AI驱动的交易信号提取

一键发币： SUI | SOL | BNB | ETH | BASE | ARB | OP | POLYGON | AVAX | FTM | OK

“你不需要对冲基金的预算来构建一个击败直觉的 AI。”

“每天两小时，你能真正做出什么？”

对我来说，答案是：一个可以在很大程度上实现自动化运行并产生持续副业收入的交易模型。

我是 Adrian，一名白天从事金融软件工程工作的人。我从早到晚都在为他人构建系统。但在下班后，我决定开始为自己构建一些东西。目标是将我对 AI 和交易的热情转化为真正能赚钱的东西。

AI 正在吞噬世界——交易策略也不例外。但事实是，大多数教程和 X 上的帖子要么过度承诺，要么表现不佳。这里有一个真实的实战指南，教你如何使用 Python、开源数据和一点金融常识来构建基于 AI 的简单但强大的交易信号。

你将学到的内容：

• 如何使用机器学习提取真正的交易信号（而不仅仅是绘制漂亮的图表）
• 如何处理像 Yahoo Finance、Alpha Vantage 和 Quandl 这样的开源数据集
• AI 在交易中的实际限制——以及如何保持现实

准备工具：你需要什么

• Python (3.9+)
• pandas、numpy、scikit-learn、yfinance、matplotlib

pip install pandas numpy scikit-learn yfinance matplotlib

1、使用 yFinance 加载市场数据

import yfinance as yf  
import pandas as pd

ticker = 'AAPL'  
data = yf.download(ticker, start='2016-01-01', end='2025-03-31')  
data = data[['Close']].copy()  
data['Return'] = data['Close'].pct_change()  
data.dropna(inplace=True)

2、为监督式机器学习模型创建基本标签

data['Target'] = (data['Return'].shift(-1) > 0).astype(int)  
data.dropna(inplace=True)

我们预测的是下一天的回报是否为正。

3、添加简单的特征

data['MA5'] = data['Close'].rolling(window=5).mean()  
data['MA10'] = data['Close'].rolling(window=10).mean()  
data['Momentum'] = data['Close'] - data['Close'].shift(10)  
data.dropna(inplace=True)

features = ['MA5', 'MA10', 'Momentum']

4、训练一个基本的随机森林模型

from sklearn.ensemble import RandomForestClassifier  
from sklearn.model_selection import train_test_split  
from sklearn.metrics import classification_report

X = data[features]  
y = data['Target']X_train, X_test, y_train, y_test = train_test_split(X, y, shuffle=False)model = RandomForestClassifier(n_estimators=100, random_state=42)  
model.fit(X_train, y_train)print(classification_report(y_test, model.predict(X_test)))

5、评估策略表现

import numpy as np

preds = model.predict(X_test)  
preds = pd.Series(preds, index=X_test.index)signal_returns = data.loc[X_test.index, 'Return'] * preds  
cumulative_returns = (1 + signal_returns).cumprod()cumulative_returns.plot(title='AI 信号产生的累积收益')

这个模型的优点：

• 以非常基础的形式捕获了动量和均值回归
• 展示了标记、训练、评分和策略模拟

它的不足之处：

• 没有考虑交易成本/滑点
• 只使用了历史价格数据（没有成交量、宏观或新闻）
• 尚未优化用于实时部署（目前）

6、最后的想法

AI 在交易中不是魔法。它是统计学、逻辑和硬边界。但有了正确的框架和数据，它可以给你带来持续的优势。

本文为你提供了一个模板。无论你是将其转化为信号引擎、回测平台还是自动交易者，都取决于你自己。

原文连接：How to Create AI Trading Signals That Actually Work — Using Just Python and Open Data

DefiPlot翻译整理，转载请标明出处

免责声明：本站资源仅用于学习目的，也不应被视为投资建议，读者在采取任何行动之前应自行研究并对自己的决定承担全部责任。