简介本资源为比特币基于LSTM的多因子交易策略Python实现面向计算机、人工智能、金融工程等专业的在校学生、教师及企业员工适合作为毕业设计、课程设计或量化交易入门项目。策略通过多因子输入与LSTM预测降低最大回撤和波动整体较为稳健收益率与预测准确率直接相关可进一步加入更多因子、调整超参或尝试集成学习。压缩包共12个文件约797KB包含4个CSV行情数据、3个XML配置、2个Jupyter Notebook源码、1个PNG图表、1个Markdown说明及IDE工程文件结构清晰便于复现。已有263人学习下载。代码均经测试运行成功答辩评审平均分达96分读者可获取完整源码、数据与文档说明快速理解LSTM多因子交易流程并在此基础上修改扩展用于毕设、课设或项目立项演示。1. 多因子 LSTM 交易策略为什么你的模型总在实盘里翻车很多人第一次跑通 LSTM 预测比特币价格时都会经历同一个幻觉训练集 loss 降到 0.001验证集看着也不错一上模拟盘就亏得怀疑人生。问题几乎从来不在 LSTM 本身而在于你喂给它的东西太单薄——只用收盘价做单因子输入模型学到的不过是「昨天涨今天大概率还涨」这种在震荡市里必死的规律。多因子交易策略的核心思路是把价格之外的市场状态一起编码进特征向量动量、波动率、成交量结构、资金费率偏离、链上活跃度变化率等等让 LSTM 在时间维度上学习这些因子之间的非线性交互而不是死记价格序列。这套方案适合两类人一是已经会用 pandas 处理 K 线、但模型效果始终不稳定的量化新手二是想从传统机器学习XGBoost、随机森林迁移到序列建模的从业者。它不解决「预测明天涨跌」这种伪命题而是解决「在给定多因子状态下未来 N 根 K 线的收益分布偏向哪一侧」这个可建模的问题。下面从数据、特征、模型、回测四个环节拆开讲每一步都给出可复现的代码和参数依据。2. 多因子特征工程把 K 线变成 LSTM 能吃的张量2.1 因子选型为什么是这五类而不是随便凑十个因子不是越多越好。LSTM 的输入维度每增加一维需要的训练样本量就指数级上升而比特币的日线数据从 2013 年算起也不过四千多根4 小时线多一些但噪声更大。我一般会控制在 815 个因子之间按五类来选动量类过去 1、3、7、14 根 K 线的收益率。捕捉短期趋势延续和反转。波动率类ATR平均真实波幅和布林带宽度。波动率扩张和收缩对应不同的市场状态。成交量类成交量变化率、买卖量比taker buy/sell volume ratio。量价背离是反转的早期信号。资金面类永续合约资金费率、未平仓合约量变化率。这两个因子在现货数据里没有需要从衍生品接口单独拉。链上类活跃地址数变化率、交易所净流入流出量。链上数据更新频率低做日线级别策略时用前一天的数值避免未来函数。选因子的原则是每个因子都要有明确的经济含义且因子之间相关性不能太高。我一般会算一个因子相关性矩阵两两相关系数超过 0.85 的就砍掉一个保留逻辑更直接的那个。2.2 数据对齐与缺失值处理时间戳对不齐是万恶之源多因子最大的坑不在模型在数据对齐。现货 K 线是 UTC 0 点收盘资金费率每 8 小时结算一次链上数据可能是 UTC 0 点快照但 API 返回有延迟。如果直接按索引 merge会出现大量 NaN 或者更隐蔽的错位——今天的资金费率被错误地拼到了昨天的 K 线上。我的做法是统一转成 UTC 时间戳按小时重采样然后用前向填充forward fill处理低频因子但限制最多填充 3 个周期超过就标记为缺失。下面是对齐代码import pandas as pd import numpy as np def align_factors(price_df, funding_df, onchain_df, freq4H): price_df: 现货K线columns[open, high, low, close, volume]index为UTC时间戳 funding_df: 资金费率columns[funding_rate, open_interest]index为UTC时间戳 onchain_df: 链上数据columns[active_addr_chg, exchange_netflow]index为UTC时间戳 freq: 重采样频率默认4小时 # 统一重采样到目标频率取每个周期的最后一条有效值 price_res price_df.resample(freq).agg({ open: first, high: max, low: min, close: last, volume: sum }) funding_res funding_df.resample(freq).last() onchain_res onchain_df.resample(freq).last() # 合并链上数据允许前向填充最多3个周期 df price_res.join(funding_res, howleft).join(onchain_res, howleft) df[active_addr_chg] df[active_addr_chg].ffill(limit3) df[exchange_netflow] df[exchange_netflow].ffill(limit3) # 删除仍然缺失的行并打印缺失比例 missing_ratio df.isna().mean() print(f缺失比例\n{missing_ratio[missing_ratio 0]}) df df.dropna() return df逻辑说明resample(freq).last()取每个周期最后一个值是因为资金费率和链上数据是状态量而非累积量。ffill(limit3)限制填充长度防止用太旧的数据掩盖真实缺失。最后打印缺失比例如果某个因子缺失超过 10%说明数据源有问题需要换源而不是硬填。参数方面freq的选择取决于你的持仓周期。