত্তি করে প্রতিটি সূচককে আলাদা আলাদা ওজন নির্ধারণ করে এবং শেষ পর্যন্ত ক্রয়-বিক্রয়ের সিদ্ধান্ত নির্ধারণের জন্য একটি স্কোর গণনা করে। উদাহরণস্বরূপ, একটি বুল মার্কেটে, ট্রেন্ড সূচকের ওজন ২.০ এবং RSI এর ওজন ১.৫; একটি বিয়ার মার্কেটে, ওজন ভিন্ন। মনে হচ্ছে এটি মানুষের চিন্তাভাবনা অনুকরণ করছে: বিভিন্ন পরিস্থিতিতে বিভিন্ন জিনিসের উপর মনোযোগ দেওয়া।
যদি আপনি এটি সম্পর্কে সাবধানে চিন্তা করেন, তাহলে এই কাঠামোটি দেখতে অনেকটা নিউরাল নেটওয়ার্কের মতো:
- ইনপুট করার সময় ১০টি প্রযুক্তিগত সূচক
- লুকানো স্তরের মতো বাজারের অবস্থা শ্রেণীবিভাগ
- ওজন ম্যাট্রিক্স হল সংযোগের ওজন
- অবশেষে একটি স্কোর আউটপুট করুন
কিন্তু সমস্যা হল যে সমস্ত ওজন হার্ডকোডেড, উদাহরণস্বরূপ:
if marketType == "Bull"
array.set(weights, 0, 2.0) // 趋势权重固定是2.0
array.set(weights, 1, 1.5) // RSI权重固定是1.5
এই সংখ্যাগুলি লেখক সম্পূর্ণরূপে বাজার অভিজ্ঞতার ভিত্তিতে স্থির করেছেন এবং কোনওভাবেই অধ্যয়ন বা অপ্টিমাইজ করা হয়নি।
ধারণা: ওজন শেখার উপযোগী করে তুলুন
যেহেতু কাঠামোটি ইতিমধ্যেই একটি নিউরাল নেটওয়ার্কের মতো, তাহলে কেন এটিকে আসলে শেখার জন্য সক্ষম করা হবে না?
আমার ধারণা সহজ:
- মূল ওজন গণনা পদ্ধতিটি রাখুন এবং “ওজন স্কোর” পান
- এই ওয়েটেড স্কোরকে ইনপুট হিসেবে ব্যবহার করে, একটি ছোট নিউরাল নেটওয়ার্ককে প্রশিক্ষণ দিন
- ওয়েটেড স্কোর থেকে ভবিষ্যতের রিটার্ন ভবিষ্যদ্বাণী করতে নেটওয়ার্ককে শিখতে দিন
- পূর্বাভাসিত রিটার্নের হারের উপর ভিত্তি করে একটি পজিশন খোলা হবে কিনা তা সিদ্ধান্ত নিন।
এটি কেবল মূল কৌশলটিই ধরে রাখে না বরং শেখার ক্ষমতাও বৃদ্ধি করে।
উদ্ভাবক প্ল্যাটফর্মে শুরু করুন
ইনভেন্টর প্ল্যাটফর্মটি মূলত এই কারণে বেছে নেওয়া হয়েছে যে এটি পাইথন সমর্থন করে এবং এতে প্রচুর ডেটা থাকে।
ধাপ ১: প্রযুক্তিগত সূচকগুলি পুনর্লিখন করুন
আমি পাইথনের পাইন স্ক্রিপ্টে সমস্ত সূচক পুনর্লিখন করেছি, সঠিক গণনা নিশ্চিত করার জন্য তালিব লাইব্রেরি ব্যবহার করে। এর মধ্যে রয়েছে EMA, MACD, RSI, এবং ATR এর মতো সাধারণ সূচক, সেইসাথে ভলিউম বিশ্লেষণ এবং সহজ ক্যান্ডেলস্টিক প্যাটার্ন স্বীকৃতি।
ধাপ ২: বাজারের অবস্থা সনাক্তকরণ
মূল কৌশলের যুক্তি অনুসরণ করে, বাজারের ধরণ নির্ধারণ করা হয় বিভিন্ন সূচকের সংমিশ্রণের উপর ভিত্তি করে: ষাঁড়, ভালুক, ঈগল, নেকড়ে, ইত্যাদি। এই অংশটি মূলত যদি-অন্যথায় যুক্তির সংমিশ্রণ।
ধাপ ৩: ওজন স্কোর গণনা
এটি মূল অংশ। আমি দুটি ওজন সেট করেছি:
- মৌলিক ওজন:[2.0, 1.5, 2.0, 1.3, 1.2, …]
- বাজারের ওজন: বিভিন্ন বাজারের অবস্থা অনুসারে সমন্বয় করা হয়েছে
চূড়ান্ত ওজন = ভিত্তি ওজন × বাজার ওজন
এই ওজনটি তারপর ১০টি সূচকের মূল স্কোর ওজন করার জন্য ব্যবহার করা হয় এবং “ওজনযুক্ত স্কোর” পাওয়ার জন্য তাদের যোগফল তৈরি করা হয়।
ধাপ ৪: নিউরাল নেটওয়ার্ক প্রেডিক্টর
আমি খুব সহজ একটা নেটওয়ার্ক লিখেছি:
- ইনপুট: ১টি বৈশিষ্ট্য (ওয়েটেড স্কোর)
- লুকানো স্তর: 16 নিউরন, ReLU সক্রিয়করণ
- আউটপুট: পূর্বাভাসিত রিটার্ন হার, tanh ব্যবহার করে ±5% পর্যন্ত সীমাবদ্ধ
প্রশিক্ষণের উদ্দেশ্য: t-1 সময়ে ওজন স্কোর ব্যবহার করে t সময়ে মূল্য পরিবর্তনের পূর্বাভাস দিন।
ধাপ ৫: লেনদেনের যুক্তি
রেটিং এর উপর ভিত্তি করে সরাসরি ক্রয় বা বিক্রয় করার পরিবর্তে, আমরা পূর্বাভাসিত রিটার্নের হার দেখি:
- পূর্বাভাসিত রিটার্নের হার > ১.৫%: লং পজিশন খুলুন অথবা শর্ট পজিশন বন্ধ করুন
- পূর্বাভাসিত রিটার্ন হার <-১.৫%: একটি সংক্ষিপ্ত অবস্থান খুলুন অথবা একটি দীর্ঘ অবস্থান বন্ধ করুন
- অন্যান্য পরিস্থিতি: স্থিতাবস্থা বজায় রাখা
একই সাথে, ঝুঁকি নিয়ন্ত্রণযোগ্য তা নিশ্চিত করার জন্য স্টপ-প্রফিট এবং স্টপ-লস বজায় রাখুন।
প্রকৃত পরিচালনা সম্পর্কে কিছু পর্যবেক্ষণ
তথ্য সংগ্রহ
কৌশলটি সাধারণত প্রশিক্ষণের তথ্য সংগ্রহ করতে পারে। প্রতিবার যখনই একটি নতুন ক্যান্ডেলস্টিক প্রদর্শিত হয়, পূর্ববর্তী ক্যান্ডেলস্টিকের ওজন স্কোর একটি বৈশিষ্ট্য হিসাবে ব্যবহৃত হয়, এবং পূর্ববর্তীটির তুলনায় বর্তমান ক্যান্ডেলস্টিকের বৃদ্ধি বা হ্রাস একটি লেবেল হিসাবে ব্যবহৃত হয়।
তথ্যটি সম্ভবত এরকম:
权重评分=15.6, 收益率=+0.8%
