LSTM 外汇交易系统

基于深度学习的外汇自动交易系统

完整的工作流程：数据获取 → 模型训练 → 高性能回测 → 实盘交易

---

🎯 系统概览

这是一个完整的外汇交易系统，使用LSTM神经网络预测EURUSD价格走势，并提供：

• ✅ 智能信号生成：基于60根H1 K线的LSTM预测
• ✅ 高性能回测：信号预计算技术，速度提升50-100倍
• ✅ 风险管理：固定手数、佣金模拟
• ✅ 实盘交易：与MT5无缝集成的自动交易
• ✅ 可视化报告：交互式HTML回测报告

---

🚀 核心特性

1. LSTM深度学习模型

• 架构: 2层LSTM（隐藏层100单元）+ 全连接层
• 输入: 60个H1 K线的OHLC数据
• 输出: BUY / SELL / HOLD 三分类信号
• 训练: 10年历史数据，80/20训练测试集

2. 高性能回测系统（重要创新）⭐

传统回测的问题:

# 每个bar都调用模型 → 10年数据约87,600次调用 → 非常慢！
def next(self):
    sequence = get_last_60_bars()
    signal = model.predict(sequence)  # 重复调用
    execute_trade(signal)

我们的优化方案:

# 回测前一次性批量计算所有信号 → 只调用1次 → 超快！
signals = precompute_signals(all_data)  # 批量预测
# 回测时直接查表
def next(self):
    signal = signals[current_index]  # 查表，无模型调用
    execute_trade(signal)

性能对比:

• 传统方法: 30-60分钟（87,600次模型调用）
• 优化方法: 1-2分钟（1次批量预测 + 查表）
• 速度提升: 50-100倍 🚀

3. 风险管理系统

• 固定手数交易（0.01手）
• 交易佣金模拟（0.02%）
• 初始资金配置（10万单位）

---

🛠️ 快速开始

前置要求

# 1. Python 3.8+
python --version

# 2. 安装依赖
pip install MetaTrader5 torch pandas numpy scikit-learn backtesting

# 3. 安装并登录 MetaTrader 5（建议使用模拟账户）

两步上手

# 步骤1: 训练模型并回测（首次必须）
python lstm_forex_backtest.py

# 步骤2: 实盘交易（谨慎使用，先看 LIVE_TRADING_README.md）
python live_trading.py

---

🏗️ 系统架构

文件结构

python-lstm-forex-backtest/
│
├── 📊 核心脚本
│   ├── lstm_forex_backtest.py          # [1] 模型训练 + 高性能回测 ⭐
│   └── live_trading.py                 # [2] 实盘自动交易 ⚠️
│
├── 🤖 模型文件（自动生成）
│   ├── lstm_model.pth                  # 训练好的LSTM模型
│   └── scaler.pkl                      # 数据标准化器
│
├── 📈 回测报告（自动生成）
│   ├── backtest_report.html            # 交互式可视化报告
│   └── backtest_report.txt             # 文本统计报告
│
└── 📖 文档
    ├── README.md                       # 项目说明（本文件）
    ├── prompt.md                       # 开发规范文档
    └── LIVE_TRADING_README.md          # 实盘交易使用指南

---

⚡ 性能优化详解

优化前后对比

指标	传统方法	优化方法	提升
模型调用次数	~87,600次	1次（批量）	99.999%减少
回测耗时	30-60分钟	1-2分钟	50-100倍
内存占用	不稳定	稳定	更优

---

⚙️ 配置参数

LSTM模型参数

SEQUENCE_LENGTH = 60      # 输入序列长度（60根H1 K线）
HIDDEN_SIZE = 100         # LSTM隐藏层大小
NUM_LAYERS = 2            # LSTM层数
BATCH_SIZE = 64           # 训练批大小
NUM_EPOCHS = 20           # 训练轮数
LEARNING_RATE = 0.001     # 学习率

回测参数

INITIAL_CASH = 100000     # 初始资金
COMMISSION = 0.0002       # 交易佣金（0.02%）
SPLIT_RATIO = 0.8         # 训练集比例（80%）

---

❓ 常见问题

Q1: 回测结果可靠吗？

A: 回测基于历史数据，存在以下局限：

• ✅ 可以评估策略的历史表现
• ✅ 可以测试不同参数组合
• ❌ 不能保证未来表现
• ❌ 可能存在过拟合风险

Q2: 可以用于其他货币对吗？

A: 可以，修改代码中的 symbol = "EURUSD" 为其他货币对（如 "GBPUSD"）。但需要重新训练模型。

Q3: 回测太慢怎么办？

A:

• ✅ 确保使用了优化后的代码（带 precompute_signals）
• ✅ 检查是否有GPU可用（训练阶段）
• ✅ 减少回测年限（如5年 days=365*5）
• ❌ 不要在 Strategy.next() 中调用模型！

Q4: 实盘交易安全吗？

A:

• ⚠️ 外汇交易存在高风险
• ⚠️ 算法交易可能快速亏损
• ⚠️ 必须在模拟账户充分测试
• ⚠️ 使用真实资金前请咨询专业人士

---

📖 扩展阅读

• LSTM原理: Understanding LSTM Networks
• 回测方法论: Backtesting.py Documentation
• MT5 API: MetaTrader 5 Python Integration

---

⚠️ 免责声明

重要提示:

1. 教育目的: 本系统仅供学习和研究使用
2. 高风险警告: 外汇交易存在极高风险，可能导致全部本金损失
3. 无保证: 历史表现不代表未来结果
4. 自担风险: 使用本系统进行实盘交易的所有风险和责任由用户自行承担
5. 专业建议: 投资前请咨询专业的金融顾问

使用本系统即表示您已阅读并同意上述免责声明。

---

⭐ 如果这个项目对你有帮助，请给个Star！

Made with ❤️ for LSTM Traders