ianzeng123
निश्चित भार से तंत्रिका नेटवर्क तक: पाइन रणनीति का एक मशीन लर्निंग परिवर्तन अभ्यास
2
533
एक दिलचस्प पाइन रणनीति पर ठोकर खाई
कुछ दिन पहले, मैं इन्वेंटर फोरम में रणनीतियों को ब्राउज़ कर रहा था और एक पोस्ट देखी जिसका नाम थाPanel Pro+ Quantum SmartPromptकोड की समीक्षा करने के बाद, मुझे इसकी मूल अवधारणा काफी दिलचस्प लगी: यह 10 तकनीकी संकेतकों का उपयोग करता है, बाज़ार की स्थितियों के आधार पर प्रत्येक संकेतक को अलग-अलग भारांक प्रदान करता है, और अंततः खरीद और बिक्री के निर्णय लेने के लिए एक स्कोर की गणना करता है। उदाहरण के लिए, एक तेज़ बाज़ार में, प्रवृत्ति संकेतक का भारांक 2.0 होता है, और RSI का भारांक 1.5 होता है; एक मंदी के बाज़ार में, भारांक अलग होते हैं। ऐसा लगता है कि यह लोगों के सोचने के तरीके की नकल कर रहा है: अलग-अलग परिस्थितियों में अलग-अलग चीज़ों पर ध्यान केंद्रित करना।
यदि आप इसके बारे में ध्यान से सोचें, तो यह संरचना बहुत हद तक न्यूरल नेटवर्क जैसी दिखती है:
- इनपुट करते समय 10 तकनीकी संकेतक
- छिपी परत की तरह बाजार स्थिति वर्गीकरण
- भार मैट्रिक्स कनेक्शन भार है
- अंत में एक स्कोर आउटपुट करें
लेकिन समस्या यह है कि सभी भार हार्डकोडेड हैं, उदाहरण के लिए:
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
ये संख्याएं लेखक द्वारा बाजार के अनुभव के आधार पर पूरी तरह से तय की गई हैं और इनका किसी भी तरह से अध्ययन या अनुकूलन नहीं किया गया है।
विचार: वज़न को सीखने योग्य बनाएँ
चूंकि इसकी संरचना पहले से ही न्यूरल नेटवर्क के समान है, तो क्यों न इसे वास्तव में सीखने योग्य बनाया जाए?
मेरा विचार सरल है:
- मूल वजन गणना पद्धति को बनाए रखें और “वजन स्कोर” प्राप्त करें
- इस भारित स्कोर को इनपुट के रूप में उपयोग करते हुए, एक छोटे तंत्रिका नेटवर्क को प्रशिक्षित करें
- नेटवर्क को भारित स्कोर से भविष्य के रिटर्न की भविष्यवाणी करना सीखने दें
- रिटर्न की अनुमानित दर के आधार पर निर्णय लें कि कोई पोजीशन खोलनी है या नहीं
इससे न केवल मूल रणनीति बरकरार रहती है बल्कि सीखने की क्षमता भी बढ़ती है।
इन्वेंटर प्लेटफ़ॉर्म पर आरंभ करें
इन्वेंटर प्लेटफॉर्म को मुख्य रूप से इसलिए चुना गया क्योंकि यह पायथन का समर्थन करता है और इसमें समृद्ध डेटा होता है।
चरण 1: तकनीकी संकेतकों को फिर से लिखें
मैंने सटीक गणना सुनिश्चित करने के लिए तालिब लाइब्रेरी का उपयोग करते हुए, पाइन स्क्रिप्ट के सभी संकेतकों को पायथन में फिर से लिखा। इसमें EMA, MACD, RSI और ATR जैसे सामान्य संकेतक, साथ ही वॉल्यूम विश्लेषण और सरल कैंडलस्टिक पैटर्न पहचान शामिल हैं।
चरण 2: बाज़ार की स्थिति का पता लगाना