做日内短线用 1H波段用 4H趋势跟踪用 1D。我实测下来 4H 在比特币上信噪比最平衡1H 噪声太大1D 样本又太少。2.3 因子标准化与标签构造别让量纲差异毁掉梯度成交量动辄几十万收益率在 -0.05 到 0.05 之间直接喂给 LSTM 会导致梯度被大量纲因子主导。标准化用滚动窗口的 z-score而不是全局标准化——全局标准化会引入未来信息因为均值和标准差是用全量数据算的。def rolling_zscore(series, window200): 滚动z-scorewindow为回看周期数 mean series.rolling(window).mean() std series.rolling(window).std() return (series - mean) / (std 1e-8) def build_features_labels(df, lookback48, horizon6): lookback: 用过去多少根K线做输入 horizon: 预测未来多少根K线的累计收益方向 # 构造因子列 df[ret_1] df[close].pct_change(1) df[ret_3] df[close].pct_change(3) df[ret_7] df[close].pct_change(7) df[ret_14] df[close].pct_change(14) df[atr] (df[high] - df[low]).rolling(14).mean() / df[close] df[vol_chg] df[volume].pct_change(1) df[bb_width] (df[close].rolling(20).std() * 2) / df[close].rolling(20).mean() factor_cols [ret_1, ret_3, ret_7, ret_14, atr, vol_chg, bb_width, funding_rate, open_interest, active_addr_chg, exchange_netflow] # 对每个因子做滚动标准化 for col in factor_cols: df[col _z] rolling_zscore(df[col], window200) z_cols [c _z for c in factor_cols] # 标签未来horizon根K线的累计收益三分类 df[future_ret] df[close].shift(-horizon) / df[close] - 1 df[label] pd.cut(df[future_ret], bins[-np.inf, -0.01, 0.01, np.inf], labels[0, 1, 2]) # 0跌 1震荡 2涨 # 构造LSTM输入张量 X, y [], [] for i in range(lookback, len(df) - horizon): X.append(df[z_cols].iloc[i-lookback:i].values) y.append(df[label].iloc[i]) return np.array(X), np.array(y), z_cols逻辑说明rolling_zscore的窗口设为 200对应 4H 频率下约 33 天足够覆盖一个完整的市场情绪周期。标签用三分类而不是回归是因为收益率的绝对值预测极不稳定但方向分类的稳定性好得多。bins的阈值 ±1% 是经验值在 4H 频率下大约对应 1.5 倍 ATR能过滤掉大量微小波动带来的噪声标签。注意shift(-horizon)构造标签时最后 horizon 行没有标签循环里用len(df) - horizon截断避免用未来数据。这个细节如果漏掉回测收益会虚高得离谱。3. LSTM 模型搭建与训练层数、Dropout 和学习率怎么定3.1 网络结构两层 LSTM 加注意力池化就够了比特币价格序列的信噪比很低堆太深的网络只会更快过拟合。我试过 1 到 4 层 LSTM2 层在验证集上的表现最稳。每层隐藏单元 64输入维度等于因子数量上面例子是 11输出接一个注意力池化层而不是直接取最后一个时间步——因为最后一个时间步未必包含最关键的信息注意力机制让模型自己决定看哪几个时间点。import torch import torch.nn as nn class AttentionPool(nn.Module): def __init__(self, hidden_dim): super().__init__() self.attn nn.Linear(hidden_dim, 1) def forward(self, lstm_out): # lstm_out: (batch, seq_len, hidden_dim) weights torch.softmax(self.attn(lstm_out), dim1) # (batch, seq_len, 1) pooled (lstm_out * weights).sum(dim1) # (batch, hidden_dim) return pooled class MultiFactorLSTM(nn.Module): def __init__(self, input_dim, hidden_dim64, num_layers2, dropout0.3, num_classes3): super().