权重评分=-8.2, 收益率=-1.2%
权重评分=22.1, 收益率=+0.3%
মডেল প্রশিক্ষণ
নিউরাল নেটওয়ার্ক স্বাভাবিকভাবে প্রশিক্ষিত করা যেতে পারে, এবং MSE ক্ষতি ধীরে ধীরে হ্রাস পাবে। মডেলটি বাজারের পরিবর্তনের সাথে খাপ খাইয়ে নিতে পারে তা নিশ্চিত করার জন্য প্রতি 4 ঘন্টা অন্তর পুনরায় প্রশিক্ষণের জন্য এটি সেট করুন।
ভবিষ্যদ্বাণীর প্রভাব
মডেলের ভবিষ্যদ্বাণীগুলির প্রকৃত রিটার্নের সাথে একটি নির্দিষ্ট সম্পর্ক রয়েছে, তবে এটি বিশেষভাবে শক্তিশালী নয়।
- একটি মাত্র বৈশিষ্ট্য খুবই সহজ এবং এতে পর্যাপ্ত তথ্য নাও থাকতে পারে
- স্বল্পমেয়াদী মূল্যের ওঠানামা অত্যন্ত এলোমেলো।
- চুক্তির বাজার বেশ কোলাহলপূর্ণ।
ট্রেডিং পারফর্মেন্স
স্টপ-লস এবং টেক-প্রফিট সুরক্ষার কারণে একক লেনদেনের ঝুঁকি ভালোভাবে নিয়ন্ত্রিত হয়। তবে, সামগ্রিক লাভজনকতা গড়, মূলত উচ্চ পূর্বাভাসের নির্ভুলতার অভাবের কারণে।
কিছু সমস্যার সম্মুখীন হয়েছেন
বৈশিষ্ট্যগুলি খুব সহজএকটি একক বৈশিষ্ট্যের স্কোর করার জন্য শুধুমাত্র ওজন ব্যবহার করা একটু সরল। বাজার এত জটিল যে একটি একক সংখ্যা সম্পূর্ণরূপে ধরা কঠিন।
অস্থির নমুনার মান: চুক্তির দাম স্বল্পমেয়াদে ব্যাপকভাবে ওঠানামা করে এবং অনেক ক্ষেত্রে উত্থান-পতন আসলে এলোমেলো হয়, যা প্রশিক্ষণ নমুনার মানকে অস্থির করে তোলে।
অতিরিক্ত ফিট হওয়ার ঝুঁকি: যদিও নেটওয়ার্কটি সহজ, তবুও নমুনার আকার সীমিত থাকলে এটি অতিরিক্ত ফিট হতে পারে।
রিয়েল-টাইম প্রয়োজনীয়তা: অনলাইন শেখার জন্য প্রশিক্ষণের সময় এবং রিয়েল-টাইম পারফরম্যান্সের মধ্যে ভারসাম্য প্রয়োজন।
সীমিত সময় এবং অপর্যাপ্ত অপ্টিমাইজেশন
এখনও অনেক ক্ষেত্র আছে যেখানে এই কৌশলটি উন্নত করা যেতে পারে, কিন্তু সময় এবং শক্তি সীমিত, তাই আমরা এটিকে গভীরভাবে অপ্টিমাইজ করতে পারছি না:
ফিচার: আপনি আরও প্রযুক্তিগত সূচক যোগ করতে পারেন, অথবা মূল্য সিরিজের পরিসংখ্যানগত বৈশিষ্ট্য ব্যবহার করতে পারেন।
মডেল: আপনি LSTM এর মতো একটি সিকোয়েন্স মডেল চেষ্টা করতে পারেন, অথবা একাধিক মডেল একীভূত করতে পারেন।
উপাত্ত: নমুনার মান উন্নত করুন এবং ডেটা পরিষ্কারের পরিমাণ বৃদ্ধি করুন।
বায়ু নিয়ন্ত্রণ: গতিশীল স্টপ লস উন্নত করুন এবং অবস্থান ব্যবস্থাপনা অপ্টিমাইজ করুন।
লাভ এবং চিন্তাভাবনা
এই অন্বেষণ আমাকে একটা শিক্ষা দিয়েছে: ভালো আইডিয়ার মূল চাবিকাঠি হলো সময়োপযোগী বাস্তবায়ন! পাইন স্ক্রিপ্টে ওয়েট ম্যাট্রিক্স ডিজাইন দেখে আমি তৎক্ষণাৎ নিউরাল নেটওয়ার্ক দিয়ে এটি উন্নত করার সম্ভাবনার কথা ভাবলাম। যদি আমি এটা নিয়ে ভাবতাম অথবা স্থগিত রাখতাম, তাহলে ধারণাটি সম্ভবত ভুলে যেত। সৌভাগ্যবশত, ইনভেন্টর প্ল্যাটফর্ম একটি পাইথন পরিবেশ এবং ডেটা ইন্টারফেস প্রদান করেছে, যা আমাকে দ্রুত আমার আইডিয়াকে রানেবল কোডে রূপান্তরিত করার সুযোগ করে দেয়। আইডিয়া তৈরি থেকে শুরু করে মৌলিক বাস্তবায়ন পর্যন্ত, এটি মাত্র একদিন সময় নিয়েছিল। যদিও চূড়ান্ত কৌশলগত কর্মক্ষমতা মাঝারি ছিল, প্রকৃত বাস্তবায়ন অন্তত ধারণাটির সম্ভাব্যতা যাচাই করেছে। আরও গুরুত্বপূর্ণ বিষয় হল, বাস্তবায়ন প্রক্রিয়াটি নতুন ধারণা এবং পরিমার্জন তৈরি করেছে। তাৎক্ষণিক পদক্ষেপ না নিলে, পরবর্তী আবিষ্কার এবং অন্তর্দৃষ্টি অসম্ভব হত। কাগজে ধারণা সম্পর্কে কথা বলা কখনই কোড লেখা, ডেটা চালানো এবং ফলাফল পর্যবেক্ষণের বাস্তব অভিজ্ঞতার সাথে তুলনা করা যায় না। এটিই পরিমাণগত ট্রেডিংয়ের প্রকৃতি। অনেক ধারণা আছে, কিন্তু সত্যিকার অর্থে মূল্যবান ধারণাগুলি হল সেগুলি যা দ্রুত বাস্তবায়িত এবং যাচাই করা হয়।
”`py “‘backtest start: 2025-07-31 00:00:00 end: 2025-08-07 00:00:00 period: 1h basePeriod: 5m exchanges: [{“eid”:“Futures_Binance”,“currency”:“ETH_USDT”,“balance”:5000000,“fee”:[0.01,0.01]}] “’
import numpy as np from collections import deque import talib as TA
========== 异常类 ==========
class Error_noSupport(BaseException): def init(self): Log(“只支持期货交易！#FF0000”)
class Error_AtBeginHasPosition(BaseException): def init(self): Log(“启动时有期货持仓! #FF0000”)
========== 收益率预测神经网络 ==========