मूल रणनीति के तर्क का अनुसरण करते हुए, बाजार का प्रकार विभिन्न संकेतकों के संयोजन के आधार पर निर्धारित किया जाता है: बुल, बियर, ईगल, वुल्फ, आदि। यह भाग मूलतः if-else तर्क का संयोजन है।
चरण 3: वज़न स्कोर की गणना
यह मुख्य भाग है। मैंने वज़न के दो सेट लगाए:
- मूल वजन:[2.0, 1.5, 2.0, 1.3, 1.2, …]
- बाजार भार: विभिन्न बाजार स्थितियों के अनुसार समायोजित
अंतिम भार = आधार भार × बाजार भार
इस भार का उपयोग 10 संकेतकों के मूल स्कोर को भारित करने और उन्हें जोड़कर “भारित स्कोर” प्राप्त करने के लिए किया जाता है।
चरण 4: न्यूरल नेटवर्क प्रेडिक्टर
मैंने एक बहुत ही सरल नेटवर्क लिखा:
- इनपुट: 1 फ़ीचर (भारित स्कोर)
- छिपी हुई परत: 16 न्यूरॉन्स, ReLU सक्रियण
- आउटपुट: अनुमानित रिटर्न दर, tanh का उपयोग करके ±5% तक सीमित
प्रशिक्षण उद्देश्य: समय t पर मूल्य परिवर्तन की भविष्यवाणी करने के लिए समय t-1 पर भार स्कोर का उपयोग करें।
चरण 5: लेनदेन तर्क
रेटिंग के आधार पर सीधे खरीदने या बेचने के बजाय, हम रिटर्न की अनुमानित दर को देखते हैं:
- पूर्वानुमानित रिटर्न दर > 1.5%: लॉन्ग पोजीशन खोलें या शॉर्ट पोजीशन बंद करें
- पूर्वानुमानित रिटर्न दर < -1.5%: शॉर्ट पोजीशन खोलें या लॉन्ग पोजीशन बंद करें
- अन्य स्थितियाँ: यथास्थिति बनाए रखें
साथ ही, यह सुनिश्चित करने के लिए कि जोखिम नियंत्रण योग्य हैं, स्टॉप-प्रॉफिट और स्टॉप-लॉस को बनाए रखें।
वास्तविक संचालन पर कुछ टिप्पणियाँ
डेटा संग्रहण
यह रणनीति सामान्य रूप से प्रशिक्षण डेटा एकत्र कर सकती है। हर बार जब कोई नया कैंडलस्टिक दिखाई देता है, तो पिछले कैंडलस्टिक के वेट स्कोर को एक विशेषता के रूप में उपयोग किया जाता है, और पिछले कैंडलस्टिक के सापेक्ष वर्तमान कैंडलस्टिक की वृद्धि या कमी को एक लेबल के रूप में उपयोग किया जाता है।
डेटा संभवतः इस प्रकार है:
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%
मॉडल प्रशिक्षण
न्यूरल नेटवर्क को सामान्य रूप से प्रशिक्षित किया जा सकता है, और MSE हानि धीरे-धीरे कम होगी। यह सुनिश्चित करने के लिए कि मॉडल बाज़ार में बदलावों के अनुकूल हो सके, इसे हर 4 घंटे में पुनः प्रशिक्षित करने के लिए सेट करें।
भविष्यवाणी प्रभाव
मॉडल की भविष्यवाणियों का वास्तविक रिटर्न के साथ एक निश्चित सहसंबंध है, लेकिन यह विशेष रूप से मजबूत नहीं है।
- एक भी सुविधा बहुत सरल है और उसमें पर्याप्त जानकारी नहीं हो सकती है
- अल्पकालिक मूल्य उतार-चढ़ाव अत्यधिक यादृच्छिक होते हैं
- अनुबंध बाज़ार में काफी शोर है
ट्रेडिंग प्रदर्शन
स्टॉप-लॉस और टेक-प्रॉफिट सुरक्षा के कारण एकल लेनदेन का जोखिम अच्छी तरह नियंत्रित रहता है। हालाँकि, समग्र लाभप्रदता औसत ही रहती है, जिसका मुख्य कारण उच्च पूर्वानुमान सटीकता का अभाव है।
कुछ समस्याएँ आईं