__init__() self.lstm nn.LSTM( input_sizeinput_dim, hidden_sizehidden_dim, num_layersnum_layers, batch_firstTrue, dropoutdropout if num_layers 1 else 0 ) self.attn_pool AttentionPool(hidden_dim) self.classifier nn.Sequential( nn.Linear(hidden_dim, 32), nn.ReLU(), nn.Dropout(dropout), nn.Linear(32, num_classes) ) def forward(self, x): lstm_out, _ self.lstm(x) pooled self.attn_pool(lstm_out) return self.classifier(pooled)逻辑说明dropout0.3是循环网络里的常用值再高会导致欠拟合。num_layers2时 LSTM 内部会自动在层间加 dropout但第一层和第二层之间不加这是 PyTorch 的默认行为。注意力池化用单层线性映射加 softmax参数量极小不会显著增加过拟合风险。参数方面hidden_dim64对应 11 维输入已经足够如果因子数量增加到 20 以上可以提到 96 或 128。num_classes3对应跌、震荡、涨三分类。3.2 训练流程时间序列交叉验证与早停不能用随机划分训练集和验证集因为时间序列的样本不独立。正确做法是按时间顺序切分比如前 70% 训练中间 15% 验证最后 15% 测试。更严格的做法是滚动窗口交叉验证但计算量大日常调参用固定切分就够了。from torch.utils.data import DataLoader, TensorDataset from sklearn.metrics import f1_score def train_model(X, y, input_dim, epochs100, batch_size64, lr1e-3, patience10): # 按时间顺序切分 n len(X) train_end int(n * 0.7) val_end int(n * 0.85) X_train, y_train X[:train_end], y[:train_end] X_val, y_val X[train_end:val_end], y[train_end:val_end] X_test, y_test X[val_end:], y[val_end:] # 转成tensor train_ds TensorDataset(torch.FloatTensor(X_train), torch.LongTensor(y_train)) val_ds TensorDataset(torch.FloatTensor(X_val), torch.LongTensor(y_val)) test_ds TensorDataset(torch.FloatTensor(X_test), torch.LongTensor(y_test)) train_loader DataLoader(train_ds, batch_sizebatch_size, shuffleTrue) val_loader DataLoader(val_ds, batch_sizebatch_size, shuffleFalse) test_loader DataLoader(test_ds, batch_sizebatch_size, shuffleFalse) model MultiFactorLSTM(input_diminput_dim) optimizer torch.optim.Adam(model.parameters(), lrlr, weight_decay1e-4) scheduler torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, patience5, factor0.5) criterion nn.CrossEntropyLoss() best_val_f1 0 best_state None wait 0 for epoch in range(epochs): model.train() for xb, yb in train_loader: optimizer.zero_grad() loss criterion(model(xb), yb) loss.backward() torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm1.0) optimizer.step() # 验证 model.eval() val_preds, val_trues [], [] with torch.no_grad(): for xb, yb in val_loader: preds model(xb).argmax(dim1) val_preds.extend(preds.numpy()) val_trues.extend(yb.numpy()) val_f1 f1_score(val_trues, val_preds, averagemacro) scheduler.step(1 - val_f1) if val_f1 best_val_f1: best_val_f1 val_f1 best_state model.state_dict().copy() wait 0 else: wait 1 if wait patience: print(f早停于 epoch {epoch}最佳验证F1{best_val_f1:.4f}) break model.load_state_dict(best_state) # 测试集评估 model.eval() test_preds, test_trues [], [] with torch.no_grad(): for xb, yb in test_loader: preds model(xb).argmax(dim1) test_preds.extend(preds.numpy()) test_trues.extend(yb.numpy()) test_f1 f1_score(test_trues, test_preds, averagemacro) print(f测试集F1{test_f1:.4f}) return model, test_f1逻辑说明clip_grad_norm_(max_norm1.0)是 LSTM 训练的标配防止梯度爆炸。