# paddlets-gold

**Repository Path**: AlEX_2473/paddlets-gold

## Basic Information

- **Project Name**: paddlets-gold
- **Description**: paddlets vs lstm vs timesnet
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-11-28
- **Last Updated**: 2026-01-16

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 黄金价格预测

> 数据集来自：<https://cn.investing.com/commodities/gold-historical-data>

## 1. 项目概述

### 背景与目标

本项目专注于利用先进的深度学习时间序列模型预测黄金价格。主要目标是利用历史价格数据和技术指标来预测未来趋势，辅助数据驱动的投资分析。

### 主要功能与特点

- **全流程数据管道**：
  - 自动清洗和预处理原始金融数据。
  - 生成关键技术指标：**MA**（移动平均线）、**RSI**（相对强弱指数）、**MACD**（异同移动平均线）和 **KDJ**。
- **先进建模技术**：
  - **TimesNet**：利用最先进的 TimesNet 架构捕捉时间变化。
  - **LSTM (LSTNet)**：实现长短期记忆网络以捕捉长期依赖关系。
  - **PP-TS 集成模型**：构建了一个稳健的集成框架，融合了多个模型（DLinear, RLinear, NLinear, PatchTST, TiDE, Nonstationary Transformer）以增强稳定性。

~~- **智能优化**：~~
  ~~- **ETO 优化器**：自定义“指数三角优化”算法自动调整超参数，确保模型稳定性（例如，强制 TimesNet 的维度参数为偶数）。~~

- **可视化与分析**：
  - 自动绘制预测结果与真实值的对比图。
  - 提供详细的性能指标（MSE, MAE, R2）。

### 技术栈与架构

- **编程语言**：Python
- **深度学习框架**：PaddlePaddle, PaddleTS
- **数据分析**：Pandas, NumPy
- **可视化**：Matplotlib
- **项目结构**：
  - `utils/`：核心逻辑，包含~~优化 (`eto_optimizer.py`)~~、特征工程 (`feature_engineer.py`)、模型工厂 (`model.py`) 和可视化。
  - `script/`：可执行工作流，用于预处理、训练和预测。
  - `output/`：存储训练好的模型、日志和结果图表。

## 2. 开发过程

### 关键里程碑

1. **基础设施搭建**：建立了目录结构和配置管理 (`config.py`)。
2. **特征工程**：实现了 `GoldFeatureEngineer`，将原始 OHLC 数据转换为包含技术指标的丰富特征集。
3. **模型集成**：将 `TimesNet` 和 `LSTNet` 封装到统一的 `ModelFactory` 中，以实现一致的训练接口。

~~4. **优化器开发**：创建了 `ETOOptimizer` 以自动化超参数搜索，专门解决了复杂模型所需的约束条件。~~

5. **集成与评估**：配置了 `PP-TS` 集成系统，并构建了回测框架 (`predict.py`) 以验证 200 天窗口内的性能。

## 3. 成果展示

### 完成的功能清单

- [x] 数据预处理与特征工程
- [x] TimesNet 训练与推理
- [x] LSTM 训练与推理
- [] ETO 超参数优化
- [x] 多模型集成 (PP-TS)
- [x] 结果可视化与回测

### 性能指标

- **集成模型表现**：`PP-TS` 集成模型在验证集上实现了约 **0.1916** 的均方误差 (MSE)（基于 `score.json`）。
- **可视化结果**：
  - 对比图生成在 `output/gold/plots/` 中，展示了预测趋势与实际市场走势的一致性。
  - *请参考 `output/gold/plots/Final_Result_Comparison.png` 查看可视化基准。*

## 4. 经验与未来展望

### 需要改进的地方

- **特征多样性**：目前主要依赖于价格衍生的指标。引入外部变量（如美元指数、利率、新闻情绪）可能会提高准确性。
- **训练速度**：深度学习模型（尤其是集成模型）训练速度可能较慢。实施分布式训练或模型蒸馏可能会有所帮助。

### 未来建议

- **实时部署**：将 `predict.py` 逻辑封装为 Web 服务（例如使用 Flask 或 FastAPI）以进行实时推理。
- **持续再训练**：建立管道，随着新的每日数据可用自动重新训练模型，以防止模型漂移。