class ReturnPredictor: def init(self, input_size=10, hidden_size=20, output_size=1): “”“收益率预测网络: X[t] -> yt+1”“” self.W1 = np.random.randn(input_size, hidden_size) * 0.1 self.b1 = np.zeros((1, hidden_size)) self.W2 = np.random.randn(hidden_size, output_size) * 0.1 self.b2 = np.zeros((1, output_size)) self.learning_rate = 0.001
def sigmoid(self, x):
return 1 / (1 + np.exp(-np.clip(x, -250, 250)))
def tanh(self, x):
return np.tanh(x)
def forward(self, X):
self.z1 = np.dot(X, self.W1) + self.b1
self.a1 = self.sigmoid(self.z1)
self.z2 = np.dot(self.a1, self.W2) + self.b2
# 输出预测收益率，使用tanh限制在合理范围
self.a2 = self.tanh(self.z2) * 0.1 # 限制在±10%范围内
return self.a2
def backward(self, X, y, output):
m = X.shape[0]
# MSE损失的梯度
dZ2 = (output - y) / m
# tanh的导数
tanh_derivative = 1 - (output / 0.1) ** 2
dZ2 = dZ2 * 0.1 * tanh_derivative
dW2 = np.dot(self.a1.T, dZ2)
db2 = np.sum(dZ2, axis=0, keepdims=True)
dA1 = np.dot(dZ2, self.W2.T)
dZ1 = dA1 * self.a1 * (1 - self.a1) # sigmoid导数
dW1 = np.dot(X.T, dZ1)
db1 = np.sum(dZ1, axis=0, keepdims=True)
# 更新权重
self.W2 -= self.learning_rate * dW2
self.b2 -= self.learning_rate * db2
self.W1 -= self.learning_rate * dW1
self.b1 -= self.learning_rate * db1
def train(self, X, y, epochs=100):
for i in range(epochs):
output = self.forward(X)
self.backward(X, y, output)
if i % 20 == 0:
loss = np.mean((output - y) ** 2)
Log(f"收益率预测训练轮次 {i}, MSE损失: {loss:.6f}")
def predict(self, X):
return self.forward(X)
========== 技术指标计算类 ==========
class TechnicalIndicators: @staticmethod def calculate_indicators(records, use_completed_only=True): “”“计算技术指标和特征”“” if len(records) < 55: return None, None
# 只使用已完成的K线数据
if use_completed_only and len(records) > 1:
working_records = records[:-1]
else:
working_records = records
if len(working_records) < 55:
return None, None
closes = np.array([r['Close'] for r in working_records])
highs = np.array([r['High'] for r in working_records])
lows = np.array([r['Low'] for r in working_records])
volumes = np.array([r['Volume'] for r in working_records])
opens = np.array([r['Open'] for r in working_records])
try:
# 基础指标
ema_55 = TA.EMA(closes, timeperiod=55)
sma_vol20 = TA.SMA(volumes, timeperiod=20)
macd, signal_line, _ = TA.MACD(closes)
rsi_val = TA.RSI(closes, timeperiod=14)
atr14 = TA.ATR(highs, lows, closes, timeperiod=14)
range20 = TA.STDDEV(closes, timeperiod=20)
# 计算派生指标
sma_atr20 = TA.SMA(atr14, timeperiod=20)
sma_range20 = TA.SMA(range20, timeperiod=20)
rvol = volumes / sma_vol20 if sma_vol20[-1] > 0 else np.ones_like(volumes)
delta = closes - opens
# 计算量能阈值
vol_abs_thresh = sma_vol20 * 1.2
sniper_thresh = np.percentile(volumes[-40:], 80) if len(volumes) >= 40 else sma_vol20[-1]
# 趋势
trend = np.where(closes > ema_55, 1, np.where(closes < ema_55, -1, 0))
# 简化K线形态
body_size = np.abs(closes - opens)
total_range = highs - lows
# 锤子线
is_hammer = ((total_range > 3 * body_size) &
((closes - lows) / (total_range + 0.001) > 0.6) &
((opens - lows) / (total_range + 0.001) > 0.6))
# 吞噬形态
is_engulfing = np.zeros_like(closes, dtype=bool)
if len(closes) >= 2:
is_engulfing[1:] = ((closes[1:] > opens[:-1]) &
(opens[1:] < closes[:-1]) &
(closes[1:] > opens[1:]) &
(opens[1:] < closes[1:]))
pattern = np.where(is_hammer, 1, np.where(is_engulfing, 2, 0))
# 🔥 计算标准化特征向量（用于神经网络输入）
features = []
# 1. 趋势特征
if len(ema_55) > 0 and not np.isnan(ema_55[-1]):
trend_feature = (closes[-1] - ema_55[-1]) / ema_55[-1]
features.append(np.tanh(trend_feature * 100))
else:
features.append(0)
# 2. RSI特征
if len(rsi_val) > 0 and not np.isnan(rsi_val[-1]):
rsi_feature = (rsi_val[-1] - 50) / 50
features.append(rsi_feature)
