# Futures_ML **Repository Path**: qianglegend/Futures_ML ## Basic Information - **Project Name**: Futures_ML - **Description**: 一个基于机器学习的期货价格预测系统，使用Streamlit构建交互式Web界面，支持多种技术指标分析和智能预测。 - **Primary Language**: Python - **License**: Not specified - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2025-10-10 - **Last Updated**: 2025-10-10 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 🤖 AI期货预测系统 [![License: GPL v3](https://img.shields.io/badge/License-GPL%20v3-blue.svg)](https://www.gnu.org/licenses/gpl-3.0) [![Python 3.8+](https://img.shields.io/badge/python-3.8+-blue.svg)](https://www.python.org/downloads/) [![Streamlit](https://img.shields.io/badge/Streamlit-1.28+-red.svg)](https://streamlit.io/) 一个基于机器学习的期货价格预测系统，使用Streamlit构建交互式Web界面，支持多种技术指标分析和智能预测。 ## ✨ 主要功能 ### 📊 数据管理 - **多品种支持**: 支持多种期货品种（原油、黄金、白银、铜等） - **实时数据**: 获取最新的期货市场数据 - **数据预览**: 完整的数据质量检查和统计信息 - **趋势分析**: 自动分析价格趋势分布 ### 🎯 特征工程 - **33个技术指标**: 包括移动平均线、RSI、MACD、布林带、KDJ等 - **智能特征选择**: 可视化特征配置界面，支持自定义特征组合 - **预设配置**: 提供5种预设特征配置（基础、技术分析、全特征等） - **特征重要性**: 自动计算和显示特征重要性排名 ### 🤖 机器学习 - **多模型支持**: 随机森林、XGBoost、LightGBM、线性回归等 - **双重任务**: 支持回归（价格预测）和分类（趋势预测） - **自动调优**: 智能超参数优化 - **性能评估**: 全面的模型评估指标和可视化 ### 🔮 智能预测 - **未来趋势**: 预测未来1-10天的价格走势 - **置信度分析**: 提供预测结果的置信度评估 - **详细报告**: 自动生成专业的预测分析报告 - **可视化图表**: 直观的预测结果展示 ## 🏗️ 系统架构 ``` 📁 ai_quick/ # 项目根目录 │ ├── 🚀 应用入口 │ ├── app.py # 🎯 主启动文件 │ └── setup.py # 📦 包安装配置 │ ├── 📁 src/ # 源代码目录 │ ├── streamlit_app.py # 🎨 主应用界面 │ ├── data_fetcher.py # 📊 数据获取模块 │ ├── data_processor.py # 🔧 数据处理和特征工程 │ ├── model_trainer.py # 🤖 模型训练和评估 │ ├── model_predictor.py # 🔮 预测和报告生成 │ ├── model_config.py # ⚙️ 模型配置管理 │ └── feature_library.py # 📖 特征库管理系统 │ ├── 📁 config/ # 配置文件目录 │ └── feature_configs.json # 💾 特征配置文件（自动生成） │ ├── 📁 docs/ # 文档目录 │ ├── FEATURE_CONFIG_GUIDE.md # 📋 特征配置使用指南 │ └── PROJECT_OVERVIEW.md # 📋 项目结构概览 │ ├── 📄 项目文档 │ ├── README.md # 📖 项目主要说明文档 │ ├── CHANGELOG.md # 📈 版本更新日志 │ ├── LICENSE # ⚖️ GPL v3 开源许可证 │ ├── requirements.txt # 📦 Python依赖包列表 │ └── .gitignore # 🚫 Git忽略文件 │ └── 📁 tests/ # 测试目录 (待开发) ``` ### 核心模块说明 | 模块 | 功能 | 主要类/函数 | |------|------|-------------| | **streamlit_app.py** | Web界面和用户交互 | `main()`, `render_*_tab()` | | **data_fetcher.py** | 期货数据获取 | `get_futures_data()` | | **data_processor.py** | 数据处理和特征工程 | `calculate_technical_indicators()`, `create_features_targets()` | | **model_trainer.py** | 模型训练和评估 | `train_complete_workflow()`, `evaluate_model_performance()` | | **model_predictor.py** | 预测和报告生成 | `predict_future_trend()`, `generate_prediction_report()` | | **model_config.py** | 模型配置管理 | `ModelConfig`, `ModelEvaluator` | | **feature_library.py** | 特征库管理 | `FeatureLibrary`, `FeatureConfig` | ## 🚀 快速开始 ### 环境要求 - Python 3.8+ - 2GB+ RAM - 网络连接（获取数据） ### 安装步骤 1. **克隆项目** ```bash git clone https://github.com/yourusername/ai_quick.git cd ai_quick ``` 2. **安装依赖** ```bash # 方式1: 使用requirements.txt pip install -r requirements.txt # 方式2: 使用setup.py（推荐） pip install -e . ``` 3. **启动应用** ```bash # 方式1: 使用streamlit直接运行 