用 Python 构建比特币六因子量化策略模型

This tutorial walks through the development of a true 6-factor strategy model for Bitcoin using Python. We use technical indicators like EMA, MACD, RSI, KDJ, CCI, and OBV to build a signal classification model that outputs Buy, Sell, or Hold. 本教程将带你从头开始构建一个真正的六因子比特币交易模型，利用多个经典技术指标生成买卖信号。

Step 1 步骤一：加载数据

btc_data = pd.read_csv("btc_data.csv", parse_dates=['Open time'])
btc_data.set_index('Open time', inplace=True)
btc_data.rename(columns=lambda x: x.lower(), inplace=True)

我们加载 15 分钟级别的 BTC 数据，并将时间设为索引。

Step 2 步骤二：添加技术指标（Technical Indicators）

我们使用 pandas_ta 添加如下指标：

EMA 6, EMA 18, EMA 60
MACD, MACD Signal
RSI（14日）
CCI（14日）
KDJ（三线指标）
OBV（On-Balance Volume）

import pandas_ta as ta

df['EMA_6'] = ta.ema(df['close'], length=6)
df['EMA_18'] = ta.ema(df['close'], length=18)
...
df['OBV'] = ta.obv(df['close'], df['volume'])
df.dropna(inplace=True)

每一个因子代表了市场情绪、动量或资金流的某个维度。

Step 3 步骤三：价格预测模型（Price Regression Model）

我们用这些因子预测下一个周期的价格：

X = df[["EMA_6", "EMA_18", ..., "OBV"]]
y = df['close'].shift(-1)

训练一个线性模型进行价格拟合：

from sklearn.linear_model import LinearRegression
model = LinearRegression()
model.fit(X_train, y_train)

模型输出也可以作为后续决策模型的一部分特征：Predicted_Close

Step 4 步骤四：决策信号分类模型（Buy/Sell/Hold）

目标变量由以下六个条件生成：

y = np.where(
    (EMA_6 > EMA_18) & (MACD > MACD_signal) & (RSI > 30) &
    (K > D) & (CCI > 100) & (OBV > OBV.shift(1)), 1,  # 买入
    np.where(
        (EMA_6 < EMA_18) & (MACD < MACD_signal) & (RSI < 70) &
        (K < D) & (CCI < -100) & (OBV < OBV.shift(1)), -1, 0  # 卖出 / 持有
    )
)

用 RandomForestClassifier 训练预测这些三分类信号：

from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier(max_depth=5)
model.fit(X_train, y_train)

模型预测出 Buy/Sell/Hold 信号，可用于策略执行。

Step 5 步骤五：图表展示（Interactive Plot）

我们用 Plotly 画出：

实际 vs 预测价格
买入（绿色三角）
卖出（红色倒三角）
持有（黄色圆点）

fig.add_trace(go.Scatter(... name='Buy'))
fig.add_trace(go.Scatter(... name='Sell'))
fig.add_trace(go.Scatter(... name='Hold'))

Summary 总结

🔍 因子基于传统技术指标：MACD、KDJ、OBV 等
🔄 通过组合条件构建标签（Buy/Sell/Hold）
🤖 使用机器学习进行分类预测
📈 图形展示策略效果，适合量化交易实践

This model demonstrates how to combine multiple technical indicators into a rule-based signal system, and then enhance it with machine learning for decision-making.

📎 Download & Connect

📥 完整代码与数据将上传至 GitHub，欢迎参考。 📬 如需合作或交流，请通过 LinkedIn 联系我。

Ashwang Personal Site