基於 PatchTST (Channel-Time Patch Time-Series Transformer) 的量化預測系統，專注於港股（小米 1810.HK）的價格預測與回測。
版本: v1.1.1 (2026-04-19) - 分類模型 + 滾動預測版本
本項目使用 Transformer 架構處理時間序列數據，通過 Patch-based 方法提取局部時序特徵，結合多維技術指標進行股票價格方向預測（分類任務）。
- 🔮 PatchTST 分類模型: 預測 T+5 日價格方向（漲/跌），輸出上漲概率 prob_up
- 📈 特徵工程: 原始價格 + 技術指標（EMA比率/MACD/RSI/ATR比率/OBV/成交量比率/收益率）
- 🎯 方向預測: 二分類問題（漲/跌），預測收益率轉換:
(prob_up - 0.5) * 0.1 - 📊 完整回測: 支持多時間段回測、Walk-forward CV 參數優化、風險指標計算
- 🎨 數據可視化: 暗色主題專業圖表（含混淆矩陣、價格散點圖、持倉狀態條）
- ⚖️ Walk-forward CV: Optuna + 時間序列交叉驗證，避免過擬合
- 🔄 滾動預測: 紅線使用歷史5天數據分別預測未來5天（非插值）
quantforecast/
├── src/ # 源代碼
│ ├── backtest/ # 回測引擎
│ │ ├── engine.py
│ │ └── reporting.py
│ ├── data/ # 數據處理
│ │ ├── loader.py
│ │ ├── preprocessor.py
│ │ └── features.py
│ ├── models/ # 模型定義
│ │ ├── patchtst.py # PatchTST 分類/回歸模型
│ │ └── revin.py # 可逆實例歸一化
│ ├── training/ # 訓練與優化
│ │ ├── trainer.py
│ │ ├── evaluator.py
│ │ └── optimizers/
│ │ └── optuna_optimizer.py
│ ├── utils/ # 工具函數
│ └── config.py # 配置管理
├── scripts/ # 執行腳本
│ ├── backtest.py # 完整回測（含圖表輸出）
│ ├── backtest_old_params.py # 舊參數回測可視化
│ ├── visualize_backtest.py # 回測可視化模塊
│ ├── train.py # 模型訓練
│ ├── optimize.py # Optuna 模型超參優化
│ ├── strategy_optimize.py # 交易策略參數優化
│ ├── plot_optimization.py # 優化結果可視化
│ ├── plot_params_comparison.py # 參數對比可視化
│ ├── update_realtime.py # 實時數據更新
│ ├── daily_pipeline.py # 每日數據管道
│ └── scheduled_backtest.py # 定時回測任務
├── data/ # 數據文件
│ └── xiaomi_real.csv # 小米股價數據 (2023-01 ~ 2026-04)
├── results/ # 結果輸出
│ ├── complete_backtest_results.png # 回測圖表
│ ├── complete_backtest_results.json # 回測數據
│ ├── future_prediction.json # 未來5天預測
│ └── optuna_best_params_*.json # 最佳參數
├── models/ # 模型文件
│ └── patchtst_classification_fixed_20260416_121241.pth # 當前模型
├── logs/ # 日誌文件
└── README.md # 本文件
pip install -r requirements.txtcd quantforecast
python3 scripts/update_realtime.py數據源：
- akshare: 歷史日線數據（延遲但完整）
- 新浪/騰訊實時: 當日收盤價（實時更新）
cd quantforecast
# 使用優化後的參數運行回測
python3 scripts/backtest.py --optimized --months 3
# 或使用默認參數
python3 scripts/backtest.py回測結果將輸出至：
results/complete_backtest_results.png- 回測圖表（含回測時間戳與 T+1 建議）results/complete_backtest_results.json- 詳細回測數據results/future_prediction.json- 未來5天預測
