EUR/USD 方向预测模型

二元分类模型，用于预测 EUR/USD 在次日交易日的收盘价是上涨（UP） 还是下跌（DOWN）。

模型详情

• 任务：二元分类（上涨/下跌）
• 货币对：EUR/USD
• 预测周期：次日交易日
• 模型：LightGBM + XGBoost 集成（概率平均）
• 特征：53 个技术指标和价格特征
• 训练方式：滚动向前扩展窗口（无数据泄露）

性能（样本外，滚动向前）

特征

该模型使用 53 个特征，包括：

• 对数收益率（Log returns）：多个回溯窗口（5、10、21、63、126、252 天）
• 动量（Momentum）：不同周期的价格动量
• 波动率（Volatility）：收益率的滚动标准差
• 相对强弱指数（RSI）：相对强弱指数（7、14、21 周期）
• 指数平滑异同平均线（MACD）：移动平均收敛散度
• 布林带（Bollinger Bands）：%B 和带宽
• 平均真实波幅（ATR）：平均真实波幅
• 随机振荡器（Stochastic Oscillator）：%K 和 %D
• 平均方向指数（ADX）：平均方向指数
• 威廉指标（Williams %R）、顺势指标（CCI）：其他动量指标
• 通道位置（Channel Position）：价格在滚动高低区间内的位置
• 日历特征（Calendar）：星期几、月份、季度

import joblib, json, numpy as np
from huggingface_hub import hf_hub_download

# Download model files
lgb_model = joblib.load(hf_hub_download("lvizcaya/forex-eurusd-direction", "lgb_model.joblib"))
xgb_model = joblib.load(hf_hub_download("lvizcaya/forex-eurusd-direction", "xgb_model.joblib"))
scaler = joblib.load(hf_hub_download("lvizcaya/forex-eurusd-direction", "scaler.joblib"))
feature_cols = json.load(open(hf_hub_download("lvizcaya/forex-eurusd-direction", "feature_columns.json")))

# Prepare your features (see predict.py for full pipeline)
# X = your_features[feature_cols].values
# X_scaled = scaler.transform(X)
# prob_up = (lgb_model.predict_proba(X_scaled)[:,1] + xgb_model.predict_proba(X_scaled)[:,1]) / 2
# direction = "UP" if prob_up >= 0.5 else "DOWN"

完整的推理示例请参见 predict.py。

方法

基于已发表的金融机器学习文献：

• arxiv:2511.18578 — 结合滚动前向验证的GBM集成（最稳健的方法）
• arxiv:2405.08045 — 适用于FOREX的技术指标工程
• arxiv:2511.15960 — 恰当的基线（ZeroR）以避免过度拟合的论断

滚动前向验证

• 至少3年的训练数据
• 每月（21个交易日）重新训练
• 扩展窗口（不丢弃任何数据）
• 无随机分割（防止时间泄露）

⚠️ 免责声明

本模型仅用于研究和教育目的。它并非财务建议。 外汇交易涉及重大风险。过往表现不代表未来结果。 文献共识显示，日常方向预测的实际准确率为52-56%。

由ML Intern生成

此模型仓库由 ML Intern 生成，这是一个用于Hugging Face Hub上机器学习研究与开发的智能体。

• 试用ML Intern：https://smolagents-ml-intern.hf.space
• 源代码：https://github.com/huggingface/ml-intern