सुविधाएँ बहुत सरल हैंकिसी एक विशेषता को केवल भारांकित करके अंक देना थोड़ा सरल है। बाज़ार इतना जटिल है कि किसी एक संख्या को पूरी तरह से समझना मुश्किल है।
अस्थिर नमूना गुणवत्ता: अनुबंध की कीमतों में अल्पावधि में बहुत उतार-चढ़ाव होता है, और कई मामलों में वृद्धि और गिरावट वास्तव में यादृच्छिक होती है, जिससे प्रशिक्षण नमूनों की गुणवत्ता अस्थिर हो जाती है।
ओवरफिटिंग का खतरायद्यपि नेटवर्क सरल है, फिर भी नमूना आकार सीमित होने पर यह ओवरफिट हो सकता है।
वास्तविक समय की आवश्यकताएंऑनलाइन सीखने के लिए प्रशिक्षण समय और वास्तविक समय प्रदर्शन के बीच संतुलन की आवश्यकता होती है।
सीमित समय और अपर्याप्त अनुकूलन
अभी भी ऐसे कई क्षेत्र हैं जहां इस रणनीति में सुधार किया जा सकता है, लेकिन समय और ऊर्जा सीमित है, इसलिए हम इसे गहराई से अनुकूलित नहीं कर सकते हैं:
विशेषताएँआप अधिक तकनीकी संकेतक जोड़ सकते हैं, या मूल्य श्रृंखला की सांख्यिकीय विशेषताओं का उपयोग कर सकते हैं।
नमूनाआप LSTM जैसे अनुक्रम मॉडल का प्रयास कर सकते हैं, या एकाधिक मॉडलों को एकीकृत कर सकते हैं।
डेटा: नमूना गुणवत्ता में सुधार और डेटा सफाई में वृद्धि।
हवा नियंत्रण: गतिशील स्टॉप लॉस में सुधार करें और स्थिति प्रबंधन को अनुकूलित करें।
लाभ और विचार
इस खोज ने मुझे एक सबक सिखाया: अच्छे विचारों की कुंजी समय पर क्रियान्वयन है! जब मैंने पाइन स्क्रिप्ट में वेट मैट्रिक्स डिज़ाइन देखा, तो मेरे मन में तुरंत न्यूरल नेटवर्क की मदद से इसे बेहतर बनाने की संभावना का विचार आया। अगर मैंने इसके बारे में सिर्फ़ सोचा होता या इसे टाल दिया होता, तो शायद यह विचार भुला दिया गया होता। सौभाग्य से, इन्वेंटर प्लेटफ़ॉर्म ने एक पायथन वातावरण और डेटा इंटरफ़ेस प्रदान किया, जिससे मैं अपने विचार को जल्दी से रन करने योग्य कोड में बदल सका। विचार निर्माण से लेकर बुनियादी क्रियान्वयन तक, इसमें केवल एक दिन लगा। हालाँकि अंतिम रणनीति का प्रदर्शन औसत दर्जे का था, लेकिन वास्तविक क्रियान्वयन ने कम से कम विचार की व्यवहार्यता की पुष्टि की। इससे भी महत्वपूर्ण बात यह है कि क्रियान्वयन प्रक्रिया ने नए विचार और परिशोधन उत्पन्न किए। त्वरित कार्रवाई के बिना, ये बाद की खोजें और अंतर्दृष्टि असंभव होतीं। कागज़ पर विचारों के बारे में बात करना, कोड लिखने, डेटा चलाने और परिणामों का अवलोकन करने के वास्तविक अनुभव से कभी तुलना नहीं की जा सकती। मात्रात्मक व्यापार का यही स्वभाव है। विचार कई हैं, लेकिन वास्तव में मूल्यवान वे हैं जिन्हें जल्दी से क्रियान्वित और सत्यापित किया जाता है।
”`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_position(self, reason):
"""执行平仓操作（专门用于止盈止损）"""
try:
positions = exchange.GetPosition()
if not positions:
Log(f"{reason}平仓: 没有持仓")