# Walk-forward CV 優化（推薦）
python3 scripts/optimize.py
# 常規訓練
python3 scripts/train.py# 優化交易策略參數（概率閾值/持有天數/止損比例）
python3 scripts/strategy_optimize.py模型文件: patchtst_classification_fixed_20260416_121241.pth
模型類型: 分類模型（Classification）
輸出:
prob_up: 上漲概率 (0~1)- 預測收益率:
(prob_up - 0.5) * 0.1
最佳超參數 (Walk-forward CV + Optuna):
seq_len=20# 輸入序列長度（20個交易日）pred_len=5# 預測長度（5個交易日）d_model=64# 嵌入維度n_heads=8# 注意力頭數n_layers=3# Transformer 層數patch_len=5# Patch 長度stride=2# Patch 步長dropout=0.2# Dropout 率learning_rate=2.05e-4# 學習率batch_size=32# 批次大小策略參數 (優化後):
prob_threshold=0.3792# 概率閾值holding_days=4# 持有天數stop_loss=0.06# 止損比例 (6%)| 特徵類型 | 具體特徵 | 處理方式 |
|---|---|---|
| 價格 | open, high, low, close | 原始值 |
| 成交量 | volume, volume_ratio | 原始值 / 20日均值比率 |
| 資金流 | OBV | 累積和: sign(價格變化) * volume 的累積 |
| 趨勢 | EMA5/10/20_ratio | 比率: close/ema - 1 |
| 動量 | MACD, MACD_hist | 原始值 |
| 波動率 | ATR_ratio (ATR/close), RSI_14, volatility_20d | 比率/原始值/標準差 |
| 收益率 | return_1d, return_5d | 百分比變化 |
| 指標 | 數值 |
|---|---|
| 策略總收益 | +10.22% |
| Buy & Hold | -16.37% |
| 超額收益 | +26.59% |
| 最大回撤 | -4.63% |
| 年化波動率 | 27.00% |
| 夏普比率 | 2.73 |
| 索提諾比率 | 3.92 |
| 卡爾瑪比率 | 2.21 |
| 總交易次數 | 4次 |
| 勝率 | 100% (4勝0負) |
| 測試準確率 | 97.1% |
- 回測時間: 2026-04-19 18:39
- 最新日期: 2026-04-17
- 操作: 🔴 SELL
- 當前價格: 32.00 HKD
- 目標價格: 31.60 HKD
- 預期收益 (T+5): -1.25%
- 預測區間: 2026-04-20 ~ 2026-04-24
紅線使用滾動窗口預測（非線性插值），基於過去5天數據分別預測對應的未來日期：
- T-4 數據 → 預測 T+1
- T-3 數據 → 預測 T+2
- ...
- T 數據 → 預測 T+5
每個預測點都是獨立的模型推理，預測價格計算：
pred_price = hist_close * (1 + (prob_up - 0.5) * 0.1)
| 歷史日期 | 目標日期 | 預測價格 | prob_up |
|---|---|---|---|
| 2026-04-13 | 2026-04-20 | 30.29 HKD | 0.3780 |
| 2026-04-14 | 2026-04-21 | 30.51 HKD | 0.3789 |
| 2026-04-15 | 2026-04-22 | 30.51 HKD | 0.3744 |
| 2026-04-16 | 2026-04-23 | 31.66 HKD | 0.3737 |
| 2026-04-17 | 2026-04-24 | 31.60 HKD | 0.3751 |
complete_backtest_results.png 包含6個子圖，配合回測數據解讀：
預測方向 vs 實際方向，對齊黃線邏輯（T vs T-5 比較）：
| 預測跌 | 預測漲 | |
|---|---|---|
| 實際跌 | TN=26 | FP=0 |
| 實際漲 | FN=1 | TP=8 |
- 準確率: 97.1%
- Precision (漲): 100%（預測漲的全對）
