很久没更，因为折腾。新机训练一直会显卡掉线（视频输出没有了），发现是GPU训练时所有资源都给了运算，因为装机时没考虑到这点，主板没有集成显卡、CPU没有显卡，没有退路，还好电脑公司老板时弟兄，把CPU给换成带显卡的，这样最经济也很有效，更换CPU后一直正常了。
现在功夫全在模型上，选定XGBoost，LSTM，GRU，CNN大模型上，并且设计好了多模型加权趋势预测和交易出发，就缺训练出好的模型了。
在模型训练上，因为超参多，范围广，还针对不同时间周期都有特定要求，所以设计了自动化训练探索和自动精调模式，暂时测试是10个周期，以后稳定后，可能就让他去整天训练吧。
| 组件 | 型号 | 关键参数 |
|---|---|---|
| CPU | Intel i5-12400F | 6核12线程/4.4GHz |
| GPU | 技嘉 RTX 3060 EAGLE OC 12G | 12GB 双风扇 CUDA核心 |
| 主板 | 华硕主板TUF GAMING B660M-PLUS WIFI D4 | 支持DDR4/双M.2接口 |
| 内存 | 金士顿内存32G/3200 DDR4 野兽骇客神条 | 3200MHz/CL16 |
| 存储（SSD） | 长江致态固态硬盘Ti600 M.2 PCIE4.0 500G | |
| 存储（HD） | WD台机 WD20EARZ 2TB 5400转 代理(垂直盘) | |
| 电源 | 航嘉电源 WD650Evo 炫金战神 黑色 | 650W/80Plus金牌 |
| 散热器 | 利民散热器TL-AX120 R-SE ARGB 1700版 | |
| 机箱 | 爱国者(aigo)机箱YOGO K1钛灰色 | |
| 风扇 | 利民风扇TL-C12C-S幻彩 工包 | |
| 总计 | – | – |
总价6K+，对于运算K线数据+Ta-lib，应该足够。明天到货
花了一个小时，验证了代码正确性，CPU 100%走了一个回合，完整训练预估要几十个小时。准备增加硬件，不然没法玩下去了
大模型的引入，势必造成当前算力的考验，尤其LSTM当前开发电脑对于几年的短周期K线数据，在种群和迭代较多情况下，几乎宕机，虽然已经使用多核心（当前电脑也就4核，无GPU显卡加持）。
看来要下本钱，至少搞个4060之类的卡
几天时间一直在甄选模型和如何部署，会涉及到原来模块的废弃。
1.模型互补性 (Model Diversity)：选择的三个模型各自擅长捕捉不同类型的数据模式，形成了完美的互补。
•XGBoost：作为一种梯度提升决策树模型，它非常擅长处理结构化数据。你可以为它构建大量的传统技术指标（如MA, RSI, MACD, 布林带等）、价格形态特征、订单流数据等。它能高效地挖掘这些特征之间复杂的非线性关系。
•LSTM (长短期记忆网络)：作为一种循环神经网络（RNN），它天生就是为时间序列数据而生。它能有效捕捉数据中的长期依赖关系和时序动态，例如趋势的惯性、动量的持续性等。它直接处理原始的价格序列（如OHLCV）时效果很好。
•CNN (卷积神经网络)：虽然常用于图像识别，但一维CNN在时间序列分析中也非常强大。它可以被看作一个高效的模式识别器，能够自动学习和提取价格序列中的局部、平移不变的模式（比如特定的K线组合、W底、M顶的雏形等），而不需要你手动去定义这些模式。
2.鲁棒性增强 (Increased Robustness)：金融市场是高噪声、非平稳的。单一模型可能会在某个市场阶段表现优异，但在另一个阶段失效。通过加权融合三个模型的预测，可以有效平滑掉单个模型的极端错误，使得最终的交易信号更加稳健，降低策略的过拟合风险。
实施步骤：
第一阶段：独立建模
•为每个模型（XGBoost, LSTM, CNN）分别搭建完整的“数据处理 -> 训练 -> 验证”流水线“。
•目标是让每一个模型都能独立产生有一定预测能力的结果（即使能力不强）。如果某个模型连最基本的预测能力都没有，它对最终的集成可能只会带来负面影响。
