Advanced-Deep-Trading

Experiments based on the Lopez de Prado book "Advances in financial machine learning": https://www.wiley.com/en-us/Advances+in+Financial+Machine+Learning-p-9781119482086. Rethinking "normal" machine learning from areas like CV, NLP and others in order to make it work with data with stochastic nature like financial time series.

Advanced-Deep-Trading 快速上手指南

本指南基于 Marcos Lopez de Prado 的著作《Advances in Financial Machine Learning》，旨在帮助开发者将计算机视觉（CV）和自然语言处理（NLP）等领域的机器学习方法，适配于具有随机特性的金融时间序列数据。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux (推荐 Ubuntu 20.04+)、macOS 或 Windows (需使用 WSL2)。
• Python 版本：Python 3.8 或更高版本。
• 前置依赖：
  • git：用于克隆代码仓库。
  • pip 或 conda：用于管理 Python 包。
  • 基础科学计算库（安装步骤中会自动处理）：numpy, pandas, scikit-learn, tensorflow 或 pytorch (视具体实验脚本而定)。

国内加速建议：建议使用国内镜像源加速 Python 包下载，以提升安装效率。

安装步骤

1. 克隆项目仓库

   git clone https://github.com/your-repo/Advanced-Deep-Trading.git
   cd Advanced-Deep-Trading
   

2. 创建虚拟环境（推荐）

   python -m venv venv
   source venv/bin/activate  # Windows 用户请使用: venv\Scripts\activate
   

3. 安装依赖包

   使用国内镜像源（如清华源）安装 requirements.txt 中的依赖：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   注：如果项目中包含特定的深度学习框架需求，请确保根据书中原型代码对应的框架版本进行安装。

基本使用

本项目主要包含复现书中理论的实验脚本。以下是一个典型的数据特征工程与模型训练的最小化示例流程。

1. 准备数据 确保你拥有标准的 OHLCV（开高低收量）金融数据 CSV 文件，例如 data/sample_stock.csv。

2. 运行特征工程脚本 执行脚本以生成书中提到的“分数阶差分”（Fractional Differentiation）或“三重屏障标记法”（Triple Barrier Method）等特征。

   python src/features/generate_features.py --input data/sample_stock.csv --output data/processed_features.csv
   

3. 训练模型 使用处理后的数据训练深度学习模型（示例为基于 LSTM 的趋势预测）：

   python src/models/train_model.py --data data/processed_features.csv --epochs 50 --batch-size 32
   

4. 查看结果 训练完成后，模型权重和评估指标将保存在 outputs/ 目录下。你可以使用提供的可视化脚本来查看回测结果：

   python src/utils/plot_results.py --dir outputs/
   

提示：具体参数（如 --input 路径）请根据实际下载的数据集位置进行调整。建议先阅读 src/ 目录下的具体脚本注释以了解各模块的详细功能。