如何基于Simple Linear Regression预测后续10条BTCUSDT收盘价

问题核心 #

用Ta-Lib的LINEARREG函数做BTCUSDT小时线收盘价预测时，该函数仅能基于已有滑动窗口数据生成对应范围内的预测值，无法对无实际收盘价的后续K线（比如10条小时线）做外推预测。

解决方案思路 #

LINEARREG本质是基于滑动窗口内的最小二乘线性回归，我们可以手动提取最新窗口的回归参数（斜率、截距），再用这些参数外推后续预测值，步骤如下：

• 保留原有逻辑，用LINEARREG计算已有数据的预测值
• 从最新的滑动窗口数据中拟合线性回归，得到斜率和截距
• 基于斜率和截距计算后续10条K线的预测值
• 补充对应时间索引，将预测值追加到原DataFrame中

代码实现 #

import talib
import pandas as pd
import numpy as np

# 假设你的原始数据df包含datetime（时间戳）和close（收盘价）列
window_size = 24  # 滑动窗口大小，根据策略调整，比如24小时

# 1. 计算已有数据的LINEARREG预测值
df['LR'] = talib.LINEARREG(df['close'], timeperiod=window_size)

# 2. 提取最新窗口数据，拟合线性回归参数
latest_window = df['close'].tail(window_size).values
x_values = np.arange(window_size)  # 窗口内的时间步索引（0到window_size-1）
slope, intercept = np.polyfit(x_values, latest_window, 1)  # 一阶多项式拟合，得到斜率和截距

# 3. 生成后续10条K线的预测值
future_steps = np.arange(window_size, window_size + 10)  # 后续10个时间步的索引
future_predictions = slope * future_steps + intercept

# 4. 生成后续10条K线的时间索引（小时线频率）
last_timestamp = df['datetime'].iloc[-1]
future_timestamps = pd.date_range(
    start=last_timestamp + pd.Timedelta(hours=1),
    periods=10,
    freq='H'
)

# 5. 合并预测数据到原DataFrame
future_df = pd.DataFrame({
    'datetime': future_timestamps,
    'close': [np.nan] * 10,  # 无实际收盘价，用NaN填充
    'LR': future_predictions
})

df = pd.concat([df, future_df], ignore_index=True)

关键说明 #

• np.polyfit和Ta-Lib的LINEARREG逻辑一致，都是最小二乘线性回归，保证参数匹配
• 时间索引的生成需和原数据频率一致，这里是小时线所以用freq='H'，其他频率可调整参数
• 后续预测是基于最新窗口的趋势外推，属于简单线性回归的常规外推逻辑

期望输出示例 #

内容的提问来源于stack exchange，提问作者AMA