feat: 添加8个多尺度分析模块并完善研究报告

新增分析模块: - microstructure: 市场微观结构分析 (Roll价差, VPIN, Kyle's Lambda) - intraday_patterns: 日内模式分析 (U型曲线, 三时区对比) - scaling_laws: 统计标度律 (15尺度波动率标度, R²=0.9996) - multi_scale_vol: 多尺度已实现波动率 (HAR-RV模型) - entropy_analysis: 信息熵分析 - extreme_value: 极端值与尾部风险 (GEV/GPD, VaR回测) - cross_timeframe: 跨时间尺度关联分析 - momentum_reversion: 动量与均值回归检验现有模块增强: - hurst_analysis: 扩展至15个时间尺度，新增Hurst vs log(Δt)标度图 - fft_analysis: 扩展至15个粒度，支持瀑布图 - returns/acf/volatility/patterns/anomaly/fractal: 多尺度增强研究报告更新: - 新增第16章: 基于全量数据的深度规律挖掘 (15尺度综合) - 完善第17章: 价格推演添加实际案例 (2020-2021牛市, 2022熊市等) - 新增16.10节: 可监控的实证指标与预警信号 - 添加VPIN/波动率/Hurst等指标的实时监控阈值和案例数据覆盖: 全部15个K线粒度 (1m~1mo), 440万条记录关键发现: Hurst随尺度单调递增 (1m:0.53→1mo:0.72), 极端风险不对称 Co-Authored-By: Claude Opus 4.5 <noreply@anthropic.com>
2026-02-03 16:35:08 +08:00
parent 704cc2267d
commit 24d14a0b44
67 changed files with 8711 additions and 59 deletions
--- a/HURST_ENHANCEMENT_SUMMARY.md
+++ b/HURST_ENHANCEMENT_SUMMARY.md
@@ -0,0 +1,239 @@
+# Hurst分析模块增强总结
+
+## 修改文件
+`/Users/hepengcheng/airepo/btc_price_anany/src/hurst_analysis.py`
+
+## 增强内容
+
+### 1. 扩展至15个时间粒度
+**修改位置**：`run_hurst_analysis()` 函数（约第689-691行）
+
+**原代码**：
+```python
+mt_results = multi_timeframe_hurst(['1h', '4h', '1d', '1w'])
+```
+
+**新代码**：
+```python
+# 使用全部15个粒度
+ALL_INTERVALS = ['1m', '3m', '5m', '15m', '30m', '1h', '2h', '4h', '6h', '8h', '12h', '1d', '3d', '1w', '1mo']
+mt_results = multi_timeframe_hurst(ALL_INTERVALS)
+```
+
+**影响**：从原来的4个尺度（1h, 4h, 1d, 1w）扩展到全部15个粒度，提供更全面的多尺度分析。
+
+---
+
+### 2. 1m数据截断优化
+**修改位置**：`multi_timeframe_hurst()` 函数（约第310-313行）
+
+**新增代码**：
+```python
+# 对1m数据进行截断，避免计算量过大
+if interval == '1m' and len(returns) > 100000:
+    print(f"  {interval} 数据量较大（{len(returns)}条），截取最后100000条")
+    returns = returns[-100000:]
+```
+
+**目的**：1分钟数据可能包含数百万个数据点，截断到最后10万条可以：
+- 减少计算时间
+- 避免内存溢出
+- 保留最近的数据（更具代表性）
+
+---
+
+### 3. 增强多时间框架可视化
+**修改位置**：`plot_multi_timeframe()` 函数（约第411-461行）
+
+**主要改动**：
+1. **更宽的画布**：`figsize=(12, 7)` → `figsize=(16, 8)`
+2. **自适应柱状图宽度**：`width = min(0.25, 0.8 / 3)`
+3. **X轴标签旋转**：`rotation=45, ha='right'` 避免15个标签重叠
+4. **字体大小动态调整**：`fontsize_annot = 7 if len(intervals) > 8 else 9`
+
+**效果**：支持15个尺度的清晰展示，避免标签拥挤和重叠。
+
+---
+
+### 4. 新增：Hurst vs log(Δt) 标度关系图
+**新增函数**：`plot_hurst_vs_scale()` （第464-547行）
+
+**功能特性**：
+- **X轴**：log₁₀(Δt) - 采样周期的对数（天）
+- **Y轴**：Hurst指数（R/S和DFA两条曲线）
+- **参考线**：H=0.5（随机游走）、趋势阈值、均值回归阈值
+- **线性拟合**：显示标度关系方程 `H = a·log(Δt) + b`
+- **双X轴显示**：下方显示log值，上方显示时间框架名称
+
+**时间周期映射**：
+```python
+INTERVAL_DAYS = {
+    "1m": 1/(24*60),   "3m": 3/(24*60),   "5m": 5/(24*60),   "15m": 15/(24*60),
+    "30m": 30/(24*60), "1h": 1/24,        "2h": 2/24,        "4h": 4/24,
+    "6h": 6/24,        "8h": 8/24,        "12h": 12/24,      "1d": 1,
+    "3d": 3,           "1w": 7,           "1mo": 30
+}
+```
+
+**调用位置**：`run_hurst_analysis()` 函数（第697-698行）
+```python
+# 绘制Hurst vs 时间尺度标度关系图
+plot_hurst_vs_scale(mt_results, output_dir)
+```
+
+**输出文件**：`output/hurst/hurst_vs_scale.png`
+
+---
+
+## 输出变化
+
+### 新增图表
+- `hurst_vs_scale.png` - Hurst指数vs时间尺度标度关系图
+
+### 增强图表
+- `hurst_multi_timeframe.png` - 从4个尺度扩展到15个尺度
+
+### 终端输出
+分析过程会显示所有15个粒度的计算进度和结果：
+```
+【5】多时间框架Hurst指数
+--------------------------------------------------
+
+正在加载 1m 数据...