weight_decay1e-4是 L2 正则配合 dropout 一起抑制过拟合。ReduceLROnPlateau在验证 F1 不再提升时把学习率减半比固定学习率更容易收敛到好的局部解。早停的patience10意味着连续 10 个 epoch 验证 F1 没提升就停这个值在 4H 数据上大约对应 2 到 3 天的训练时间。注意shuffleTrue只用在训练集验证集和测试集必须保持时间顺序否则评估结果没有意义。3.3 类别不平衡处理震荡样本太多怎么办三分类里「震荡」样本通常占 50% 以上模型会倾向于全预测震荡来刷准确率。解决办法是在损失函数里给少数类更高权重# 计算类别权重 from sklearn.utils.class_weight import compute_class_weight class_weights compute_class_weight(balanced, classesnp.unique(y_train), yy_train) class_weights torch.FloatTensor(class_weights) criterion nn.CrossEntropyLoss(weightclass_weights)compute_class_weight(balanced)会自动按类别频率的倒数赋权让模型对跌和涨的样本更敏感。这个改动通常能把涨跌两类的召回率提升 10 到 15 个百分点代价是震荡类的精确率略降但交易策略里抓住趋势比过滤震荡更重要。4. 回测与信号执行从模型输出到仓位管理4.1 信号生成概率阈值比 argmax 更可控模型输出的是三个类别的概率直接取 argmax 会在概率接近时频繁翻转仓位手续费吃掉大部分利润。我一般设两个阈值涨的概率超过 0.55 才做多跌的概率超过 0.55 才做空否则空仓。阈值可以通过验证集上的收益曲线来调0.5 到 0.6 之间通常有一个夏普比率的高点。def generate_signals(model, X_test, threshold0.55): model.eval() with torch.no_grad(): probs torch.softmax(model(torch.FloatTensor(X_test)), dim1).numpy() signals np.zeros(len(probs)) signals[probs[:, 2] threshold] 1 # 做多 signals[probs[:, 0] threshold] -1 # 做空 return signals, probs逻辑说明probs[:, 2]是涨的概率probs[:, 0]是跌的概率。两个条件互斥因为 softmax 输出不会同时让两个类别都超过 0.55除非阈值设得很低。信号为 0 表示空仓这在震荡市里能避免大量无效交易。4.2 回测框架手续费、滑点和资金曲线回测必须扣手续费和滑点否则结果毫无参考价值。比特币永续合约的 taker 手续费大约 0.05%滑点按 0.02% 算每次开平仓合计成本约 0.14%。下面是一个简化的向量化回测def backtest(signals, close_prices, fee0.0005, slippage0.0002): signals: 仓位信号1做多 -1做空 0空仓 close_prices: 对应周期的收盘价 returns np.diff(close_prices) / close_prices[:-1] # 信号滞后一根K线执行避免未来函数 position signals[:-1] strategy_ret position * returns # 计算换手成本 turnover np.abs(np.diff(np.concatenate([[0], position]))) cost turnover * (fee slippage) strategy_ret_net strategy_ret - cost # 资金曲线 equity np.cumprod(1 strategy_ret_net) sharpe np.mean(strategy_ret_net) / (np.std(strategy_ret_net) 1e-8) * np.sqrt(365 * 6) # 4H频率年化 return equity, sharpe逻辑说明position signals[:-1]是关键信号基于当前 K 线收盘生成但执行要在下一根 K 线开盘所以收益计算要用下一根 K 线的收益率。turnover计算仓位变化次数每次变化扣一次成本。np.sqrt(365 * 6)是 4H 频率的年化因子因为一天有 6 个 4 小时周期。参数方面fee0.0005对应 taker 费率如果你用 maker 挂单可以降到 0.0002但成交概率会下降。slippage0.0002是保守估计大资金需要调高。4.3 仓位管理固定比例还是波动率倒数固定比例仓位比如每次用 10% 资金简单但不够精细。更好的做法是按波动率倒数分配仓位波动率高时减仓波动率低时加仓让每笔交易的风险贡献大致相等。