今天继续跟着demo学习。
data_fetch.py:
它是一个加密货币价格数据获取工具，可从以太坊链上获取ETH/USDC实时价格或生成模拟数据，为交易策略提供支持。
backtest.py
这个文件是一个回测系统，用来模拟交易策略在历史数据上的表现。
简单说就是：给你一个交易策略，它会在过去的价格数据上"虚拟交易"，然后告诉你这个策略能赚多少钱、风险有多大、交易了多少次等详细统计信息。
utils.py
这个文件是一个工具函数库，提供了各种常用的数据处理和分析函数。
简单说就是：包含计算收益率、波动率、夏普比率等金融指标的函数，以及数据验证、格式化显示、配置管理等辅助功能，是整个项目的"工具箱"。
工具函数库名词解释
setup_logger
是一个日志设置函数。
简单说就是：它帮你创建一个日志记录器，可以自动记录程序运行时的信息（比如错误、警告、调试信息等），并且会显示时间戳和日志级别，方便你查看程序运行状态和排查问题。
def setup_logger(name: str, level: int = logging.INFO) -> logging.Logger:
"""设置日志记录器"""
logger = logging.getLogger(name)
logger.setLevel(level)
if not logger.handlers:
handler = logging.StreamHandler()
formatter = logging.Formatter(
'%(asctime)s - %(name)s - %(levelname)s - %(message)s'
)
handler.setFormatter(formatter)
logger.addHandler(handler)
return logger
价格收益率
价格变化的百分比
基本概念
- 收益率 = (新价格 - 旧价格) / 旧价格 × 100%
举例说明
例子：股票
- 昨天股票价格：100元
- 今天股票价格：110元
- 收益率 = (110 - 100) / 100 = 10%
波动率
衡量资产价格在一定时期内波动程度的指标
，反映了价格偏离其平均水平的幅度。
衡量市场的市场不确定性和风险相对较大
夏普比率
帮你算「收益性价比」的指标
核心意思：
它像一把尺子，衡量你承担的风险是否值得——收益越高 ，风险越低 ，夏普比率就越好。
- 分子（收益）：是你「赚的超额收益」—— 扣除无风险收益（比如存银行的利息）后，真正靠承担风险换来的利润
这个数字越大，说明「回报」越诱人。 - 分母（风险）：是你「承担的波动」—— 收益上蹿下跳的幅度，代表了赚钱的不确定性
这个数字越大，说明「付出的风险成本」越高。
两者确实存在「对抗感」：夏普比率的本质，就是用「超额收益」去「对冲」风险—— 只有当收益的增长跑赢风险的增长时，这个指标才会变好。就像你打工：薪水涨幅（分子）必须超过工作强度的增加（分母），这份工作才更「值」
夏普比率 = (投资收益 - 无风险收益) ÷ 风险波动
最大回撤：投资路上的「最深坑」
简单说，就是你买的东西从最高点跌落到最低点时，亏得最惨的那一次。
它像个「风险警示灯」
：最大回撤越大，说明这东西曾经跌得越狠，你可能要做好「暂时被套牢」的心理准备；
反之，回撤小，说明它抗跌性比较强，波动没那么吓人。
买基金、股票前看看这个，就知道它历史上「最惨能亏多少」，心里有数才好下手～ 
复合收益率：让钱「滚雪球」的速度 
收益再生收益
年化收益率：把「零散收益」拉成「全年进度条」
注意两个坑 
：
- 它是「预期」不是「保证」—— 就像天气预报说今天 30℃，实际可能有点偏差
- 短期高收益≠全年都这样 —— 比如 7 天赚了 5%，年化可能高达 260%，但不可能一直这么赚
→
一句话总结：
年化收益率像个「翻译官」
，把不同时长的收益统一成「年单位」，让你一眼看出哪个更划算～
合理的换算得带着「风险滤镜」来看，分享 3 个简单思路：
1. 先看「收益的稳定性」，给波动大的收益「打个折」
→
比如：
- 基金 A：1 个月涨了 10%，但每天涨跌像坐过山车（单日波动 ±8%）
- 基金 B：1 个月涨了 8%，但每天波动很小（单日 ±1%）
直接年化的话，A 是 120%，B 是 96%，看起来 A 更猛。但实际上，A 的收益是「赌出来的」，可能下个月就跌 20%；B 是「稳出来的」，更可能持续。这时候换算全年，得给 A 的高收益「打个风险折」（比如按波动幅度扣减），而 B 的收益更可信
—— 就像打工，忽高忽低的奖金（A）不如稳定的月薪（B）靠谱。
