本项目实现了一个完整的加密货币量化交易系统，结合了深度学习、强化学习和传统量化策略。系统包含五个主要模块：
This project implements a complete cryptocurrency quantitative trading system that combines deep learning, reinforcement learning, and traditional quantitative strategies. The system consists of five main modules:
- 数据预处理和特征工程 / Data Preprocessing and Feature Engineering
- 序列模型训练（RNN/LSTM + Mamba-TCN） / Sequential Model Training (RNN/LSTM + Mamba-TCN)
- 强化学习智能体训练（D3QN, DoubleDQN, TwinD3QN） / Reinforcement Learning Agent Training (D3QN, DoubleDQN, TwinD3QN)
- 交易模拟和回测评估 / Trading Simulation and Backtesting
- 集成模型评估 / Ensemble Model Evaluation
crypto_trading_system/
├── main.py # 主程序入口 / Main program entry
├── requirements.txt # 依赖包列表 / Dependencies
├── .env # 环境配置文件 / Environment configuration
├── README.md # 项目说明 / Project documentation
│
├── data_processing/ # 数据预处理模块 / Data preprocessing module
│ ├── seq_data.py # 数据加载和预处理 / Data loading and preprocessing
│ └── data_config.py # 数据配置 / Data configuration
│
├── sequential_models/ # 序列模型模块 / Sequential models module
│ ├── seq_run.py # 序列模型训练 / Sequential model training
│ ├── seq_net.py # 网络架构定义 / Network architecture
│ └── seq_record.py # 训练记录 / Training records
│
├── reinforcement_learning/ # 强化学习模块 / Reinforcement learning module
│ ├── erl_run.py # RL训练主程序 / RL training main
│ ├── erl_agent.py # RL智能体 / RL agents
│ ├── erl_config.py # RL配置 / RL configuration
│ ├── erl_net.py # RL网络 / RL networks
│ ├── erl_evaluator.py # RL评估器 / RL evaluator
│ └── erl_replay_buffer.py # 经验回放缓冲区 / Experience replay buffer
│
├── trading_simulation/ # 交易模拟模块 / Trading simulation module
│ ├── trade_simulator.py # 交易环境模拟器 / Trading environment simulator
│ └── validate_model.py # 模型验证 / Model validation
│
├── ensemble_evaluation/ # 集成评估模块 / Ensemble evaluation module
│ ├── task2_eval.py # 主评估程序 / Main evaluation
│ ├── task2_ensemble.py # 集成模型 / Ensemble models
│ └── benchmark_models.py # 基准模型 / Benchmark models
│
├── utils/ # 工具模块 / Utilities module
│ ├── metrics.py # 评估指标 / Evaluation metrics
│ ├── generate_article_figures.py # 图表生成 / Figure generation
│ ├── plot_trade_log.py # 交易日志可视化 / Trade log visualization
│ └── analyze_results.py # 结果分析 / Result analysis
│
└── config/ # 配置文件 / Configuration files
└── .gitignore # Git忽略文件 / Git ignore
# 创建虚拟环境 / Create virtual environment
python -m venv venv
# 激活虚拟环境 / Activate virtual environment
# Windows:
venv\Scripts\activate
# macOS/Linux:
source venv/bin/activate
# 安装依赖 / Install dependencies
pip install -r requirements.txt将比特币15分钟级数据文件 BTC_15m.csv 放置在 ../data/ 目录下，或配置PostgreSQL数据库连接。
Place the Bitcoin 15-minute data file BTC_15m.csv in the ../data/ directory, or configure PostgreSQL database connection.
# 运行完整流程 / Run complete pipeline
python main.py
# 运行特定步骤 / Run specific step
python main.py --step 1 # 数据预处理 / Data preprocessing
python main.py --step 2 # 序列模型训练 / Sequential model training
python main.py --step 3 # 强化学习训练 / RL training
python main.py --step 4 # 模型评估 / Model evaluation
python main.py --step 5 # 集成评估 / Ensemble evaluation
# 指定GPU / Specify GPU
python main.py --gpu_id 0- 支持PostgreSQL数据库和CSV文件数据源
- Alpha101因子计算
- 技术指标生成
- 数据标准化和清洗
- MambaTCN网络: 结合Mamba状态空间模型和时间卷积网络
- 注意力机制: 多头注意力机制捕获全局依赖
- 信号平滑: 可选的信号平滑处理
- D3QN: 双重深度Q网络
- DoubleDQN: 双Q学习
- TwinD3QN: 双胞胎深度Q网络
- 高频交易环境模拟
- 滑点和交易成本建模
- 实时风险管理
- 多维度性能指标
- 基准模型比较
- 可视化分析报告
系统运行完成后，将生成以下结果文件：
After system completion, the following result files will be generated:
../data/: 预处理后的数据文件 / Preprocessed data files../output/: 序列模型输出 / Sequential model outputs../trained_agents/: 训练好的RL智能体 / Trained RL agents../results/: 评估结果 / Evaluation results../article_figures/: 论文图表 / Article figures
- 深度学习框架: PyTorch
- 数据处理: NumPy, Pandas
- 可视化: Matplotlib
- 数据库: PostgreSQL (可选)
- 状态空间模型: Mamba-SSM
- 量化分析: QuantStats
- 建议使用GPU加速训练过程
- 确保有足够的内存和存储空间
- 首次运行需要下载和预处理数据，可能需要较长时间
- 生产环境使用前请充分测试和验证
本项目仅供学术研究使用。
This project is for academic research purposes only.
如有问题或建议，请联系项目维护者。
For questions or suggestions, please contact the project maintainer.