riba2534/btc_price_anany
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity

feat: 添加8个多尺度分析模块并完善研究报告

Browse Source 
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>
This commit is contained in:
riba2534
2026-02-03 16:35:08 +08:00
parent 704cc2267d
commit 24d14a0b44
67 changed files with 8711 additions and 59 deletions
Download Patch File Download Diff File Expand all files Collapse all files

185
src/fft_analysis.py
View File

@@ -24,9 +24,21 @@ from src.preprocessing import log_returns, detrend_linear
# 多时间框架比较所用的K线粒度及其对应采样周期（天）
MULTI_TF_INTERVALS = {
"4h": 4 / 24, # 0.1667天
"1d": 1.0, # 1天
"1w": 7.0, # 7天
"1m": 1 / (24 * 60), # 分钟线
"3m": 3 / (24 * 60),
"5m": 5 / (24 * 60),
"15m": 15 / (24 * 60),
"30m": 30 / (24 * 60),
"1h": 1 / 24, # 小时线
"2h": 2 / 24,
"4h": 4 / 24,
"6h": 6 / 24,
"8h": 8 / 24,
"12h": 12 / 24,
"1d": 1.0, # 日线
"3d": 3.0,
"1w": 7.0, # 周线
"1mo": 30.0, # 月线（近似30天）
}
# 带通滤波目标周期（天）
@@ -457,18 +469,46 @@ def plot_multi_timeframe(
fig : plt.Figure
"""
n_tf = len(tf_results)
fig, axes = plt.subplots(n_tf, 1, figsize=(14, 5 * n_tf), sharex=False)
# 根据时间框架数量决定布局：超过6个使用2列布局
if n_tf > 6:
ncols = 2
nrows = (n_tf + 1) // 2
figsize = (16, 4 * nrows)
else:
ncols = 1
nrows = n_tf
figsize = (14, 5 * n_tf)
fig, axes = plt.subplots(nrows, ncols, figsize=figsize, sharex=False)
# 统一处理axes为一维数组
if n_tf == 1:
axes = [axes]
else:
axes = axes.flatten() if n_tf > 1 else [axes]
colors = ["#2196F3", "#4CAF50", "#9C27B0"]
# 使用colormap生成足够多的颜色
if n_tf <= 10:
cmap = plt.cm.tab10
else:
cmap = plt.cm.tab20
colors = [cmap(i % cmap.N) for i in range(n_tf)]
for ax, (label, data), color in zip(axes, tf_results.items(), colors):
for idx, ((label, data), color) in enumerate(zip(tf_results.items(), colors)):
ax = axes[idx]
periods = data["periods"]
power = data["power"]
noise_mean = data["noise_mean"]
ax.loglog(periods, power, color=color, linewidth=0.6, alpha=0.8,
# 转换颜色为hex格式
if isinstance(color, tuple):
import matplotlib.colors as mcolors
color_hex = mcolors.rgb2hex(color[:3])
else:
color_hex = color
ax.loglog(periods, power, color=color_hex, linewidth=0.6, alpha=0.8,
label=f"{label} Spectrum")
ax.loglog(periods, noise_mean, color="#FF9800", linewidth=1.2,
linestyle="--", alpha=0.7, label="AR(1) Noise")
@@ -495,7 +535,20 @@ def plot_multi_timeframe(
ax.legend(loc="upper right", fontsize=9)
ax.grid(True, which="both", alpha=0.3)
axes[-1].set_xlabel("Period (days)", fontsize=12)
# 隐藏多余的子图
for idx in range(n_tf, len(axes)):
axes[idx].set_visible(False)
# 设置xlabel（最底行的子图）
if ncols == 2:
# 2列布局：设置最后一行的xlabel
for idx in range(max(0, len(axes) - ncols), len(axes)):
if idx < n_tf:
axes[idx].set_xlabel("Period (days)", fontsize=12)
else:
# 单列布局
axes[n_tf - 1].set_xlabel("Period (days)", fontsize=12)
plt.tight_layout()
if save_path:
@@ -505,6 +558,105 @@ def plot_multi_timeframe(
return fig
def plot_spectral_waterfall(
tf_results: Dict[str, dict],
save_path: Optional[Path] = None,
) -> plt.Figure:
"""
15尺度频谱瀑布图 - 热力图展示不同时间框架的功率谱
Parameters
----------
tf_results : dict
键为时间框架标签，值为包含 periods/power 的dict
save_path : Path, optional
保存路径
Returns
-------
fig : plt.Figure
"""
if not tf_results:
print(" [警告] 无有效时间框架数据，跳过瀑布图")
return None
# 按采样频率排序时间框架（从高频到低频）
sorted_tfs = sorted(
tf_results.items(),
key=lambda x: MULTI_TF_INTERVALS.get(x[0], 1.0)
)
# 统一周期网格（对数空间）
all_periods = []
for _, data in sorted_tfs:
