铜价预测系统 v2

基于机器学习的铜价预测系统,使用 XGBoost 和 LSTM 等多种算法进行价格预测。

🎯 核心功能

• 数据来源: 支持模拟数据、AKShare 等多种数据源
• 预测算法: XGBoost + LSTM 混合模型
• 技术指标: RSI、MACD、布林带、移动平均等
• 模型解释: SHAP 可解释性分析
• 回测验证: 完整的策略回测功能

📦 安装依赖

基础依赖

pip install numpy pandas scikit-learn xgboost

高级依赖 (可选但推荐)

详细安装指南请查看 INSTALL.md

# PyTorch (用于LSTM模型)
pip install torch --index-url https://download.pytorch.org/whl/cpu

# SHAP (用于模型解释)
pip install shap

# AKShare (用于真实数据,已安装)
pip install akshare

一键安装

pip install -r requirements.txt

验证安装

# 检查PyTorch
python -c "import torch; print('PyTorch:', torch.__version__)"

# 检查SHAP
python -c "import shap; print('SHAP:', shap.__version__)"

# 检查AKShare
python -c "import akshare as ak; print('AKShare:', ak.__version__)"

🚀 快速开始

1. 运行演示

python main.py --demo

2. 使用真实数据

# 使用AKShare获取真实铜价数据
python main.py --demo --data-source akshare

# 使用模拟数据
python main.py --demo --data-source mock

3. 单独功能

# 生成预测
python main.py --predict

# 训练模型
python main.py --train

# 运行回测
python main.py --backtest

# 生成报告
python main.py --report

💻 Python API 使用

from main import CopperPredictionSystem

# 初始化系统
system = CopperPredictionSystem(data_source='mock')

# 快速演示
system.quick_demo()

# 自定义流程
system.load_data(days=365)
system.train_xgboost()
system.predict(horizon=5)
system.backtest()
system.generate_report()

📊 项目结构

copper_prediction_v2/
├── main.py                    # 主程序入口
├── models/
│   ├── copper_model_v2.py    # XGBoost + 技术指标
│   ├── lstm_model.py         # LSTM/GRU 深度学习
│   └── model_explainer.py    # SHAP 模型解释
├── data/
│   ├── data_sources.py       # 数据源管理
│   ├── real_data.py          # 实时数据获取
│   └── scheduler.py          # 任务调度
├── features/
│   └── technical_indicators.py # 技术指标计算
├── demo.py                   # 演示脚本
├── requirements.txt          # 依赖包
└── README.md                 # 项目文档

🎨 特征说明

价格特征

• 日收益率 (1天, 5天, 20天)
• 移动平均线 (5, 10, 20, 30, 60日)
• 价格波动率
• 价格动量

技术指标

• RSI: 相对强弱指数 (14日)
• MACD: 指数平滑异同移动平均线
• 布林带: 价格通道和宽度
• 成交量比: 成交量动量

📈 模型性能

XGBoost

• 500 棵决策树
• 37 个技术特征
• 支持 GPU 加速
• 高精度预测

LSTM

• 双向 LSTM + Attention
• 输入窗口: 30-60 天
• 隐藏层维度: 128
• GPU 加速训练

⚠️ 注意事项

1. 本系统仅供学习和研究使用
2. 预测结果不构成投资建议
3. 实际应用需要更复杂的数据和模型

📄 许可证

MIT License