else:
features.append(0)
# 3. MACD特征
if len(macd) > 0 and not np.isnan(macd[-1]) and not np.isnan(signal_line[-1]):
macd_feature = (macd[-1] - signal_line[-1]) / closes[-1] if closes[-1] > 0 else 0
features.append(np.tanh(macd_feature * 1000))
else:
features.append(0)
# 4. 成交量特征
if len(vol_abs_thresh) > 0 and vol_abs_thresh[-1] > 0:
vol_feature = volumes[-1] / vol_abs_thresh[-1] - 1
features.append(np.tanh(vol_feature))
else:
features.append(0)
# 5. 相对成交量特征
if len(rvol) > 0 and not np.isnan(rvol[-1]):
rvol_feature = rvol[-1] - 1
features.append(np.tanh(rvol_feature))
else:
features.append(0)
# 6. Delta特征
if len(delta) > 0 and not np.isnan(delta[-1]) and closes[-1] > 0:
delta_feature = delta[-1] / closes[-1]
features.append(np.tanh(delta_feature * 100))
else:
features.append(0)
# 7. ATR特征
if len(atr14) > 0 and len(sma_atr20) > 0 and sma_atr20[-1] > 0:
atr_feature = atr14[-1] / sma_atr20[-1] - 1
features.append(np.tanh(atr_feature))
else:
features.append(0)
# 8. Blocks特征
if len(volumes) >= 10:
highest_vol = np.max(volumes[-10:])
blocks_feature = volumes[-1] / highest_vol - 0.8 if highest_vol > 0 else 0
features.append(np.tanh(blocks_feature * 5))
else:
features.append(0)
# 9. Tick特征
if len(sma_vol20) > 0 and sma_vol20[-1] > 0:
tick_feature = volumes[-1] / sma_vol20[-1] - 1
features.append(np.tanh(tick_feature))
else:
features.append(0)
# 10. 形态特征
pattern_feature = pattern[-1] / 2.0 if len(pattern) > 0 else 0
features.append(pattern_feature)
# 确保特征数量正确
while len(features) < 10:
features.append(0)
features = np.array(features[:10]).reshape(1, -1)
indicators = {
'ema_55': ema_55,
'sma_vol20': sma_vol20,
'macd': macd,
'signal_line': signal_line,
'rsi_val': rsi_val,
'atr14': atr14,
'range20': range20,
'sma_atr20': sma_atr20,
'sma_range20': sma_range20,
'rvol': rvol,
'delta': delta,
'vol_abs_thresh': vol_abs_thresh,
'sniper_thresh': sniper_thresh,
'trend': trend,
'pattern': pattern,
'volumes': volumes,
'closes': closes,
'highs': highs,
'lows': lows
}
return indicators, features
except Exception as e:
Log(f"计算技术指标异常: {str(e)}")
return None, None
========== 市场状态检测类 ==========
class MarketStateDetector: @staticmethod def detect_market_type(indicators): “”“检测市场状态”“” if indicators is None: return “Unknown”
try:
# 获取最新值
close = indicators['closes'][-1]
ema_55 = indicators['ema_55'][-1]
macd = indicators['macd'][-1]
signal_line = indicators['signal_line'][-1]
rsi_val = indicators['rsi_val'][-1]
atr14 = indicators['atr14'][-1]
volume = indicators['volumes'][-1]
sma_vol20 = indicators['sma_vol20'][-1]
sma_atr20 = indicators['sma_atr20'][-1]
range20 = indicators['range20'][-1]
sma_range20 = indicators['sma_range20'][-1]
rvol = indicators['rvol'][-1]
delta = indicators['delta'][-1]
# 检查有效性
if (np.isnan(ema_55) or np.isnan(macd) or np.isnan(signal_line) or
np.isnan(rsi_val) or np.isnan(atr14) or np.isnan(sma_atr20)):
return "Unknown"
# 市场类型判断
is_bull = (close > ema_55 and macd > signal_line and rsi_val > 50 and rvol > 1)
is_bear = (close < ema_55 and macd < signal_line and rsi_val < 50 and volume > sma_vol20)
is_sideways = (abs(close - ema_55) < atr14 * 0.5 and atr14 < sma_atr20)
is_volatile = (atr14 > sma_atr20 * 1.2)
# 需要历史数据的判断
if len(indicators['closes']) >= 2:
price_change = indicators['closes'][-1] - indicators['closes'][-2]
is_momentum = (price_change > atr14 * 1.5 and volume > sma_vol20 * 1.5)
is_wolf = (price_change < -atr14 and close < ema_55)
else:
is_momentum = False
is_wolf = False
is_mean_rev = (rsi_val > 70 or rsi_val < 30)
