这是一个专门用于金融时间序列分析和预测的 Python 工具包，特别针对股票市场的价格预测。该工具包提供了完整的特征工程流程和多种深度学习模型，其中基于反射填充的傅立叶降噪方法（P-FTD）是我们的核心创新，能够有效处理金融时间序列中的噪声和异常值。
-
金融数据获取
- 支持从 akshare 获取 A 股数据
- 支持自定义时间范围
- 自动计算收益率（re）
-
特征工程
- 基于反射填充的傅立叶降噪（P-FTD）
- 技术指标计算（MA、RSI、MACD、Bollinger Bands 等）
- 数据标准化和归一化
- 缺失值处理
-
模型训练
- 多种深度学习模型（RNN、LSTM、CNN、GNN）
- 支持向量回归（SVR）
- 模型参数优化
- 模型性能评估
P-FTD 是一种专门针对金融时间序列设计的降噪方法，它通过以下步骤实现：
-
数据预处理
- 获取原始时间序列数据
- 可选参数：
{ 'feature': str, # 要处理的特征名 'show_plot': bool # 是否显示图像 }
-
反射填充
- 使用 numpy 的 pad 函数进行反射填充
- 在序列两端进行对称填充，避免边界效应
- 可选参数：
{ 'padding_length': int, # 填充长度，默认为100 'pad_mode': str # 填充模式，默认为'reflect' }
-
傅立叶变换
- 对填充后的序列进行快速傅立叶变换（FFT）
- 计算频谱能量分布
- 可选参数：
{ 'limit_freq_ratio': float, # 频率限制比例，默认为1.0 'log_scale': bool # 是否使用对数刻度，默认为True }
-
能量滤波
- 基于能量阈值过滤噪声
- 可选参数：
{ 'energy_ratio': float # 要去除的最低能量部分的比例，默认为0.1 }
-
噪声提取
- 计算噪声成分
- 可选参数：
{ 'show_plot': bool # 是否显示噪声图像 }
-
逆变换和后处理
- 使用逆傅立叶变换（IFFT）重构信号
- 去除填充部分
- 可选参数：
{ 'show_plot': bool # 是否显示处理后的图像 }
我们实现了多种常用的金融技术指标：
-
移动平均线（MA）
- MA5：5 日移动平均
- MA10：10 日移动平均
- MA20：20 日移动平均
- 可选参数：
{ 'window': int # 移动窗口大小，默认为5/10/20 }
-
相对强弱指标（RSI）
- 计算周期：14 天
- 可选参数：
{ 'window': int # RSI计算周期，默认为14 }
-
MACD 指标
- 快线：12 日 EMA
- 慢线：26 日 EMA
- 信号线：9 日 EMA
- MACD 柱状图：MACD - 信号线
- 可选参数：
{ 'fast_period': int, # 快线周期，默认为12 'slow_period': int, # 慢线周期，默认为26 'signal_period': int # 信号线周期，默认为9 }
-
布林带（Bollinger Bands）
- 中轨：20 日移动平均
- 上轨：中轨 + 2 倍标准差
- 下轨：中轨 - 2 倍标准差
- 可选参数：
{ 'window': int, # 计算周期，默认为20 'std_dev': float # 标准差倍数，默认为2 }
-
缺失值处理
- 前向填充（ffill）
- 后向填充（bfill）
- 可选参数：
{ 'method': str # 填充方法，可选'ffill'或'bfill' }
-
数据标准化
- 使用 StandardScaler 进行标准化
- 可选参数：
{ 'scaler_type': str # 标准化类型，默认为'standard' }
-
特征准备
- 准备训练数据
- 划分训练集和测试集
- 可选参数：
{ 'features': list, # 特征列表 'target': str, # 目标变量 'sequence_length': int, # 序列长度 'denoise': bool, # 是否进行降噪 'target_energy_ratio': float, # 目标变量的降噪能量比例 'feature_energy_ratio': float # 特征的降噪能量比例 }
- 克隆仓库：
git clone https://github.com/tttbw/RPFTD_ML.git
cd RPFTD_ML- 安装包（开发模式）：
pip install -e .from feature_engineering import TimeSeriesFeatureEngineer
from model_trainer import ModelTrainer
# 1. 数据加载
engineer = TimeSeriesFeatureEngineer.from_akshare(
symbol="sh000001", # 上证指数
start_date="2020-01-01",
end_date="2023-12-31",
show_plot=True
)
# 2. 特征工程
# 添加技术指标
engineer.add_technical_indicators()
# 准备特征数据，使用P-FTD降噪
features = ['close', 'volume', 'ma5', 'ma10', 'ma20', 'rsi', 'macd']
X_train, X_test, y_train, y_test, scaler_x, scaler_y = engineer.prepare_features(
features=features,
target='close',
sequence_length=10,
denoise=True,
target_energy_ratio=0.1
)
# 3. 模型训练
trainer = ModelTrainer(
X_train, X_test, y_train, y_test,
scaler_y=scaler_y,
sequence_length=10
)
# 训练LSTM模型
model, r2, mse = trainer.train_model(
model_type='lstm',
model_params={
'hidden_size': 128,
'num_layers': 2,
'learning_rate': 0.001,
'num_epochs': 100,
'batch_size': 32
}
).
├── feature_engineering.py # 特征工程模块
├── model_trainer.py # 模型训练模块
├── demo.py # 示例代码
├── requirements.txt # 依赖包
└── README.md # 项目说明
特征工程类，提供以下功能：
- 金融数据加载和预处理
- 技术指标计算
- 频谱分析
- 傅立叶降噪（P-FTD）
- 数据可视化
- 异常值检测
模型训练类，支持以下模型：
- RNN：适合短期预测
- LSTM：适合长期依赖关系
- CNN：适合捕捉局部模式
- GNN：适合处理图结构数据
- SVR：适合小样本预测
- 使用前请确保已安装所有依赖包
- 建议使用 GPU 进行模型训练
- 数据获取需要网络连接
- P-FTD 参数需要根据具体数据特点调整
- 技术指标参数可以根据不同市场特点调整
- 建议先进行小规模测试，再扩大数据规模
MIT License