BTC/USDT 价格分析框架

一个全面的 BTC/USDT 价格量化分析框架，涵盖 25 个分析维度，从统计分布到分形几何。框架处理 Binance 多时间粒度 K 线数据（1 分钟至月线），时间跨度 2017-08 至 2026-02，生成可复现的研究级可视化图表和统计报告。

特性

• 多时间粒度数据管道 — 15 种粒度（1m ~ 1M），统一加载器，含数据校验
• 25 个分析模块 — 各模块独立运行，单模块失败不影响其余模块
• 统计严谨性 — 训练/验证集划分、多重假设检验校正、Bootstrap 置信区间
• 出版级输出 — 53 张图表（支持中文字体）+ 1300 行 Markdown 研究报告
• 模块化架构 — 可一键运行全部模块，也可通过 CLI 参数选择指定模块

项目结构

btc_price_anany/
├── main.py                 # CLI 入口
├── download_data.py        # 数据下载脚本
├── requirements.txt        # Python 依赖
├── LICENSE                 # MIT 许可证
├── data/                   # 15 个 BTC/USDT K线 CSV（需下载）
├── src/                    # 30 个分析与工具模块
│   ├── data_loader.py      # 数据加载与校验
│   ├── preprocessing.py    # 衍生特征工程
│   ├── font_config.py      # 中文字体渲染
│   ├── visualization.py    # 综合仪表盘生成
│   └── ...                 # 26 个分析模块
├── output/                 # 生成的图表（53 张 PNG）
├── docs/
│   └── REPORT.md           # 完整研究报告
└── tests/
    └── test_hurst_15scales.py  # Hurst 指数多尺度测试

快速开始

环境要求

• Python 3.10+
• 约 1 GB 磁盘空间（K 线数据）

安装

git clone https://github.com/riba2534/bitcoin-all-klines-analysis.git
cd bitcoin-all-klines-analysis
pip install -r requirements.txt

使用

# 运行全部 25 个分析模块
python main.py

# 查看可用模块列表
python main.py --list

# 运行指定模块
python main.py --modules fft wavelet hurst

# 限定日期范围
python main.py --start 2020-01-01 --end 2025-12-31

数据说明

文件	时间粒度	行数（约）
btcusdt_1m.csv	1 分钟	~4,500,000
btcusdt_3m.csv	3 分钟	~1,500,000
btcusdt_5m.csv	5 分钟	~900,000
btcusdt_15m.csv	15 分钟	~300,000
btcusdt_30m.csv	30 分钟	~150,000
btcusdt_1h.csv	1 小时	~75,000
btcusdt_2h.csv	2 小时	~37,000
btcusdt_4h.csv	4 小时	~19,000
btcusdt_6h.csv	6 小时	~12,500
btcusdt_8h.csv	8 小时	~9,500
btcusdt_12h.csv	12 小时	~6,300
btcusdt_1d.csv	1 天	~3,100
btcusdt_3d.csv	3 天	~1,000
btcusdt_1w.csv	1 周	~450
btcusdt_1mo.csv	1 月	~100

全部数据来源于 Binance 公开 API，时间范围 2017-08-17（BTCUSDT 上线日）至今。

数据未包含在仓库中，请使用内置脚本一键下载：

# 下载全部 15 个粒度（约需 30-60 分钟，支持断点续传）
python download_data.py

# 只下载指定粒度
python download_data.py 1d 1h 4h

# 查看可用粒度
python download_data.py --list

也可从 Binance 官方手动下载：https://data.binance.vision/?prefix=data/spot/daily/klines/BTCUSDT/1m/ （将 URL 中的 1m 替换为所需粒度即可）

分析模块

模块	说明
fft	FFT 功率谱、多时间粒度频谱分析、带通滤波
wavelet	连续小波变换时频图、全局谱、关键周期追踪
acf	ACF/PACF 网格分析，自相关结构识别
returns	收益率分布拟合、QQ 图、多尺度矩分析
volatility	波动率聚集、GARCH 建模、杠杆效应量化
hurst	R/S 和 DFA Hurst 指数估计、滚动窗口分析
fractal	盒计数维度、Monte Carlo 基准、自相似性检验
power_law	双对数回归、幂律增长通道、模型比较
volume_price	量价散点分析、OBV 背离检测
calendar	星期、月份、小时、季度边界效应
halving	减半周期分析与归一化轨迹对比
indicators	技术指标 IC 检验（训练/验证集划分）
patterns	K 线形态识别与前瞻收益验证
clustering	市场状态聚类（K-Means、GMM）与转移矩阵
time_series	ARIMA、Prophet、LSTM 预测与方向准确率
causality	量价特征间 Granger 因果检验
anomaly	异常检测与前兆特征分析
microstructure	市场微观结构：价差、Kyle's lambda、VPIN
intraday	日内交易时段模式与成交量热力图
scaling	统计标度律与峰度衰减
multiscale_vol	HAR 波动率、跳跃检测、高阶矩分析
entropy	样本熵与排列熵的多尺度分析
extreme	极端值理论：Hill 估计量、VaR 回测
cross_tf	跨时间粒度相关性与领先滞后分析
momentum_rev	动量 vs 均值回归：方差比率、OU 半衰期

核心发现

完整分析报告见 docs/REPORT.md，主要结论包括：

• 非高斯收益率：BTC 日收益率呈现显著厚尾（峰度 ~10），Student-t 分布拟合最优，而非高斯分布
• 波动率聚集：强 GARCH 效应，具有长记忆特征（d ≈ 0.4），波动率持续性跨时间尺度成立
• Hurst 指数 H ≈ 0.55：弱但统计显著的长程依赖，短期趋势性向长期均值回归过渡
• 分形维度 D ≈ 1.4：价格序列比布朗运动更粗糙，呈现多重分形特征
• 减半周期效应：减半后牛市统计显著，但每轮周期收益递减
• 日历效应：可检测到微弱的星期和月度季节性；日内模式在扣除交易成本后不具可利用性

许可证

本项目基于 MIT 许可证 开源。