is_box = (is_sideways and range20 < sma_range20 * 0.8)
is_macro = (abs(delta) > atr14 * 2) if not np.isnan(delta) else False
is_eagle = (is_bull and atr14 < sma_atr20 * 0.8)
# 优先级判断
if is_eagle:
return "Eagle"
elif is_bull:
return "Bull"
elif is_wolf:
return "Wolf"
elif is_bear:
return "Bear"
elif is_box:
return "Box"
elif is_sideways:
return "Sideways"
elif is_volatile:
return "Volatile"
elif is_momentum:
return "Momentum"
elif is_mean_rev:
return "MeanRev"
elif is_macro:
return "Macro"
else:
return "Unknown"
except Exception as e:
Log(f"市场状态检测异常: {str(e)}")
return "Unknown"
========== 动态权重生成器 ==========
class DynamicWeightGenerator: @staticmethod def generate_weights_from_predicted_return(predicted_return, market_type): “”“根据预测收益率和市场状态生成动态权重”“”
# 基础权重矩阵（不同市场类型）
base_weights_matrix = {
"Bull": [2.0, 1.5, 2.0, 1.3, 1.2, 1.0, 1.2, 1.0, 1.0, 1.0],
"Bear": [2.0, 1.5, 2.0, 1.5, 1.3, 1.1, 1.2, 1.1, 1.0, 1.0],
"Eagle": [2.2, 1.4, 2.1, 1.2, 1.3, 1.1, 1.1, 1.0, 1.0, 1.1],
"Wolf": [1.8, 1.6, 1.8, 1.6, 1.2, 1.0, 1.3, 1.2, 1.0, 0.9],
"Momentum": [1.5, 1.2, 1.8, 2.0, 2.0, 1.5, 1.5, 1.3, 1.2, 1.0],
"Sideways": [1.0, 1.4, 1.0, 0.8, 0.7, 1.0, 0.9, 0.8, 1.0, 1.3],
"Volatile": [1.2, 1.5, 1.3, 1.6, 1.8, 1.2, 1.4, 1.3, 1.4, 1.0],
}
base_weights = base_weights_matrix.get(market_type, [1.0] * 10)
# 🔥 根据预测收益率动态调整权重
adjustment_factors = [1.0] * 10
# 预测收益率的强度
return_strength = abs(predicted_return)
return_direction = 1 if predicted_return > 0 else -1
if return_strength > 0.02: # 强预测信号 > 2%
if return_direction > 0: # 预测上涨
adjustment_factors[0] *= 1.3 # 增强趋势权重
adjustment_factors[2] *= 1.2 # 增强MACD权重
adjustment_factors[4] *= 1.15 # 增强相对成交量权重
adjustment_factors[1] *= 0.9 # 降低RSI权重
else: # 预测下跌
adjustment_factors[1] *= 1.3 # 增强RSI权重
adjustment_factors[3] *= 1.2 # 增强成交量权重
adjustment_factors[0] *= 0.9 # 降低趋势权重
elif return_strength > 0.01: # 中等预测信号 1%-2%
if return_direction > 0:
adjustment_factors[0] *= 1.15
adjustment_factors[2] *= 1.1
else:
adjustment_factors[1] *= 1.15
adjustment_factors[3] *= 1.1
# 波动性调整
if return_strength > 0.03: # 高波动预期 > 3%
adjustment_factors[4] *= 1.2 # 增强相对成交量权重
adjustment_factors[6] *= 1.15 # 增强sniper权重
adjustment_factors[7] *= 1.1 # 增强blocks权重
# 生成最终动态权重
dynamic_weights = [base_weights[i] * adjustment_factors[i] for i in range(10)]
# 权重标准化（可选）
# total_weight = sum(dynamic_weights)
# dynamic_weights = [w / total_weight * 10 for w in dynamic_weights]
return dynamic_weights
========== 智能得分计算系统 ==========
class SmartScoringSystem: def init(self): self.return_predictor = ReturnPredictor() self.weight_generator = DynamicWeightGenerator() self.is_model_trained = False
def calculate_score(self, indicators, market_type, features=None):
"""计算交易得分（使用预测收益率的动态权重）"""
if indicators is None:
return 50.0
try:
# 🔥 核心逻辑：使用当前指标预测下期收益率
if self.is_model_trained and features is not None:
predicted_return = self.return_predictor.predict(features)[0, 0]
else:
predicted_return = 0.0
Log(f"📊 使用基础权重计算")
# 根据预测收益率生成动态权重
dynamic_weights = self.weight_generator.generate_weights_from_predicted_return(
predicted_return, market_type)
# 获取最新指标值
trend = indicators['trend'][-1]
rsi_val = indicators['rsi_val'][-1]
macd = indicators['macd'][-1]
signal_line = indicators['signal_line'][-1]
volume = indicators['volumes'][-1]
vol_abs_thresh = indicators['vol_abs_thresh'][-1]
sma_vol20 = indicators['sma_vol20'][-1]
rvol = indicators['rvol'][-1]
delta = indicators['delta'][-1]
sniper_thresh = indicators['sniper_thresh']
pattern = indicators['pattern'][-1]
# 计算各项得分
base_score = 0.0