streamlit run app.py # 方式2: 使用命令行工具（安装后） ai-futures ``` 4. **访问应用** 打开浏览器访问 `http://localhost:8501` ![alt text](docs/image.png) ![alt text](docs/image-1.png) ![alt text](docs/image-2.png) ![alt text](docs/image-3.png) ![alt text](docs/image-4.png) ![alt text](docs/image-5.png) ## 📖 使用指南 ### 基础使用流程 1. **📊 数据获取** - 选择期货品种 - 设置日期范围 - 点击"获取数据" 2. **⚙️ 特征配置** - 选择预设配置或自定义特征 - 保存特征配置（可选） 3. **🤖 模型训练** - 配置训练参数 - 选择任务类型（回归/分类） - 点击"开始训练" 4. **🔮 查看预测** - 查看训练结果和模型性能 - 生成未来预测报告 - 分析特征重要性 ### 高级功能 #### 特征配置管理 - 访问"⚙️ 特征配置"标签页 - 使用预设配置快速开始 - 自定义选择特定技术指标 - 保存和加载特征配置 详细使用说明请参考：[docs/FEATURE_CONFIG_GUIDE.md](./docs/FEATURE_CONFIG_GUIDE.md) ## 🔧 技术指标说明 ### 基础指标 - **OHLCV**: 开盘价、最高价、最低价、收盘价、成交量 - **移动平均线**: MA5、MA10、MA20 - **价格变化**: 1日、3日、5日价格变化率 ### 技术指标 - **RSI**: 相对强弱指数（超买超卖指标） - **MACD**: 指数平滑异同移动平均线 - **布林带**: 价格通道指标 - **KDJ**: 随机指标 - **威廉指标**: 超买超卖指标 ### 高级指标 - **ATR**: 平均真实波幅（波动率） - **VWAP**: 成交量加权平均价 - **OBV**: 能量潮指标 - **CCI**: 商品通道指数 ## 📊 模型性能 ### 支持的算法 - **随机森林** (Random Forest) - **XGBoost** (Extreme Gradient Boosting) - **LightGBM** (Light Gradient Boosting) - **线性回归** (Linear Regression) - **支持向量机** (Support Vector Machine) - **决策树** (Decision Tree) ### 评估指标 - **回归任务**: R²、MAE、MSE、RMSE - **分类任务**: 准确率、精确率、召回率、F1分数 - **混淆矩阵**: 详细分类结果分析 ## 🛠️ 开发指南 ### 添加新特征 1. 在 `data_processor.py` 的 `calculate_technical_indicators()` 函数中添加计算逻辑 2. 在 `feature_library.py` 中定义新特征的配置 3. 更新特征描述和类别 ### 添加新模型 1. 在 `model_config.py` 的 `get_default_config()` 中添加模型配置 2. 在相应的训练函数中添加模型训练逻辑 3. 更新模型评估和可视化代码 ### 自定义配置 所有主要参数都可以通过界面或配置文件调整： - **训练参数**: 历史天数、预测天数、训练集比例 - **特征配置**: 启用的技术指标列表 - **模型参数**: 各算法的超参数设置 ## ⚠️ 重要声明 ### 投资风险提示 ⚠️ **本系统仅供学习和研究使用，不构成投资建议** - 期货市场存在重大风险，可能导致资金损失 - 预测结果基于历史数据，不保证未来准确性 - 投资决策应结合多种分析方法 - 请根据自身风险承受能力谨慎投资 ### 技术限制 - 数据质量依赖于数据源 - 模型性能受市场环境影响 - 极端市场条件下预测可能失效 - 建议定期重新训练模型 ## 🤝 贡献指南 欢迎贡献代码、报告问题或提出建议！ ### 贡献流程 1. Fork 项目 2. 创建功能分支 (`git checkout -b feature/AmazingFeature`) 3. 提交更改 (`git commit -m 'Add some AmazingFeature'`) 4. 推送到分支 (`git push origin feature/AmazingFeature`) 5. 开启 Pull Request ### 代码规范 - 遵循 PEP 8 代码风格 - 添加适当的注释和文档字符串 - 确保所有测试通过 - 更新相关文档 ## 📄 许可证 本项目采用 **GPL v3** 开源许可证。详情请参考 [LICENSE](LICENSE) 文件。 ### GPL v3 主要条款 - ✅ 自由使用、修改、分发 - ✅ 商业使用 - ⚠️ 修改后的代码必须开源 - ⚠️ 需要包含许可证和版权声明 - ⚠️ 提供源代码访问途径 ## 📞 联系方式 - **项目主页**: https://github.com/cn-vhql/Futures_ML - **问题反馈**: https://github.com/cn-vhql/Futures_ML/issues - **邮箱**: yl_zhangqiang@foxmail.com ## 🙏 致谢 感谢以下开源项目的支持： - [Streamlit](https://streamlit.io/) - Web应用框架 - [pandas](https://pandas.pydata.org/) - 数据处理 - [scikit-learn](https://scikit-learn.org/) - 机器学习 - [yfinance](https://pypi.org/project/yfinance/) - 金融数据 - [matplotlib](https://matplotlib.org/) - 数据可视化 - [seaborn](https://seaborn.pydata.org/) - 统计可视化 --- **⭐ 如果这个项目对你有帮助，请给个Star支持一下！** ## 📈 更新日志 ### v1.0.0 (最新) - ✨ 完整的特征配置管理系统 - 🤖 多模型机器学习支持 - 📊 交互式Web界面 - 📈 期货价格预测功能 - 🔮 智能报告生成 - 💾 配置保存和加载 ### 未来计划 - 🌐 多市场数据源支持 - 📱 移动端适配 - 🔄 实时数据更新 - 🎯 策略回测功能 - 📊 更多技术指标 - 🤖 深度学习模型支持 --- **免责声明**: 本项目仅用于教育和研究目的。使用本系统进行实际交易的任何损失由用户自行承担。