# xgboost-aapl

**Repository Path**: ranxv/xgboost-aapl

## Basic Information

- **Project Name**: xgboost-aapl
- **Description**: 一个使用XGBoost机器学习算法预测苹果公司(AAPL)股票次日涨跌的项目。该模型专注于预测股价是否会在次日上涨≥0.2%。
- **Primary Language**: Python
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-07
- **Last Updated**: 2026-05-07

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# XGBoost AAPL Stock Prediction

一个使用XGBoost机器学习算法预测苹果公司(AAPL)股票次日涨跌的项目。该模型专注于预测股价是否会在次日上涨≥0.2%。

## 项目概述

本项目使用技术指标和历史价格数据训练XGBoost分类器，预测AAPL股票的短期价格走势。模型采用时间序列交叉验证来确保预测的可靠性。

### 主要特性

- 二元分类: 预测次日股价是否上涨≥0.2%
- 技术指标: 使用SMA、RSI、MACD等多种技术分析指标
- 时间序列验证: 采用TimeSeriesSplit进行交叉验证
- 数据缓存: 自动缓存历史数据，避免重复下载
- 防过拟合: 使用正则化和保守的超参数设置

## 环境设置

### 前置要求

- Python 3.11+
- Conda 或 Miniconda
- Tushare API密钥

### 安装步骤

1. 克隆仓库
   ```bash
   git clone <repository-url>
   cd xgboost-aapl
   ```

2. 创建Conda环境
   ```bash
   conda env create -f environment.yml
   conda activate stock_predict
   ```

3. 设置API密钥
   
   获取Tushare API密钥：
   - 访问 [Tushare官网](https://tushare.pro/)
   - 注册账户并获取API密钥
   
   设置环境变量：
   ```bash
   # Windows (PowerShell)
   $env:TUSHARE_API_KEY="your_api_key_here"
   
   # Windows (CMD)
   set TUSHARE_API_KEY=your_api_key_here
   
   # Linux/Mac
   export TUSHARE_API_KEY="your_api_key_here"
   ```

## 使用方法

### 基本运行

```bash
python main.py
```

### 运行流程

1. 数据获取: 自动下载AAPL过去5年的日线数据
2. 特征工程: 计算技术指标和衍生特征
3. 模型训练: 使用时间序列交叉验证训练XGBoost模型
4. 模型评估: 在测试集上评估模型性能
5. 结果分析: 输出详细的性能指标和特征重要性

## 技术指标

模型使用以下技术指标作为特征：

- 简单移动平均线 (SMA): 5日、10日、20日
- SMA变化率: 各周期SMA的日变化率
- 相对强弱指数 (RSI): 14日RSI
- MACD柱状图: MACD直方图值
- 成交量比率: 当日成交量与5日平均成交量的比值
- 成交量: 原始成交量数据

## 模型配置

### XGBoost超参数

```python
XGB_PARAMS = {
    'n_estimators': 200,        # 树的数量
    'learning_rate': 0.01,      # 学习率
    'max_depth': 3,             # 最大树深度
    'subsample': 0.7,           # 样本采样率
    'colsample_bytree': 0.7,    # 特征采样率
    'reg_alpha': 1.0,           # L1正则化
    'reg_lambda': 1.0,          # L2正则化
    'objective': 'binary:logistic',
    'eval_metric': 'logloss',
    'random_state': 42
}
```

### 关键参数

- 预测阈值: 0.2% (UP_THRESHOLD = 0.002)
- 测试集比例: 20% (TEST_SIZE = 0.2)
- 数据范围: 过去5年的历史数据
- 交叉验证: 5折时间序列交叉验证

## 输出结果

运行后将显示：

1. 交叉验证结果: CV准确率和标准差
2. 测试集性能: 分类报告和准确率
3. 训练集性能: 用于检测过拟合
4. 特征重要性: 各特征对预测的贡献度
5. 模型诊断: 过拟合检测和性能总结

## 项目结构

```
xgboost-aapl/
├── main.py              # 主程序文件
├── environment.yml      # Conda环境配置
├── data_cache.parquet   # 缓存的历史数据
├── README.md           # 项目说明文档
└── .gitattributes      # Git配置文件
```

## 注意事项

1. 仅供学习: 本项目仅用于教育和研究目的，不构成投资建议
2. 数据延迟: Tushare数据可能存在延迟，实际交易请使用实时数据
3. 市场风险: 股票投资存在风险，过往表现不代表未来收益
4. 模型局限: 机器学习模型无法预测所有市场情况，请谨慎使用

## 故障排除

### 常见问题

1. API密钥错误
   ```
   ❌ Please set the TUSHARE_API_KEY environment variable first!
   ```
   解决方案：检查环境变量设置是否正确

2. 数据下载失败
   - 检查网络连接
   - 验证API密钥有效性
   - 确认Tushare账户积分充足

3. 依赖包问题
   ```bash
   conda env update -f environment.yml
   ```

## 许可证

本项目采用MIT许可证，详见LICENSE文件。