# 1. 趋势得分
trend_score = 20 if trend == 1 else (-20 if trend == -1 else 0)
base_score += trend_score * dynamic_weights[0]
# 2. RSI得分
rsi_score = -10 if rsi_val > 70 else (10 if rsi_val < 30 else 0)
base_score += rsi_score * dynamic_weights[1]
# 3. MACD得分
macd_score = 10 if macd > signal_line else -10
base_score += macd_score * dynamic_weights[2]
# 4. 成交量得分
vol_score = 8 if volume > vol_abs_thresh else (-8 if volume < sma_vol20 else 0)
base_score += vol_score * dynamic_weights[3]
# 5. 相对成交量得分
rvol_score = 7 if rvol > 1.5 else (-7 if rvol < 0.8 else 0)
base_score += rvol_score * dynamic_weights[4]
# 6. Delta得分
delta_score = 6 if delta > 0 else -6
base_score += delta_score * dynamic_weights[5]
# 7. Sniper得分
sniper_score = 8 if volume > sniper_thresh else (-8 if volume < sma_vol20 else 0)
base_score += sniper_score * dynamic_weights[6]
# 8. Blocks得分
if len(indicators['volumes']) >= 10:
highest_vol = np.max(indicators['volumes'][-10:])
blocks_score = 5 if volume > highest_vol * 0.8 else (-5 if volume < sma_vol20 else 0)
else:
blocks_score = 0
base_score += blocks_score * dynamic_weights[7]
# 9. Tick得分
tick_score = 5 if volume > sma_vol20 else -5
base_score += tick_score * dynamic_weights[8]
# 10. 形态得分
pattern_score = 7 if pattern == 1 else (5 if pattern == 2 else 0)
base_score += pattern_score * dynamic_weights[9]
# 转换为百分比得分
score_pct = max(0, min(100, 50 + base_score))
return score_pct
except Exception as e:
Log(f"得分计算异常: {str(e)}")
return 50.0
def train_return_predictor(self, X, y):
"""训练收益率预测器"""
if len(X) < 20:
Log("训练数据不足，跳过收益率预测器训练")
return False
X_array = np.array(X)
y_array = np.array(y).reshape(-1, 1)
Log(f"🧠 开始训练收益率预测器，样本数: {len(X_array)}")
Log(f"📊 收益率范围: [{np.min(y_array)*100:.3f}%, {np.max(y_array)*100:.3f}%]")
self.return_predictor.train(X_array, y_array, epochs=100)
self.is_model_trained = True
# 验证模型预测效果
predictions = self.return_predictor.predict(X_array)
mse = np.mean((predictions - y_array) ** 2)
correlation = np.corrcoef(predictions.flatten(), y_array.flatten())[0, 1]
Log(f"✅ 收益率预测器训练完成")
Log(f"📈 MSE: {mse:.6f}, 相关系数: {correlation:.4f}")
return True
========== 动态参数管理器 ==========
class DynamicParameterManager: def init(self): self.market_params = { “Bull”: {“stop_loss”: 0.02, “take_profit”: 0.05}, “Bear”: {“stop_loss”: 0.02, “take_profit”: 0.05}, “Eagle”: {“stop_loss”: 0.015, “take_profit”: 0.06}, “Wolf”: {“stop_loss”: 0.025, “take_profit”: 0.04}, “Momentum”: {“stop_loss”: 0.025, “take_profit”: 0.06}, “Sideways”: {“stop_loss”: 0.01, “take_profit”: 0.02}, “Volatile”: {“stop_loss”: 0.03, “take_profit”: 0.07}, “Unknown”: {“stop_loss”: 0.02, “take_profit”: 0.03} }
def get_params(self, market_type):
return self.market_params.get(market_type, self.market_params["Unknown"])
========== 主策略类 ==========
class PredictiveNeuralTradingStrategy: def init(self): self.data_buffer = deque(maxlen=200) self.feature_buffer = deque(maxlen=100) self.label_buffer = deque(maxlen=100) # 存储收益率标签 self.scoring_system = SmartScoringSystem() self.param_manager = DynamicParameterManager()
# 训练控制
self.last_retrain_time = 0
self.retrain_interval = 3600 * 6 # 6小时重新训练
self.min_train_samples = 30
# 交易状态
self.POSITION_NONE = 0
self.POSITION_LONG = 1
self.POSITION_SHORT = 2
self.position_state = self.POSITION_NONE
# 交易记录
self.open_price = 0
self.counter = {'win': 0, 'loss': 0}
# K线数据管理
self.last_processed_time = 0
def get_current_position(self):
"""获取当前期货持仓状态"""
try:
positions = exchange.GetPosition()
if not positions:
return self.POSITION_NONE, 0