all_periods.extend(data["periods"])
# 创建对数均匀分布的周期网格
min_period = max(1.0, min(all_periods))
max_period = max(all_periods)
period_grid = np.logspace(np.log10(min_period), np.log10(max_period), 500)
# 插值每个时间框架的功率谱到统一网格
n_tf = len(sorted_tfs)
power_matrix = np.zeros((n_tf, len(period_grid)))
tf_labels = []
for i, (label, data) in enumerate(sorted_tfs):
periods = data["periods"]
power = data["power"]
# 对数插值
log_periods = np.log10(periods)
log_power = np.log10(power + 1e-20) # 避免log(0)
log_period_grid = np.log10(period_grid)
# 使用numpy插值
log_power_interp = np.interp(log_period_grid, log_periods, log_power)
power_matrix[i, :] = log_power_interp
tf_labels.append(label)
# 绘制热力图
fig, ax = plt.subplots(figsize=(16, 10))
# 使用pcolormesh绘制
X, Y = np.meshgrid(period_grid, np.arange(n_tf))
im = ax.pcolormesh(X, Y, power_matrix, cmap="viridis", shading="auto")
# 颜色条
cbar = fig.colorbar(im, ax=ax, pad=0.02)
cbar.set_label("log10(Power)", fontsize=12)
# Y轴标签（时间框架）
ax.set_yticks(np.arange(n_tf))
ax.set_yticklabels(tf_labels, fontsize=10)
ax.set_ylabel("Timeframe", fontsize=12, fontweight="bold")
# X轴对数刻度
ax.set_xscale("log")
ax.set_xlabel("Period (days)", fontsize=12, fontweight="bold")
ax.set_xlim(min_period, max_period)
# 关键周期参考线
key_periods = [7, 30, 90, 365, 1460]
for kp in key_periods:
if min_period <= kp <= max_period:
ax.axvline(kp, color="white", linestyle="--", linewidth=0.8, alpha=0.5)
ax.text(kp, n_tf + 0.5, f"{kp}d", fontsize=8, color="white",
ha="center", va="bottom", fontweight="bold")
ax.set_title("BTC Price FFT Spectral Waterfall - Multi-Timeframe Comparison",
fontsize=14, fontweight="bold", pad=15)
ax.grid(True, which="both", alpha=0.2, color="white", linewidth=0.5)
plt.tight_layout()
if save_path:
fig.savefig(save_path, **SAVE_KW)
print(f" [保存] 频谱瀑布图 -> {save_path}")
return fig
def plot_bandpass_components(
dates: pd.DatetimeIndex,
original_signal: np.ndarray,
@@ -637,7 +789,7 @@ def run_fft_analysis(
执行以下分析并保存可视化结果：
1. 日线对数收益率FFT频谱分析（Hann窗 + AR1红噪声基线）
2. 功率谱峰值检测（5x噪声阈值）
3. 多时间框架（4h/1d/1w）频谱对比
3. 多时间框架（全部15个粒度）频谱对比 + 频谱瀑布图
4. 带通滤波提取关键周期分量（7d/30d/90d/365d/1400d）
Parameters
@@ -721,7 +873,8 @@ def run_fft_analysis(
# ----------------------------------------------------------
# 第二部分：多时间框架FFT对比
# ----------------------------------------------------------
print("\n[2/4] 多时间框架FFT对比 (4h / 1d / 1w)")
print("\n[2/4] 多时间框架FFT对比 (全部15个粒度)")
print(f" 时间框架列表: {list(MULTI_TF_INTERVALS.keys())}")
tf_results = {}
for interval, sp_days in MULTI_TF_INTERVALS.items():
@@ -734,12 +887,14 @@ def run_fft_analysis(
if result:
tf_results[interval] = result
n_peaks = len(result["peaks"]) if not result["peaks"].empty else 0
print(f" {interval}: {len(result['log_ret'])} 样本, {n_peaks} 个显著峰值")
print(f" {interval:>4}: {len(result['log_ret']):>8} 样本, {n_peaks:>2} 个显著峰值")
except FileNotFoundError:
print(f" [警告] {interval} 数据文件未找到，跳过")
except Exception as e:
print(f" [警告] {interval} 分析失败: {e}")
print(f"\n 成功分析 {len(tf_results)}/{len(MULTI_TF_INTERVALS)} 个时间框架")
# 多时间框架对比图
if len(tf_results) > 1:
fig_mtf = plot_multi_timeframe(
@@ -747,6 +902,14 @@ def run_fft_analysis(
save_path=output_path / "fft_multi_timeframe.png",
)
plt.close(fig_mtf)
# 新增：频谱瀑布图
fig_waterfall = plot_spectral_waterfall(
tf_results,
save_path=output_path / "fft_spectral_waterfall.png",
)
if fig_waterfall:
plt.close(fig_waterfall)
else:
print(" [警告] 可用时间框架不足，跳过对比图")