本系统主要面向国内商品期货的量化投研与自动交易场景，适用于高频数据（分钟级K线）下的信号生成、风险度量与多品种联合预测。具体业务背景包括：
多品种、多周期数据融合：期货市场包含数十个活跃品种（如FG、RB、SF、SM等），各品种交易时间、流动性、波动特征各异，需要统一的数据对齐与预处理框架。
形态学驱动的交易逻辑：经典技术分析中的“头肩顶”“红三兵”等形态，本质上是时间序列的局部相似性问题。本项目通过滑动窗口DTW聚类，将30分钟窗口内的多维K线数据（价格、成交量、技术指标）自动归类为若干典型形态，替代人工看图的主观判断。
多品种关系建模：不同品种之间存在联动或套利关系（如螺纹钢RB与铁矿石FG），通过“关系聚类”思想，将A-B联合预测A的模型迁移到C-D联合预测C的场景，提升小品种的预测鲁棒性。
精细化风险控制：交易信号（做多/做空倾向）与风险信号（上行/下行波动率）联合输出，为仓位管理和止损决策提供量化依据。
项目包含八大核心模块：①数据预处理与对齐——多源CSV加载、交易时段分钟级对齐、缺失值填充与Flag标记；②技术指标计算——批量生成MA、EMA、RSI、RSV；③信号生成——基于指数衰减加权的未来收益综合信号S及上行风险R_up、下行风险R_down；④形态学聚类（CLARA+DTW）——滑动窗口提取、多维DTW距离计算、K-Medoids聚类；⑤聚类标签回标——将窗口类别回标至原始数据，生成One‑Hot特征；⑥MLP预测模型——融合聚类标签与归一化数值特征，预测S/R_up/R_down；⑦超参数优化——遗传算法自动搜索学习率、网络结构、Dropout、Batch Size等；⑧TabPFN基线对比——作为小样本回归基准。系统以形态自动量化为主线，将K线图形识别转化为曲线聚类，使模型自主学习历史重复模式，输出可解释的交易方向与风险度量，支撑自动化决策。
“我”负责整体架构设计、全链路流程编排、核心算法实现（DTW加速、CLARA框架、遗传算法对接）、特征工程方案制定（各列归一化策略）、多品种并行适配以及模型评估对比。技术栈：Python、PyTorch、dtaidistance、scikit‑learn‑extra、PyGAD、Pandas/NumPy、multiprocessing、Numba。架构亮点：分层特征工程（绝对值感知+形态学识别）、CLARA+DTW大规模聚类（抽样+并行降低复杂度）、遗传算法闭环优化超参数、支持双品种联合建模。难点解决：DTW效率通过C加速+批处理+多进程；跨文件边界泄漏用is_first_row标志过滤窗口；多品种对齐采用交易时间并集基准；聚类数K由Gap Statistic自动确定。系统已实现从原始数据到预测信号的全自动流水线，并支持多品种扩展。
评论