forex-eurusd-direction API参考：完整接口说明与使用示例

forex-eurusd-direction API参考：完整接口说明与使用示例

【免费下载链接】forex-eurusd-direction项目地址: https://ai.gitcode.com/hf_mirrors/lvizcaya/forex-eurusd-direction

forex-eurusd-direction是一个强大的EUR/USD汇率预测工具，通过机器学习模型组合提供次日汇率方向预测。本API参考文档将详细介绍其核心功能、使用方法和接口说明，帮助开发者快速集成和使用这一预测系统。

核心功能概述 🚀

该项目采用LightGBM和XGBoost的加权集成模型，基于53个技术指标和市场特征，预测EUR/USD货币对次日的价格方向（上涨或下跌）。系统每日更新数据并提供预测结果，适合外汇交易策略开发和市场分析。

主要特性

• 高精度预测：经过198次滚动窗口优化，模型在测试集上达到66.62%的准确率
• 多模型集成：采用0.39:0.61的权重组合LightGBM和XGBoost模型
• 全面技术指标：涵盖动量、波动率、趋势、成交量等四大类共53个特征
• 实时数据获取：自动从Yahoo Finance获取最新的EUR/USD历史数据

快速开始指南

环境准备

在使用前，请确保安装以下依赖库：

yfinance, lightgbm, xgboost, ta, scikit-learn, joblib, numpy, pandas

安装步骤

1. 克隆项目仓库：

git clone https://gitcode.com/hf_mirrors/lvizcaya/forex-eurusd-direction cd forex-eurusd-direction

2. 安装依赖：

pip install -r requirements.txt

基本使用示例

运行预测脚本获取最新预测结果：

python predict.py

典型输出结果：

Date: 2023-11-15 EUR/USD Close: 1.08725 Prediction for next day: UP Confidence: 68.3% LightGBM prob(UP): 0.652 (weight: 39%) XGBoost prob(UP): 0.701 (weight: 61%) Ensemble prob(UP): 0.683

API接口详解

主要预测函数

predict()

功能：执行完整的预测流程，包括数据获取、特征计算、模型预测和结果输出。

参数：无

返回：打印预测结果到控制台，包括日期、当前收盘价、预测方向、置信度和各模型的概率贡献。

调用示例：

from predict import predict predict()

特征计算函数

compute_features(df)

功能：从OHLCV数据计算所有技术指标和特征。

参数：

• df：包含"Open"、"High"、"Low"、"Close"和"Volume"列的Pandas DataFrame，索引为日期时间。

返回：添加了53个特征列的DataFrame。

特征类别：

• 对数收益率和动量指标（如log_return_5d、momentum_21d）
• 波动率指标（如volatility_10d、volatility_63d）
• 移动平均线相关指标（如price_to_sma_50、ema_cross）
• 动量 oscillators（如rsi_14、stoch_k、williams_r）
• 趋势指标（如macd、adx、cci）
• 成交量指标（如obv、obv_pct）
• 价格范围指标（如hl_range、oc_range）
• 时间特征（如day_of_week、month）

完整特征列表可查看feature_columns.json文件。

配置参数说明

项目配置存储在config.json文件中，包含以下关键参数：

模型文件说明

项目包含以下预训练模型和数据文件：

• lgb_model.joblib：LightGBM模型
• xgb_model.joblib：XGBoost模型
• scaler.joblib：特征标准化器
• feature_columns.json：用于预测的特征列表

高级使用

集成到自定义系统

您可以在自己的Python代码中导入预测功能：

from predict import predict # 获取预测结果 predict() # 或者在代码中调用特征计算和预测逻辑 import pandas as pd from predict import compute_features # 加载您自己的OHLCV数据 df = pd.read_csv("your_data.csv", index_col=0, parse_dates=True) # 计算特征 feature_df = compute_features(df) # 加载模型和特征列 import joblib import json lgb_model = joblib.load("lgb_model.joblib") xgb_model = joblib.load("xgb_model.joblib") scaler = joblib.load("scaler.joblib") feature_cols = json.load(open("feature_columns.json")) # 准备特征数据 X = scaler.transform(feature_df[feature_cols].values) # 进行预测 lgb_prob = lgb_model.predict_proba(X)[:, 1] xgb_prob = xgb_model.predict_proba(X)[:, 1] ensemble_prob = 0.39 * lgb_prob + 0.61 * xgb_prob

调整预测参数

您可以修改config.json文件中的参数来调整预测行为：

• 修改lgb_weight和xgb_weight调整模型权重
• 调整lookback_windows更改特征计算的时间窗口

性能指标

模型在测试集上的主要性能指标：

• 准确率（Accuracy）：66.62%
• F1分数（Macro）：66.10%
• ROC曲线下面积（AUC）：72.55%
• 基准模型（随机预测）准确率：50.41%

详细的模型评估结果可参考fold_results.json和yearly_results.csv文件。

故障排除

常见问题解决

1. 数据获取失败：

   • 检查网络连接
   • 确认Yahoo Finance的EUR/USD代码是否变更（当前使用"EURUSD=X"）

2. 模型加载错误：

   • 确保所有.joblib文件存在且完整
   • 检查scikit-learn和相关库的版本兼容性

3. 特征计算错误：

   • 确保输入DataFrame包含所需的OHLCV列
   • 提供足够的历史数据（至少300天）以计算所有技术指标

总结

forex-eurusd-direction提供了一个易于使用且高性能的EUR/USD汇率预测API，通过先进的机器学习技术为开发者和交易者提供可靠的市场方向预测。无论是构建自动交易系统还是进行市场分析，本工具都能提供有价值的 insights 和决策支持。

通过简单的API调用，您可以快速集成这一预测功能，获取每日更新的EUR/USD方向预测，帮助您在外汇市场中做出更明智的决策。

【免费下载链接】forex-eurusd-direction项目地址: https://ai.gitcode.com/hf_mirrors/lvizcaya/forex-eurusd-direction