+  1m 数据量较大（1234567条），截取最后100000条
+  1m: R/S=0.5234, DFA=0.5189, 平均=0.5211
+
+正在加载 3m 数据...
+  3m: R/S=0.5312, DFA=0.5278, 平均=0.5295
+
+... (共15个粒度)
+```
+
+---
+
+## 技术亮点
+
+### 1. 标度关系分析
+通过 `plot_hurst_vs_scale()` 函数，可以观察：
+- **多重分形特征**：不同尺度下Hurst指数的变化规律
+- **标度不变性**：是否存在幂律关系 `H ∝ (Δt)^α`
+- **跨尺度一致性**：R/S和DFA方法在不同尺度的一致性
+
+### 2. 性能优化
+- 对1m数据截断，避免百万级数据的计算瓶颈
+- 动态调整可视化参数，适应不同数量的尺度
+
+### 3. 可扩展性
+- `ALL_INTERVALS` 列表可灵活调整
+- `INTERVAL_DAYS` 字典支持自定义时间周期映射
+- 函数签名保持向后兼容
+
+---
+
+## 使用方法
+
+### 运行完整分析
+```python
+from src.hurst_analysis import run_hurst_analysis
+from src.data_loader import load_daily
+
+df = load_daily()
+results = run_hurst_analysis(df, output_dir="output/hurst")
+```
+
+### 仅运行15尺度分析
+```python
+from src.hurst_analysis import multi_timeframe_hurst, plot_hurst_vs_scale
+from pathlib import Path
+
+ALL_INTERVALS = ['1m', '3m', '5m', '15m', '30m', '1h', '2h', '4h',
+                 '6h', '8h', '12h', '1d', '3d', '1w', '1mo']
+mt_results = multi_timeframe_hurst(ALL_INTERVALS)
+plot_hurst_vs_scale(mt_results, Path("output/hurst"))
+```
+
+### 测试增强功能
+```bash
+python test_hurst_15scales.py
+```
+
+---
+
+## 数据文件依赖
+
+需要以下15个CSV文件（位于 `data/` 目录）：
+```
+btcusdt_1m.csv   btcusdt_3m.csv   btcusdt_5m.csv   btcusdt_15m.csv
+btcusdt_30m.csv  btcusdt_1h.csv   btcusdt_2h.csv   btcusdt_4h.csv
+btcusdt_6h.csv   btcusdt_8h.csv   btcusdt_12h.csv  btcusdt_1d.csv
+btcusdt_3d.csv   btcusdt_1w.csv   btcusdt_1mo.csv
+```
+
+✅ **当前状态**：所有数据文件已就绪
+
+---
+
+## 预期效果
+
+### 标度关系图解读示例
+
+1. **标度不变（分形）**：
+   - Hurst指数在log(Δt)轴上呈线性关系
+   - 例如：H ≈ 0.05·log(Δt) + 0.52
+   - 说明：市场在不同时间尺度展现相似的统计特性
+
+2. **标度依赖（多重分形）**：
+   - Hurst指数在不同尺度存在非线性变化
+   - 短期尺度（1m-1h）可能偏向随机游走（H≈0.5）
+   - 长期尺度（1d-1mo）可能偏向趋势性（H>0.55）
+
+3. **方法一致性验证**：
+   - R/S和DFA两条曲线应当接近
+   - 如果差异较大，说明数据可能存在特殊结构（如极端波动、结构性断点）
+
+---
+
+## 修改验证
+
+### 语法检查
+```bash
+python3 -m py_compile src/hurst_analysis.py
+```
+✅ 通过
+
+### 文件结构
+```
+src/hurst_analysis.py
+├── multi_timeframe_hurst()     [已修改] +数据截断逻辑
+├── plot_multi_timeframe()      [已修改] +支持15尺度
+├── plot_hurst_vs_scale()       [新增]   标度关系图
+└── run_hurst_analysis()        [已修改] +15粒度+新图表调用
+```
+
+---
+
+## 兼容性说明
+
+✅ **向后兼容**：
+- 所有原有函数签名保持不变
+- 默认参数依然为 `['1h', '4h', '1d', '1w']`
+- 可通过参数指定任意粒度组合
+
+✅ **代码风格**：
+- 遵循原模块的注释风格和函数结构
+- 保持一致的变量命名和代码格式
+
+---
+
+## 后续建议
+
+1. **参数化配置**：可将 `ALL_INTERVALS` 和 `INTERVAL_DAYS` 提取为模块级常量
+2. **并行计算**：15个粒度的分析可使用多进程并行加速
+3. **缓存机制**：对计算结果进行缓存，避免重复计算
+4. **异常处理**：增强对缺失数据文件的容错处理
+
+---
+
+**修改完成时间**：2026-02-03
+**修改人**：Claude (Sonnet 4.5)
+**修改类型**：功能增强（非破坏性）