LGB机器学习预测数字货币涨跌

温馨提示：本文最后更新于2021年11月20日 22:44，若内容或图片失效，请在下方留言或联系博主。

1. 模型选择

LGB全名LigthGBM是boosting集合模型中的新进成员，它和xgboost一样是对GBDT的高效实现，很多方面会比xgboost表现的更为优秀。原理上它和GBDT及xgboot类似，都采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树。

一开始选择的是LSTM，不过经过各种折腾，对我这个新手小白都不好解决欠拟合和过拟合
参考了以下文章后选择了LGB
文章：

2. 数据来源

我这边选择的是爬取币安给出的2020年至今的几大主流币历史合约K线数据，周期为5m
主流币选择，看总市值排行选择出来的币：
'BTCUSDT',
'ETHUSDT',
'LTCUSDT',
'BNBUSDT',
'XMRUSDT',
'XRPUSDT',
'XTZUSDT',
'ADAUSDT',
'BCHUSDT',

3. 模型问题

LGB可以解决多分类问题、线性问题、二分类问题，我这边选择的是二分类问题
也就是下一根收盘价大于这一根收盘价标记为1，反之为0，让LGB去预测分类

代码：

features['label'] = ((features['next_close'] / features['Close'] - 1) > 0)
features['label'] = features['label'].astype('int')

4. 模型特征

在我每天尝试几个指标，尝试了几十个指标（说多了都是泪，每个指标Talib没有的得自己实现，实现后再慢慢调参）：
图片alt

最后组合出来了以下做为特征：
'close_tf',
'vol_tf',
'high_tf',
'low_tf',
'hlc_tf',
'zhenfu',
'macd',
'adx',
'rsi',
'dpo',

5. 数据处理

处理就是把缺少数据的行给删除
我还做了以下尝试，效果都没优化：

删除涨幅小的数据，删除后预测效果更差了
删除inf值的数据，删除后预测效果更差了

LGB不像神经网络需要对异常值很敏感，所以就不处理其他的了

然后再划分出训练集和测试集
训练集：20200101-20210601
测试集：20210601-20211101
图片alt

6. 模型训练

代码：

import lightgbm as lgb
param = {
     'num_leaves': 31,
     'learning_rate': 0.06,
     "boosting": "gbdt",
     "metric": 'auc',
     'device': 'gpu',
     "verbosity": -1,
}

trn_data = lgb.Dataset(trn, label=trn_label)
val_data = lgb.Dataset(val, label=val_label)
num_round = 500
#clf = lgb.train(param, trn_data, num_round, valid_sets=[trn_data, val_data])
clf = lgb.train(param, trn_data, num_round)
#clf.save_model("v6_8-25.txt")
test_lgb = clf.predict(val, num_iteration=clf.best_iteration)
pd.DataFrame({
        'column': feature_col,
        'importance': clf.feature_importance(),
    }).sort_values(by='importance', ascending=False)

参数为第一篇文章所给的参数，在这里感谢下他的分享

训练结果：
图片alt