long_amount = 0
short_amount = 0
for pos in positions:
amount = pos.get('Amount', 0)
pos_type = pos.get('Type', -1)
if amount > 0:
if pos_type == 0: # 多仓
long_amount += amount
elif pos_type == 1: # 空仓
short_amount += amount
net_position = long_amount - short_amount
if net_position > 0:
return self.POSITION_LONG, net_position
elif net_position < 0:
return self.POSITION_SHORT, abs(net_position)
else:
return self.POSITION_NONE, 0
except Exception as e:
Log(f"获取持仓异常: {str(e)}")
return self.POSITION_NONE, 0
def collect_data(self, records):
"""收集数据并生成训练样本"""
if not records or len(records) < 55:
return False
# 检查是否有新的已完成K线
if len(records) > 1:
latest_completed = records[-2]
current_time = latest_completed['Time']
# 如果这根K线已经处理过，跳过
if current_time <= self.last_processed_time:
return False
self.last_processed_time = current_time
# 添加已完成的K线到缓冲区
completed_records = records[:-1] if len(records) > 1 else []
if completed_records:
self.data_buffer.extend(completed_records[-5:])
# 🔥 生成训练样本：X[t] -> y[t+1]
if len(self.data_buffer) >= 2:
# 使用倒数第二条记录作为特征，最后一条记录计算收益率标签
buffer_list = list(self.data_buffer)
# 计算t-1时刻的指标作为特征
feature_records = buffer_list[:-1] if len(buffer_list) > 1 else buffer_list
indicators, features = TechnicalIndicators.calculate_indicators(
feature_records, use_completed_only=False)
if indicators is not None and features is not None:
# 计算t时刻相对于t-1时刻的收益率作为标签
if len(buffer_list) >= 2:
current_close = buffer_list[-1]['Close']
previous_close = buffer_list[-2]['Close']
if previous_close > 0:
return_rate = (current_close - previous_close) / previous_close
# 添加到训练集
self.feature_buffer.append(features[0])
self.label_buffer.append(return_rate)
Log(f"📈 新样本: 收益率={return_rate*100:.3f}%, 特征维度={features.shape}")
return True
def should_retrain(self):
"""判断是否需要重新训练"""
import time
current_time = time.time()
return (current_time - self.last_retrain_time > self.retrain_interval and
len(self.feature_buffer) >= self.min_train_samples)
def train_model(self):
"""训练收益率预测器"""
if len(self.feature_buffer) < self.min_train_samples:
Log("训练数据不足，跳过训练")
return False
X = list(self.feature_buffer)
y = list(self.label_buffer)
success = self.scoring_system.train_return_predictor(X, y)
if success:
import time
self.last_retrain_time = time.time()
return success
def get_trading_signals(self, records):
"""获取交易信号"""
# 计算当前时刻的技术指标
indicators, features = TechnicalIndicators.calculate_indicators(
list(self.data_buffer), use_completed_only=False)
if indicators is None:
return 50.0, "Unknown"
# 检测市场类型
market_type = MarketStateDetector.detect_market_type(indicators)
# 🔥 使用预测收益率的动态权重计算得分
score = self.scoring_system.calculate_score(indicators, market_type, features)
return score, market_type
def check_entry_conditions(self, score, market_type):
"""检查开仓条件"""
# 多头条件
long_condition = ((market_type in ["Bull", "Eagle", "Momentum"]) and score > 65)
# 空头条件
short_condition = ((market_type in ["Bear", "Wolf"]) and score < 35)
return long_condition, short_condition
def open_long(self):
"""开多仓"""
try:
ticker = exchange.GetTicker()
if not ticker:
return False
buy_price = ticker['Last'] + 20
order_id = exchange.CreateOrder("", "buy", buy_price, AmountOP)
if order_id:
Sleep(2000)
order_info = exchange.GetOrder(order_id)
if order_info and order_info.get('Status') == 1:
self.open_price = order_info.get('AvgPrice', buy_price)
self.position_state = self.POSITION_LONG
Log(f"🚀 开多仓成功: 价格={self.open_price}, 数量={AmountOP}")
return True
else:
exchange.CancelOrder(order_id)
Log("开多仓订单未完全成交，已取消")
