H-Net Stock Market Analysis

一个基于H-Net架构的股票市场实时分析模型，集成多模态数据（价格、技术指标、新闻情感）进行股价预测。

🎯 项目特色

• 多模态融合: 集成价格数据、技术指标和新闻情感分析
• H-Net架构: 采用动态分块和分层序列建模
• 实时预测: 支持价格预测、波动率预测和方向分类
• 完整管道: 从数据收集到模型训练的端到端解决方案

🚀 快速开始

1. 环境准备

# 克隆项目
git clone <your-repo-url>
cd H-net_Finance

# 安装依赖
pip install torch numpy pandas yfinance transformers textblob feedparser beautifulsoup4 tqdm

2. 数据生成

# 生成训练数据（包含AAPL, MSFT, GOOGL, TSLA, NVDA）
python hnet_data_preprocess.py

3. 模型训练

# 快速训练（5个epoch，3-5分钟）
python train_launcher.py --mode quick

# 20个epoch训练（8-12分钟）
python train_20epochs.py

# 交互式选择训练模式
python train_launcher.py --interactive

4. 模型测试

# 测试训练好的模型
python test_model.py

📁 项目结构

H-net_Finance/
├── hnet_data_preprocess.py     # 数据预处理和生成
├── hnet_stock_training.py      # H-Net模型定义和训练
├── start_training.py           # 简易训练启动器
├── train_launcher.py           # 多模式训练启动器
├── train_20epochs.py           # 20轮训练脚本
├── test_model.py               # 模型测试和评估
├── validate_data.py            # 数据验证脚本
├── stock_data/                 # 生成的训练数据
│   ├── train/                  # 训练集
│   ├── val/                    # 验证集
│   └── test/                   # 测试集
├── best_stock_hnet.pth         # 最佳训练模型
└── requirements.txt            # 依赖包列表

🔧 训练模式

模式	时间	参数量	轮数	适用场景
quick	3-5分钟	1.3M	5	快速验证
medium	8-12分钟	3.2M	20	标准训练
balanced	10-15分钟	3.2M	15	平衡性能
thorough	30-60分钟	11.6M	30	最佳性能

📈 数据来源

• 价格数据: Yahoo Finance API
• 技术指标: TA-Lib (SMA, EMA, RSI, MACD, 布林带等)
• 新闻情感: 多源新闻聚合 + 情感分析

🧠 模型架构

• 输入层: 多模态特征融合（价格6维 + 技术指标20维 + 新闻768维）
• 编码器: 分层Mamba编码器
• 动态分块: 基于市场制度变化的自适应分块
• 主网络: Transformer块进行序列建模
• 解码器: 分层解码器重构序列
• 输出头: 多任务预测（价格、波动率、方向）

🎯 使用案例

实时推理

from hnet_stock_training import RealTimeInference, HNetConfig

# 加载模型
config = HNetConfig()
inference = RealTimeInference('best_stock_hnet.pth', config)

# 更新数据并预测
inference.update_data(new_price, new_technical, new_news)
predictions = inference.predict()

print(f"价格预测: {predictions['price_forecast']}")
print(f"方向概率: {predictions['direction_probs']}")

批量评估

from hnet_stock_training import EvaluationMetrics

# 评估模型性能
metrics = EvaluationMetrics.evaluate_model_performance(model, test_loader)
print(f"方向准确率: {metrics['direction_accuracy']:.2%}")

📋 系统要求

• Python 3.8+
• PyTorch 1.9+
• 8GB+ RAM (推荐)
• CPU/GPU 支持

📜 许可证

MIT License

🤝 贡献

欢迎提交Issue和Pull Request！

📞 联系

如有问题，请创建Issue或联系维护者。

---

⭐ 如果这个项目对您有帮助，请给我们一个星标！