2. 拉长期限，看「穿越波动」后的真实收益 
短期收益（比如 1 个月、3 个月）可能刚好赶上「好时候」（比如市场突然大涨），没经历过下跌考验。想换算全年，不如看它「过去 1 年、3 年」的年化收益 —— 就像看一个人成绩，不能只看某次月考，得看期中 + 期末的平均成绩，更能反映真实水平。
比如：某基金 1 个月涨 15%（年化 180%），但过去 3 年年化只有 8%，说明短期是「昙花一现」，全年大概率回归 8% 左右，风险藏在后面呢。
3. 绑上「风险指标」一起算，比如「夏普比率」+「最大回撤」
光算「收益年化」是「裸奔」，加上风险指标才是「穿了铠甲」：
- 短期收益高，但夏普比率低（说明赚的钱靠冒大险）→ 换算全年时，得想到「高收益可能伴随高回撤」，实际到手可能远低于年化。
- 短期收益中等，但最大回撤小（说明跌得少）→ 换算全年时，这个收益更「抗造」，实现的可能性更高。
就像租房：月租低但经常断水断电（高风险），和月租稍高但水电稳定（低风险），后者的「实际居住体验」（真实收益）更好。
总结：
短期收益换算全年时，风险不是「额外选项」，而是「必答题」
与其纠结「怎么算准全年收益」，不如问自己：「这个短期收益，是靠运气还是实力？经不经得起跌？」—— 想明白这两个问题，比单纯换算数字更有用～ 
这些函数主要服务于回测系统 (backtest.py)：
- 夏普比率 → 评估策略的收益风险比
- 最大回撤 → 评估策略的最大风险
- 收益率 → 基础计算函数
- 波动率 → 目前未使用，可能是为未来功能预留
对于预测比赛来说，这些函数可能不是必需的，因为目标是预测收益率，而不是评估交易策略的表现。但如果需要分析不同币种的风险特征，波动率函数可能会有用！
打算让curosr生成一个新的demo：
提示语：加密货币收益率排名预测 Demo 生成
任务描述生成一个 Python 脚本，模拟完成加密货币收益率排名预测任务，包含数据加载、特征工程、模型训练、预测和评估全流程。代码需使用随机数据模拟比赛环境，最终输出预测的加密货币收益率排名，并计算与 “真实” 排名的加权斯皮尔曼相关系数。
具体要求
- 数据模拟
- 生成包含 50 种加密货币、10 个特征的数据集
- 添加时间维度（如 30 天历史数据）
- 特征需包含价格、成交量、波动率等典型市场指标
- 特征工程
- 计算技术指标（如 MA5/MA10、RSI、MACD）
- 提取时间特征（周几、月周期等）
- 创建至少 5 个衍生特征
- 模型构建
- 使用集成学习模型（如 RandomForest/XGBoost）
- 实现交叉验证（至少 5 折）
- 包含超参数优化（如随机搜索）
- 预测与评估
- 预测未来 7 天的收益率
- 生成排名结果（按预测收益率降序）
- 计算加权斯皮尔曼相关系数（权重可设为市值或交易量）
- 代码结构
- 使用函数模块化设计（数据处理、模型训练、评估分开）
- 添加必要的注释和文档字符串
- 包含异常处理（如数据缺失、模型训练失败）
- 可视化
- 绘制特征重要性图
- 对比预测排名与实际排名的散点图
- 输出模型性能指标（如准确率、召回率）
这个demo需要python3.9版本，于是我选择使用anaconda。之前没用过，所以把步骤记录如下：
需要的可以看notion链接。
需要注意，这个demo中我使用了talib-binary，这是金融常用的库，pip安装屡屡失败，找到的解决方案是:
conda install -c quantopian ta-lib //需要已有anaconda
供大家参考。
后续安装依赖时，建议优先使用 conda 命令（如 conda install -r requirements.txt），确保环境一致性。
demo的输出：
feature_engineering.py
这个文件基本上就是计算各种技术指标，相关的技术指标和昨天的内容基本重合。指标的计算方法是金融领域的”经典公式“，在代码中利用库实现，不是机器学习算法。
目前demo实现得是”标准做法“，没有用到创新得算法。主要是”工程创新“而不是”算法创新“。
model_training.py
这个文件是机器学习库。用feature_engineering输出的特征数据训练模型。
demo里完全调用的是现成的机器学习库，sklearn和xgboost，明天可以分别研究一下这两个库。
总结：
目前对比赛的想法是，先学现成的经典方法，再去kaggle看一下别人是怎么融合模型的，最后试试自己调参选择。
“算法创新”需要深入研究机器学习和深度学习，太难了。但是我们胜在人多，大家可以从不同方向攻破比赛。