return False
except Exception as e:
Log(f"开多仓异常: {str(e)}")
return False
def open_short(self):
"""开空仓"""
try:
ticker = exchange.GetTicker()
if not ticker:
return False
sell_price = ticker['Last'] - 20
order_id = exchange.CreateOrder("", "sell", sell_price, AmountOP)
if order_id:
Sleep(2000)
order_info = exchange.GetOrder(order_id)
if order_info and order_info.get('Status') == 1:
self.open_price = order_info.get('AvgPrice', sell_price)
self.position_state = self.POSITION_SHORT
Log(f"🎯 开空仓成功: 价格={self.open_price}, 数量={AmountOP}")
return True
else:
exchange.CancelOrder(order_id)
Log("开空仓订单未完全成交，已取消")
return False
except Exception as e:
Log(f"开空仓异常: {str(e)}")
return False
def close_position(self):
"""平仓"""
try:
positions = exchange.GetPosition()
if not positions:
Log("没有持仓需要平仓")
self.position_state = self.POSITION_NONE
self.open_price = 0
return True
ticker = exchange.GetTicker()
if not ticker:
return False
close_success = True
for pos in positions:
if pos['Amount'] == 0:
continue
amount = pos['Amount']
pos_type = pos['Type']
if pos_type == 0: # 平多仓
close_price = ticker['Last'] - 20
order_id = exchange.CreateOrder("", "closebuy", close_price, amount)
Log(f"📤 平多仓: 价格={close_price}, 数量={amount}")
elif pos_type == 1: # 平空仓
close_price = ticker['Last'] + 20
order_id = exchange.CreateOrder("", "closesell", close_price, amount)
Log(f"📤 平空仓: 价格={close_price}, 数量={amount}")
if order_id:
Sleep(2000)
order_info = exchange.GetOrder(order_id)
if order_info and order_info.get('Status') == 1:
close_price = order_info.get('AvgPrice', close_price)
Log(f"✅ 平仓成功: 成交价格={close_price}")
self.update_profit_stats(close_price)
else:
exchange.CancelOrder(order_id)
close_success = False
Log(f"平仓订单未完全成交，已取消")
else:
close_success = False
Log("平仓订单创建失败")
if close_success:
self.position_state = self.POSITION_NONE
self.open_price = 0
return close_success
except Exception as e:
Log(f"平仓异常: {str(e)}")
return False
def update_profit_stats(self, close_price):
"""更新盈亏统计"""
if self.open_price == 0:
return
if self.position_state == self.POSITION_LONG:
if close_price > self.open_price:
self.counter['win'] += 1
Log("💰 多仓盈利")
else:
self.counter['loss'] += 1
Log("💸 多仓亏损")
elif self.position_state == self.POSITION_SHORT:
if close_price < self.open_price:
self.counter['win'] += 1
Log("💰 空仓盈利")
else:
self.counter['loss'] += 1
Log("💸 空仓亏损")
def check_stop_loss_take_profit(self, current_price, params):
"""检查止损止盈并执行平仓"""
if self.open_price == 0 or self.position_state == self.POSITION_NONE:
return False
stop_loss_pct = params["stop_loss"]
take_profit_pct = params["take_profit"]
if self.position_state == self.POSITION_LONG:
profit_pct = (current_price - self.open_price) / self.open_price
if profit_pct <= -stop_loss_pct:
Log(f"🔴 多仓止损触发: 开仓价={self.open_price:.2f}, 当前价={current_price:.2f}, 亏损={profit_pct:.4f}")
return self.execute_close_position("止损")
elif profit_pct >= take_profit_pct:
Log(f"🟢 多仓止盈触发: 开仓价={self.open_price:.2f}, 当前价={current_price:.2f}, 盈利={profit_pct:.4f}")
return self.execute_close_position("止盈")
elif self.position_state == self.POSITION_SHORT:
profit_pct = (self.open_price - current_price) / self.open_price
if profit_pct <= -stop_loss_pct:
Log(f"🔴 空仓止损触发: 开仓价={self.open_price:.2f}, 当前价={current_price:.2f}, 亏损={profit_pct:.4f}")
return self.execute_close_position("止损")
elif profit_pct >= take_profit_pct:
Log(f"🟢 空仓止盈触发: 开仓价={self.open_price:.2f}, 当前价={current_price:.2f}, 盈利={profit_pct:.4f}")
return self.execute_close_position("止盈")
return False
def execute_close_p