- Recall (漲): 88.9%（漏了1個漲的）
策略每日收益的直方圖與核密度估計，展示收益分布形態。
X軸: 預測價格（T-5 預測的 T 時刻價格）
Y軸: 實際價格（T 時刻真實價格）
藍虛線: 完美預測對角線
- 綠點 = 預測漲（prob_up > 0.5）
- 紅點 = 預測跌（prob_up ≤ 0.5）
- 點越靠近對角線 = 預測越準確
- 藍線: 策略累計收益 (+10.22%)
- 灰虛線: Buy & Hold 基準 (-16.37%)
- 綠/紅區域: 策略正/負收益時段
- 底部顏色條: 持倉狀態（綠=持倉，紅=空倉）
- 藍線: 實際股價
- 黃線: 歷史 T+5 預測（T-5 預測的 T 時刻價格，用於回測驗證）
- 紅線: 未來5天滾動預測（T-4→T+1, T-3→T+2...）
- 紅色陰影區: 未來預測區間
- 黃線: 用 T-5 數據預測的 T 時刻價格（與藍線同時間軸對比）
- 紅線: 用過去5天數據分別預測未來5天的滾動預測（非插值）
- 持倉狀態條: 綠色 = 持倉中，紅色 = 空倉
為解決過擬合問題，使用 Walk-forward 交叉驗證：
# 時間序列交叉驗證（避免未來數據洩露）fortrain_idx, val_idxinTimeSeriesSplit(n_splits=5):
# 只在歷史數據上訓練# 在之後的數據上驗證優化結果:
- Trial: 100次
- CV Score: 最佳驗證分數
- 測試集準確率: 約 51-60%
- 模型穩定性: Walk-forward CV 顯著提升
訓練時可選擇對近期數據賦予更高權重（指數衰減）：
# 指數衰減權重：w_t = exp(λ * (t - T))# λ 越大，對近期數據權重越高weights=np.exp(decay_lambda* (time_indices-T))用途：讓模型更關注近期市場模式，適應市場結構變化。
策略優化使用網格搜索（Grid Search）測試所有參數組合：
優化參數範圍:
prob_threshold= [0.35, 0.37, 0.40, 0.45, 0.50] # 概率閾值holding_days= [1, 3, 5, 7, 10] # 持有天數stop_loss= [0.05, 0.08, 0.10, 0.15] # 止損比例評估指標:
- 總回報（Total Return）
- Sharpe Ratio（風險調整後收益）
- 最大回撤（Max Drawdown）
- 交易次數（Trade Count）
優化邏輯:
- 對每個參數組合運行完整回測
- 計算上述評估指標
- 選擇 Sharpe Ratio 最高的參數組合作為最佳策略
| 文件 | 說明 |
|---|---|
scripts/backtest.py | 主回測程序，輸出含大標題的圖表與 T+1 建議 |
scripts/visualize_backtest.py | 回測可視化模塊（暗色主題、價格對齊） |
scripts/optimize.py | Walk-forward CV + Optuna 模型超參優化 |
scripts/strategy_optimize.py | 交易策略參數優化（概率閾值/持有天數/止損比例） |
scripts/train.py | 模型訓練（支持分類/回歸） |
scripts/update_realtime.py | 實時數據更新（akshare + 新浪/騰訊） |
scripts/daily_pipeline.py | 每日數據管道（收市後自動運行） |
src/models/patchtst.py | PatchTST 分類/回歸模型架構 |
src/data/loader.py | 數據加載與驗證 |
data/xiaomi_real.csv | 小米真實股價數據 |
- 分類模型支持（輸出 prob_up 概率）
- 滾動預測：紅線使用歷史5天數據分別預測未來5天
- 價格對齊：散點圖顯示預測價格 vs 實際價格
- 策略優化：獨立腳本優化交易參數
- 清理多餘模型和腳本
- Walk-forward CV 優化流程
- 特徵工程標準化
- 基礎回測框架
- 初始版本
- PatchTST 基礎模型
- 簡單回測功能
本項目僅供研究學習使用，不構成任何投資建議。股市有風險，投資需謹慎。
模型預測存在風險與局限性：
- 近期回測準確率約 97%，但歷史表現不代表未來收益
- 預測收益波動較大，數值穩定性待改進
- 模型基於歷史數據訓練，可能無法預測黑天鵝事件或市場結構突變
- 回測期間交易次數較少（4次），統計意義有限
MIT License
- PatchTST: 基於 Nie et al. (2023) 的時間序列預測架構
- Optuna: 超參數優化框架
- PyTorch: 深度學習框架
- akshare: 財經數據接口