def vol_target_position(signals, atr, target_vol0.02): signals: 原始信号 atr: 对应周期的ATR值 target_vol: 目标波动率默认2% position_size target_vol / (atr 1e-8) position_size np.clip(position_size, 0, 1) # 限制最大仓位为1 return signals * position_sizetarget_vol0.02表示每根 K 线愿意承担 2% 的波动这个值根据个人风险偏好调整。np.clip防止低波动时仓位超过 100%。5. 避坑指南多因子 LSTM 策略最常见的五个翻车点5.1 未来函数回测夏普 3.0实盘亏成狗现象回测资金曲线平滑向上夏普比率超过 3实盘一跑就连续亏损。原因最常见的是标准化用了全量数据的均值和标准差或者标签构造时shift方向写反或者因子计算里用了rolling但没加.shift(1)。另一个隐蔽的是链上数据的时间戳——API 返回的是数据采集时间但实际链上确认时间可能晚几个小时如果直接按采集时间对齐相当于用了未来数据。解决所有滚动计算后统一加.shift(1)确保第 t 根 K 线只能看到 t-1 及之前的信息。标准化用滚动窗口而不是全局。链上数据至少滞后一个周期使用。回测前用一个小脚本检查把因子矩阵整体后移一根 K 线如果回测收益变化超过 20%说明有未来函数。5.2 过拟合验证集 F1 0.65测试集掉到 0.45现象训练过程中验证集 F1 能到 0.65 以上但测试集只有 0.45 左右实盘更差。原因模型太复杂或者训练太久。LSTM 参数量相对于比特币的数据量来说很容易过大两层 64 单元的 LSTM 大约有 5 万参数而有效样本可能只有几千个。另外如果因子之间高度相关模型会记住噪声而不是规律。解决先减层数从 2 层降到 1 层试试。再减隐藏单元从 64 降到 32。增加 dropout 到 0.4 或 0.5。减少因子数量用相关性矩阵砍掉冗余因子。如果这些都不行说明数据量本身不够考虑用更高频率的数据或者换更简单的模型比如 GRU 或一维卷积。5.3 数据泄漏因子和标签用了同一根 K 线的收盘价现象模型在训练集上准确率 90% 以上但样本外完全随机。原因构造标签时用了close.shift(-horizon)但因子计算里也用了close的当前值而当前值在实盘时是未知的。比如ret_1 close.pct_change(1)用的是当前收盘价和上一根收盘价这个在收盘那一刻才知道但如果你在收盘前就生成信号就用了未来数据。解决明确信号生成的时间点。如果是在每根 K 线收盘后生成信号、下一根开盘执行那么因子可以用当前收盘价。但如果是在 K 线内实时生成信号因子必须全部滞后一根。回测里统一用「收盘生成、下根开盘执行」的模式并在代码里显式写出position signals[:-1]。5.4 手续费吞噬利润高频翻转导致净值归零现象策略毛收益为正但扣掉手续费后资金曲线持续向下。原因模型在概率接近 0.5 时频繁翻转仓位每次翻转都扣手续费和滑点。4H 频率下如果每根 K 线都换仓一年换手 2000 多次成本超过 100%。解决设概率阈值只在置信度高时开仓。加一个最小持仓周期比如开仓后至少持有 3 根 K 线才能平仓。用 maker 挂单代替 taker 吃单手续费从 0.05% 降到 0.02%。回测里把手续费设得比实际高一点比如 0.07%留出安全边际。5.5 市场状态切换训练集是牛市测试集是熊市现象模型在 2020 到 2021 年数据上表现很好但 2022 年完全失效。原因LSTM 学到的是特定市场状态下的模式牛市里动量因子有效熊市里反转因子有效。如果训练集只覆盖一种状态模型无法泛化。解决训练集必须包含至少一个完整的牛熊周期。比特币的周期大约 4 年所以训练数据至少要从 2018 年之前开始。如果数据不够可以用数据增强——对收益率序列做随机缩放和加噪生成不同波动率状态下的合成样本。另外在因子里加入市场状态标识比如用 200 日移动均线判断牛熊让模型自己学习状态切换。6. 进阶技巧用滚动重训练和集成推理稳住实盘表现模型训练完不是终点。比特币市场结构在变2021 年的因子有效性到 2024 年可能完全反转。我现在的做法是每 3 个月用最近 2 年的数据重新训练一次模型但保留旧模型推理时用三个不同时间窗口训练的模型做集成——比如一个用最近 1 年数据、一个用最近 2 年、一个用最近 3 年三个模型的概率取平均后再生成信号。这样做的逻辑是短窗口模型对近期状态敏感长窗口模型更稳定集成后能平滑掉单模型的状态偏移。具体实现上维护一个模型池每个模型记录训练数据的截止日期。推理时加载所有模型对同一批输入分别前向传播然后对 softmax 概率做算术平均def ensemble_predict(models, x): models: 模型列表x: 输入张量 probs_list [] for model in models: model.eval() with torch.no_grad(): probs torch.softmax(model(x), dim1) probs_list.append(probs) avg_probs torch.stack(probs_list).mean(dim0) return avg_probs另一个技巧是动态阈值。固定 0.55 的阈值在波动率高的时期会错过趋势在波动率低的时期会频繁开仓。我一般用波动率分位数来调阈值当前 ATR 处于过去 200 根 K 线的 80% 分位以上时阈值降到 0.52低于 20% 分位时阈值提到 0.60。这个调整能让策略在趋势行情里更激进在震荡行情里更保守。最后说一个我踩过的坑不要用测试集调任何参数。测试集只能用一次看完结果就封存。如果调完参数再看测试集测试集就变成了验证集你永远不知道真实样本外的表现。我现在的习惯是留最后 6 个月的数据完全不动等模型和参数全部定下来之后只跑一次结果无论好坏都接受。这个习惯让我避免了很多次「回测很美、实盘很惨」的循环。希望帮到你。本文还有配套的精品资源点击获取