第二阶段：模型集成
•获取三个模型在验证集上的预测结果。
•研究如何组合它们。从简单的静态加权开始，如果效果不错，再尝试实现更复杂的元模型（Stacking）。
第三阶段：策略转换与回测
•将集成后的预测概率（或类别）转换成明确的交易信号（开仓、平仓、仓位大小）。
•在回测框架中对完整的策略进行历史回测，并使用从未在训练和验证中出现过的样本外数据（Out-of-Sample Data）进行最终测试。
4.第四阶段：模拟与实盘
•在最终测试中表现良好的策略，先进行一段时间的模拟盘交易，观察其在真实市场环境下的表现，最后再考虑投入实盘。
这几天已经完成：
1、针对品种+周期的敏感特征探索
2、针对敏感特征进行参数优化
3、模型（XGBoost）的超参调优（加载敏感指标+优化参数等特征）
4、训练模型，固化训练成果
5、进行回测
该过程已经对硬件运算条件提出了要求。。。
经过几次更换思路对指标和参数的优化，发觉还不如直接放弃，转用大数据模型来代替预测和交易触发。
1、不同产品，不同周期对不同指标敏感度都不一样，优化会涉及到参数和买卖触发点，虽然用贝叶斯优化来探索，但是也还是费时费力的。复合指标更是要针对性特别处理，很是麻烦。
2、通过机器学习模型（如随机森林、神经网络、LSTM等）能够捕捉价格波动中的非线性关系，相比传统指标更灵活。而且我曾经也有一版LSTM预测和触发交易的程序，通过测试，还是有点效果。
3、纯技术层面，可以用高频交易数据和机器学习模型预测短期价格波动，替代RSI或移动平均线。更深入一点，通过分析宏观经济数据和公司基本面，构建投资组合优化模型，替代传统的基本面分析。
准备重新开发预测、触发点的模块，使用XGBoost+LSTM+随机森林，对于模型训练会比较麻烦，并不是普通用户直接可以在自己电脑操作，但是到时可以提供针对某个品种的训练好的模型。
先做了再说。。。
来回好几次了，重构了通过贝叶斯优化指标参数的模块，完全使用Ta-Lib计算，不涉及原有指标插件，相对独立。支持多指标组合，比穷尽法当然快很多。
pandas-ta 是一个直接构建于 Pandas DataFrame 之上的技术分析库，这使得它非常易于与 Pandas 工作流集成，使用简单直观的接口来计算各种技术指标，可以直接添加结果到现有的 DataFrame 中，便于数据处理和可视化。本来是打算用于贝叶斯优化中用于计算和返回方便，但是发现当前官方提供的版本0.3.14b0好像很多方便的功能已经不提供了，检索开发者的github，发现“Pandas TA has moved!The current version is 0.4.25b with a pip release available after July 1st, 2025. Future releases after July 1st, 2025 will be subject to paid releases for businesses and organizations and subscription-based options for others.” 已经关闭原项目，并准备在25年7月提供订阅（付费）。
看来，还是用TA-Lib吧，虽然会麻烦点，但是运行效率是杠杠的。
完成交易主、明细表结构，同步MT5交易信息等
因为穷尽式探索优化参数虽然全面覆盖，但是效率极低，准备引入贝叶斯优化算法，探索更优的参数模式。
贝叶斯优化（Bayesian Optimization）是一种用于全局优化问题的有效方法，特别适用于黑箱函数优化、昂贵的函数评估以及高维空间中的搜索。它在机器学习模型调参中非常流行，例如寻找神经网络的最佳超参数。利用Hyperopt算法、Optuna超参、Scikit-learn机器学习实现贝叶斯优化。
今天搭了个雏形，以前已经实现过，现在整合复用下。
策略规划里可以选中对应指标时，如果有优化过的参数，自动关联。增加了指标优化的保存功能和策略规划的导入功能，并且能自动适配。
